Pauvreté et distribution de revenus au Sénégal: une approche par la modélisation en équilibre général calculable micro-simulé
Notice bibliographique
Résumé
La nouvelle orientation de la politique économique au Sénégal vise à accroître les revenus des pauvres et à attaquer la pauvreté là où elle est principalement localisée. La stratégie de réduction de la pauvreté va être mise en oeuvre dans un contexte de libéralisation des échanges commerciaux internationaux notamment dans le secteur agricole. Dans ce contexte, nous avons développé un modèle d'équilibre général calculable micro-simulé multi-ménages du type Decaluwé et al. (1999) permettant d'évaluer l'impact que pourront avoir ces politiques agricoles à l'échelle des ménages et de faire le lien entre ces réformes économiques, la pauvreté et la distribution de revenu. Ce modèle offre beaucoup de flexibilité en permettant notamment de modifier la distribution des groupes cibles qui n'ont pas à être revenus avant l'exercice de simulation afin d'effectuer l'analyse de pauvreté et d'inégalité ex post à l'exercice de modélisation. Dans ce travail, nous avons également comparé les effets en terme d'analyse de pauvreté et d'inégalité entre une distribution paramétrique (Dagum, 3 paramètres) et une distribution non-paramétrique et montré que ce choix engendrait des différences significatives quant aux effets sur la pauvreté. Contrairement aux applications faite par Decaluwé et al. (1999) et Cockburn (2002) au Népal, les impacts sur la pauvreté sont assez importants, ce qui montre que cette approche offre un outil riche permettant d'évaluer l'impact de politiques économiques ou chocs externes sur la pauvreté et la distribution de revenu.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».