MétaCan
Menu
Retour à la cohorte
Enregistrement W2031419444 · doi:10.5539/ibr.v6n7p14

The Drivers behind Gas Market Liberalization: Diversity of Gas Sources, Market Structure and Gas Prices

2013· article· en· W2031419444 sur OpenAlexvenueno aff
Iweta Opolska, Michał Jakubczyk

Notice bibliographique

RevueInternational Business Research · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLiberalizationDiversification (marketing strategy)DeregulationEuropean unionInternational economicsEconomicsMarket share analysisCompetition (biology)Market shareMarket structureInternational tradeBusinessMarket economyIndustrial organizationMarket microstructureOrder (exchange)

Résumé

récupéré en direct d'OpenAlex

This paper studies how European Union members’ individual gas market characteristics, i.e. source diversification, incumbent firms’ market share and gas prices, measured at the start of liberalization process, influenced the full market opening timetable. A linear regression model is proposed with the time lag to the introduction of liberalization since 1998 (the first EU gas directive) as a dependent variable and the market characteristics as independent variables. The model is applied to cross-sectional data for 13 European countries. The results confirm the statistically significant impact of the market characteristics on the liberalization schedule. Our model explains 90% variation in the dependent variable. The more concentrated initial gas import structure and the higher import dependence were, the later the full market opening was scheduled. The more competitive gas market structure and the higher the average gas prices at the start of deregulation were, the sooner the gas sector was open to competition. The conclusions of the paper can be important for a better understanding of the liberalization process in the European Union and for application of EU deregulation experience to other countries.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,286
Écart entre enseignants0,209 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Business ResearchMême sujetClimate Change Policy and EconomicsTravaux en français237 207