MétaCan
Menu
Retour à la cohorte
Enregistrement W2170373145 · doi:10.22004/ag.econ.37016

Canada-US Softwood Lumber Trade Revisited: Examining the Role of Substitution Bias in the Context of a Spatial Price Equilibrium Framework

2005· article· en· W2170373145 sur OpenAlexaboutno aff
Anthony Mogus, Brad Stennes, G. Cornelis van Kooten

Notice bibliographique

RevueAgEcon Search (University of Minnesota, USA) · 2005
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomicsSoftwoodContext (archaeology)Economic rentCommercial policyTariffInternational economicsEconometricsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

In the last two decades, softwood lumber trade between Canada and the United States has been characterized by numerous trade restrictions. Many studies have attempted to quantify the effects of such sanctions, and in doing so, softwood lumber was modeled as a single, homogenous commodity. However, recent research has suggested that this may be a misleading assumption, since not all softwood lumber products are equivalent substitutes. We refer to this problem as the substitution bias, and uniquely address this issue in estimating the effects of trade restricting policies. Using a spatial price equilibrium (spe) model, impacts of the post-sla import duties are estimated and compared to estimates of two alternative policy regimes – an export tax and quota. By controlling for substitution bias, our estimates indicate a larger share of the tariff burden is placed on us consumers, with Canadian producers suffering less injury compared to estimates using the traditional homogenous lumber assumption. In addition, by comparing the net impact associated with the alternative policy regimes, a policy equivalence result is found. Our results suggest that the short-run impact of a trade restriction is largely independent of the policy regime incorporated, with the collection of quota rents or tax revenues determining overall winners and losers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,079
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,024
Tête enseignante GPT0,223
Écart entre enseignants0,199 · 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 tête enseignante, pas un consensus.

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

Citations10
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgEcon Search (University of Minnesota, USA)Même sujetForest Management and PolicyTravaux en français237 207