The Impact of Economic Sanctions on Russia and its Six Greatest European Trade Partners
Notice bibliographique
Résumé
The Ukrainian crisis of November 2013 has led to the proclamation of independence of the Republic of Crimea in March 2014, and its attachment to Russia. This attachment, recognised by Russia and contested by a large number of Western countries, triggered an international crisis between the Russian Federation and the West (European Union, United States of America, et cetera). As a means of applying pressure on Russia, Western countries decided to launch a set of international sanctions. This paper's goal is to assess on sanctions effects on Russian and European economies. Thus, a country structural vector autoregressive (CSVAR) model is used in order to witness the impact of a sanction shock on considered economies. To our best knowledge, this paper is the first to use a CSVAR model to study the economic growth effects of anti-Russian sanctions on the considered economies. The economic conflict repercussions are revealed on the Euro Area (19 countries), on the six biggest trade partners of Russia as a lone entity, and finally on the six biggest trade partners of Russia separately. Results witness that the shock's effects are quite different whether a sum of GDP is used or not. In addition, results reveal that Russia is the most impacted by sanctions with a quarter-on-quarter GDP growth decrease of 3.25% after 3 quarters. Yet, European economies are also negatively impacted by sanctions, even if the impact is much weaker: -0.075% for Finland, -0.025% for France, -0.0125% for Germany, -0.012% for Italy, and -0.063% for Poland. As a consequence, we can say that the own coercive measures of European countries have a negative impact on their economies.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».