MétaCan
Menu
Retour à la cohorte
Enregistrement W7104736575 · doi:10.1007/978-1-349-58802-2_823

International Capital Flows

2008· book-chapter· en· W7104736575 sur OpenAlexaboutno aff

Notice bibliographique

RevueThe New Palgrave Dictionary of Economics · 2008
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal Financial Crisis and Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEmerging marketsCapital (architecture)PaceDeveloping countryCapital accountMargin (machine learning)Capital flowsCapital formation

Résumé

récupéré en direct d'OpenAlex

Cross-border capital flows worldwide have risen substantially since the mid-1970s, from US$1.2 trillion in 1980 to $5.8 trillion in 2004. The pace of the growth (at an average annual rate of 6.6 per cent) surpasses by a big margin those of the world GDP (at 1.7 per cent per annum) and the world exports (at 3.1 per cent per annum). Developed economies are the most important source countries, accounting for 92 per cent of the aggregate outward capital flows in 2004. They are also the most important recipients, accounting for 91 per cent of the aggregate inward capital flows in 2004. A small number of developing countries — commonly known as emerging market economies — receive the lion’s share (nearly 70 per cent) of the remaining international capital flows in 2004. More than 130 other developing economies are more or less bypassed by the surge in the capital flows. (For these calculations, developed countries consist of the following 25 countries: Australia, Austria, Belgium, Canada, Cyprus, Denmark, Euro Area, Finland, France, Germany, Greece, Iceland, Ireland, Italy, Japan, Luxembourg, Netherlands, New Zealand, Norway, Portugal, Spain, Sweden, Switzerland, the United Kingdom, and the United States. Emerging market economies consist of the following 22 economies: Argentina, Brazil, Chile, China, Colombia, Egypt, Hong Kong SAR, Indonesia, India, Israel, Korea, Morocco, Mexico, Malaysia, Pakistan, Peru, Philippines, Singapore, Thailand, Turkey, Venezuela, and South Africa.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,620
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,203
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe New Palgrave Dictionary of EconomicsMême sujetGlobal Financial Crisis and PoliciesTravaux en français237 207