MétaCan
Menu
Retour à la cohorte
Enregistrement W1977297400 · doi:10.1177/0973801013483501

Market Power in the Log and Lumber Import Market in Japan

2013· article· en· W1977297400 sur OpenAlexaboutno aff
Tsaiyu Chang, Masafumi Inoue

Notice bibliographique

RevueMargin The Journal of Applied Economic Research · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMarket powerCompetition (biology)Market share analysisOrder (exchange)Imperfect competitionMarket competitionBusinessMarket analysisMarket structureEconomicsFactor marketAgricultural economicsInternational tradeMarket economyMarket microstructureIndustrial organizationMicroeconomicsMonopoly

Résumé

récupéré en direct d'OpenAlex

Japan imports rather than exports forestry products even though it has ample forestry resources. Moreover, the leading exporters of forest products often have strong market power in the trade market of forestry products. The possibility of incomplete competition in the Japanese wood import market can also be suspected from the fact that the structure of imports of logs and lumber has remained unchanged over the past 10 years. However, there has been limited empirical economic analysis of the timber trade market to support this assertion. In this study, we examine the market power of the primary exporting countries in the Japanese log and lumber market based on the residual demand model. We analysed the import data of forestry products from 1988 to 2010 with respect to every main item exported to Japan. The analysis shows that Canada has market power over several items of logs in the Japanese import market, while the United States and Canada have market power over several items of lumber. The study also clarifies that imperfect competition exists in the Japanese timber import market and that the timber price in Japan is partially determined by the exporting countries. JEL Classification: Q17, Q23, Q27

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)0,008
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge 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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,744
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0260,001

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 Opus0,019
Tête enseignante GPT0,281
Écart entre enseignants0,262 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMargin The Journal of Applied Economic ResearchMême sujetForest Management and PolicyTravaux en français237 207