Inequality Change in China and (Hukou) Labour Mobility Restrictions
Notice bibliographique
Résumé
We analyze the Hukou system of permanent registration in China which many believe has supported growing relative inequality over the last 20 years by restraining labour migration both between the countryside and urban areas and between regions and cities. Our aim is to inject economic modelling into the debate on sources of inequality in China which thus far has been largely statistical. We first use a model with homogeneous labour in which wage inequality across various geographical divides in China is supported solely by quantity based migration restrictions (urban --rural areas, rich -poor regions, eastern coastal --central and western (noncoastal) zones, eastern and central --western development zones, eastern --central --western zones, more disaggregated 6 regional classifications, and an all 31 provincal classification). We calibrate this model to base case data and when we remove migration restrictions all wage and most income inequality disappears. Results from this model structure point to a significant role for Hukou restrictions in supporting inequality in China, and show how economic rather than statistical modelling can be used to decompose inequality change. We then modify the model to capture labour efficiency differences across regions, calibrating the modified model to estimates of both national and regional Gini coefficients. Removal of migration barriers is again inequality improving but now less so. Finally, we present a further model extension in which urban house price rises retard rural -urban migration. The impacts of removing of migration restrictions on inequality are smaller, but are still significant.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».