MétaCan
Menu
Retour à la cohorte
Enregistrement W2080341884 · doi:10.1111/j.1744-7976.2011.01241.x

The Driving Forces of Agricultural Decline:A Panel‐Data Approach to the Italian Regional Growth

2012· article· en· W2080341884 sur OpenAlexvenueno aff
Roberto Esposti

Notice bibliographique

RevueCanadian Journal of Agricultural Economics/Revue canadienne d agroeconomie · 2012
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Productivity
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomicsAgriculturePanel dataWelfare economicsGross domestic productHumanitiesEconomyGeographyEconometricsMacroeconomicsPhilosophy

Résumé

récupéré en direct d'OpenAlex

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 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)0,003
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 enseignants0,069
Score d'incertitude au seuil0,136

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,070
Tête enseignante GPT0,183
Écart entre enseignants0,113 · 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

Citations7
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Agricultural Economics/Revue canadienne d agroeconomieMême sujetEconomic Growth and ProductivityTravaux en français237 207