Rural Income Volatility and Inequality in China
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
Available data indicates a growing urban-rural income gap (the ratio of mean urban to rural incomes) with a significant increase from around 1.8 in the late 1980's to over 3 today. These estimates do not take into account the higher volatility of rural incomes in China. Current literature based on analyses of rural income volatility in China decomposes poverty into chronic and transient components using longitudinal survey data and assesses the fraction of the Foster, Greer and Thorbecke poverty gap attributable to mean income over time being below the poverty line. Resulting estimates of 40-50 % transient poverty point to the policy conclusion that poverty may be a less serious social problem than it appears in annual data due to rural income volatility. Here we use a direct method instead to adjust rural income for volatility using a certainty equivalent income measure and recompute summary statistics for the distribution of volatility corrected incomes, including the urban-rural income gap on which much of current poverty debate in China focuses. Since an uncertain income stream is worth less in utility terms than a certain income stream we argue that heightened rural volatility increases the effective urban-rural income gap and intensifies not weakens poverty concerns. Using Chinese longitudinal rural survey data for which current decompositions can be replicated, we make adjustments for certainty equivalence of rural household income streams which not only widen the urban-rural income gap in China but also increases other distributional summary statistics. Depending upon values used for the coefficient of relative risk aversion, the measured urban-rural income gap increases by 20-30% using a certainty equivalent measure to adjust rural incomes for volatility. We also conduct similar analyses using consumption data, for which slightly larger increases occur.
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 | 0,002 | 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 | 0,001 |
| 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