Nitrogen Fertilizer Demand from Danish Crop Farms: Regulatory Implications of Heterogeneity
Notice bibliographique
Résumé
This paper estimates nitrogen fertilizer demand elasticities for Danish crop farms using the dual profit function approach on micro panel data. The model includes several farm‐specific parameters, allowing us to estimate the mean demand elasticity and test for homogeneity of elasticities across panel farms. The mean own‐price elasticity for nitrogen is −0.45, and there is a significant standard deviation from this mean for individual farms of 0.24. Heterogeneity of demand elasticities implies that regulating fertilizer application through mandated uniform percentage reductions, as is currently used in Danish nitrogen regulation, increases abatement costs relative to tax regulation. Somewhat surprisingly, this causes the abatement costs of quota regulation to be only 8% larger than with tax regulation. Simulation results indicate that the primary threat to the efficiency of uniform reduction schemes comes from inaccurate estimation of baselines rather than from heterogeneity of elasticities. L'auteur estime les élasticités de la demande d'engrais azotés pour l'agriculture danoise en appliquant la fonction du double profit aux données issues de microgroupes de consultation. Le modèle inclut plusieurs paramètres spécifiques à l'agriculture, ce qui permet d'estimer l'élasticité moyenne de la demande et de vérifier l'homogénéité des élasticités pour les agriculteurs consultés. On constate qu'il existe une élasticité‐prix moyenne de −0,45 pour l'azote et que cette moyenne présente un écart‐type significatif de 0,24 par exploitation agricole. Les élasticités hétérogènes de la demande supposent que si on régule les engrais azotés par une réduction uniforme du volume employé en pour cent, ainsi que l'exige présentment le règlement danois, on accroît le coût des mesures de lutte, comparativement à ce qui se produit avec les mesures fiscales. Il est un peu surprenant de voir que la régulation par quota n'augmente le coût des mesures de lutte que de 8%, par rapport aux mesures fiscales. Les résultats de la simulation révèlent que l'efficacité des programmes de réduction uniforme est surtout menacée par une estimation inexacte des valeurs de base et non par l'hétérogénéité des élasticités.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».