MétaCan
Menu
Retour à la cohorte
Enregistrement W2559150217 · doi:10.1111/caje.12273

How much to share: Welfare effects of fiscal transfers

2017· article· en· W2559150217 sur OpenAlexvenueno aff
Jinill Kim, Sunghyun Kim

Notice bibliographique

RevueCanadian Journal of Economics/Revue canadienne d économique · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFiscal Policy and Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesNational Research Foundation of Korea
Mots-clésEconomicsDynamic stochastic general equilibriumWelfareTransfer paymentFiscal policyMonetary economicsSocial plannerGovernment revenueSmall open economyMacroeconomicsMicroeconomicsMonetary policyPublic financeMarket economy

Résumé

récupéré en direct d'OpenAlex

Abstract Recent sovereign debt crisis has challenged policy makers to explore the possibility of establishing a fiscal transfer system that could alleviate the negative impact of asymmetric shocks across countries. Using a simple labour production economy, we first derive an analytically tractable solution for optimal degree of fiscal transfers. In this economy, fiscal transfers can improve welfare by moving the competitive equilibrium with fiscal transfers closer to the social planner's solution. We then extend the model to a DSGE setting with capital, international bond and linear taxes, and we analyze how implementation of a simple revenue sharing rule affects welfare and macroeconomic variables over time. Simulation results show that risk sharing through fiscal transfers always improves welfare in the long run. However, under certain model specifications, short‐run transitional welfare loss can outweigh the long‐run benefits. These results suggest that, in designing fiscal transfers across countries, government should take into consideration the intertemporal nature of welfare gains.

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)0,003
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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 Opus0,106
Tête enseignante GPT0,180
Écart entre enseignants0,074 · 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'étudeSimulation ou modélisation
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

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Economics/Revue canadienne d économiqueMême sujetFiscal Policy and Economic GrowthTravaux en français237 207