MétaCan
Menu
Retour à la cohorte
Enregistrement W2606240556 · doi:10.1111/roiw.12309

Energy Subsidy Reform and Poverty in Arab Countries: A Comparative CGE‐Microsimulation Analysis of Egypt and Jordan

2017· article· en· W2606240556 sur OpenAlexfundno aff
John Cockburn, Véronique Robichaud, Luca Tiberti

Notice bibliographique

RevueReview of Income and Wealth · 2017
Typearticle
Langueen
DomaineEnergy
ThématiqueEnergy, Environment, and Transportation Policies
Établissements canadiensnon disponible
Organismes subventionnairesDepartment for International Development, UK GovernmentInternational Development Research Centre
Mots-clésComputable general equilibriumEconomicsMicrosimulationSubsidyPovertyMacroeconomicsEnergy subsidiesFiscal policyInvestment (military)International economicsDevelopment economicsEnergy policyEconomic growthMarket economy

Résumé

récupéré en direct d'OpenAlex

This study simulates the macroeconomic and distributive impacts of real proposed (by local policy makers) energy subsidy reforms in Egypt and Jordan. To do that, we develop a dynamic CGE‐microsimulation model that is able to reconcile the general equilibrium effects of the reform and the individual‐ and household‐specific distributive effects. While the nature of the proposed reforms differs in the two countries, the study underscores the need, in both countries, for reform to generate fiscal savings to boost private investment and increase economic growth. It also shows that the reform alone would further exacerbate poverty through increased consumer prices. However, a modest reinvestment of fiscal savings into cash transfers creates a win‐win scenario of reduced poverty without significantly sacrificing the fiscal and growth benefits from the reform. Impacts (prices, growth, fiscal savings, poverty) are greater in Egypt due to the extent of proposed reforms and the fact that a larger share of the energy products concerned are consumed directly by households, while in Jordan the major effects come from the increase in intermediate input costs which generate a fall in the aggregate demand and, so, in labor demand.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,247
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

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

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 Opus0,017
Tête enseignante GPT0,304
Écart entre enseignants0,287 · 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.

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

Citations36
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Income and WealthMême sujetEnergy, Environment, and Transportation PoliciesTravaux en français237 207