The Driving Forces of Agricultural Decline:A Panel‐Data Approach to the Italian Regional Growth
Notice bibliographique
Résumé
This paper investigates the causes of the long‐run decline of agriculture during economic growth. Within a two‐sector model, agricultural decline is explained by three basic driving forces (relative price change, Rybczynski effect, and technological gap). In a dynamic (vector autoregression) specification the share of agriculture on gross domestic product the agricultural relative price and the capital intensity are simultaneously determined. The model allows for short‐run adjustments with respect to long‐run equilibrium and for cross‐sectional dependence taking into account interregional linkages. The approach is applied to the panel data set of 20 Italian regions over the period 1951–2002 of intense economic development but still persistent regional disparities. Regularities and differences of decline patterns across regions are investigated. Le présent article examine les causes du déclin à long terme de l’agriculture en période de croissance économique. Dans un modèle à deux secteurs, trois éléments fondamentaux (le changement dans les prix relatifs, l’effet de Rybczynski et l’écart technologique) expliquent le déclin de l’agriculture. Dans une spécification dynamique (VAR), la part de l’agriculture dans le PIB, le prix relatif agricole et l’intensité du capital sont simultanément déterminés. Le modèle permet des ajustements à court terme par rapport à l’équilibre à long terme et permet une dépendance transversale qui tient compte des liens interrégionaux. Ce modèle a été appliquéà un ensemble de données de panel regroupant 20 régions de l’Italie, durant la période de développement économique intense de 1951 à 2002, qui présentait des disparités régionales persistantes. Nous avons examiné les similitudes et les différences des déclins observés à l’échelle des régions.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».