South Africa trade liberalization and poverty in a dynamic microsimulation CGE model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
South Africa has undergone significant trade liberalization since the end of apartheid. \nAverage protection has fallen while openness has increased. However, economic \ngrowth has been insufficient to make inroads into the high unemployment levels. \nPoverty levels have also risen. The country’s experience presents an interesting \nchallenge for many economists that argue that trade liberalization is pro-poor and \npro-growth. This study investigates the short and long term effects of trade \nliberalization using a dynamic microsimulation computable general equilibrium \napproach. Trade liberalization has been simulated by a complete removal of all tariffs \non imported goods and services, and by a combination of tariff removal and an \nincrease of total factor productivity. The main findings are that a complete tariff \nremoval on imports has negative welfare and poverty reduction impacts in the short \nrun which turns positive in the long term due to the accumulation effects. When the \ntariff removal simulation is combined with an increase of total factor productivity, the \nshort and long run effects are both positive in terms of welfare and poverty reduction. \nThe mining sector (highest export orientation) is the biggest winner from the reforms \nwhile the textiles sector (highest initial tariff rate) is the biggest loser. African and \nColored households gain the most in terms of welfare and numbers being pulled out \nof absolute poverty by trade liberalization.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découle