Economic diversification and institutional quality as growth factors in oil-dependent economies
Notice bibliographique
Résumé
Amid global hydrocarbon dependence and the growing challenges of the energy transition, issues of economic diversification and institutional quality are becoming crucial for the sustainable development of oil-exporting countries. This study aims to estimate the impact of economic diversification on GDP growth in ten oil-exporting countries over the period 1990–2023, accounting for the moderating role of institutional quality. Using panel data for Canada, Iraq, Kazakhstan, Kuwait, Nigeria, Norway, Russia, Saudi Arabia, the United Arab Emirates, and the United States, the analysis employs fixed-effects models and dynamic systemic GMMs to address endogeneity. The results show that an increase in the diversification index by one standard deviation (0.168) increases GDP growth by 0.75 percentage points, with the effect being 2.4 times higher in countries with strong institutions than in countries with weak institutions. A threshold level of oil dependence was identified at 25% of GDP, above which the negative consequences of the "resource curse" begin to predominate. A time-lapse analysis revealed an increase in the diversification effect over time: from 2.134 in the 1990s to 5.234 in 2020–2023, highlighting its growing importance in the context of the global energy transition. A decomposition of the effects shows that a reduction in macroeconomic volatility accounts for 35.2% of the total effect, technological externalities for 28.7%, human capital development for 21.3%, and institutional improvements for 14.8%. These results underscore the need to combine economic reforms with institutional transformation to overcome resource dependence and ensure sustainable economic growth.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».