MétaCan
Menu
Retour à la cohorte
Enregistrement W2100668361 · doi:10.1111/roie.12181

Productivity and Firms’ Sales Destination: <scp>C</scp>hinese Characteristics

2015· article· en· W2100668361 sur OpenAlexaff
Qun Bao, Jiuli Huang, Yanling Wang

Notice bibliographique

RevueReview of International Economics · 2015
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal trade and economics
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésProductivityForeign direct investmentInternational economicsDe factoInvestment (military)BusinessEconomicsInternational tradeMonetary economicsMacroeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract In the trade literature, it is often assumed that there is little or no trade cost within a country's borders, but large trade costs across a country's borders. Thus, productive firms self‐select into exporters and the less productive firms can only serve domestic consumers. This paper presents a similar but different case in China, whose domestic markets are segmented by provincial borders mainly owing to the various (hidden) protective measures favoring local firms. These discriminative measures are de facto trade barriers. It applies the heterogeneous trade theory to examine the effects of firms’ productivity on their sales choices in both the international and domestic markets, in the presence of intra‐national and international trade costs. We find that productive firms not only self‐select into exporters, but also into sales in other provincial markets. This pattern is sensitive to firms’ locations and ownerships. For foreign direct investment (FDI)‐controlled firms, increases in productivity are associated with a higher probability of selling into other provincial markets, rather than into international ones. Productivity increases for firms operating in the inland area exhibit different patterns than those in the Eastern area.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,028
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0120,001

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 Opus0,069
Tête enseignante GPT0,249
Écart entre enseignants0,180 · 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

Citations6
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of International EconomicsMême sujetGlobal trade and economicsTravaux en français237 207