MétaCan
Menu
Retour à la cohorte
Enregistrement W2908466666 · doi:10.1257/mac.20170080

Inventory Management, Product Quality, and Cross‑Country Income Differences

2019· article· en· W2908466666 sur OpenAlexaff
Bernardo S. Blum, Sebastián Claro, Kunal Dasgupta, Ignatius J. Horstmann

Notice bibliographique

RevueAmerican Economic Journal Macroeconomics · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal trade and economics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésProduct (mathematics)WelfareQuality (philosophy)BusinessPercentileFixed costDistribution (mathematics)Agricultural economicsEconomicsInternational economicsMicroeconomicsStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Previous research has documented that export shipments are “lumpy”— exporters make infrequent and relatively large shipments to any given export destination. This fact has been interpreted as implying that fixed, per shipment cost and inventory management decisions play a key role in international trade. We document here that exports from poor countries are considerably more lumpy—have higher fixed per shipment cost— than those from rich countries. Using a model of trade with inventory management, we estimate that the country at the ninetieth percentile of the distribution of per shipment costs has almost three times higher costs than the one at the tenth percentile. We show that these per shipment cost differences have a reduced-form representation given by an ad valorem trade cost that varies with export country income (as in Waugh 2010 ). A calibrated version of the model that incorporates these estimates and allows for endogenous product quality reveals that cross-country differences in per shipment costs explain almost 40 percent of the observed cross-country differences in income. It also shows that policies that lower per shipment costs can lead to significant welfare gains, mainly due to induced quality upgrading. (JEL F12, F14, F43, G31, O16, O19)

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 candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,090
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,004

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 Opus0,039
Tête enseignante GPT0,262
Écart entre enseignants0,224 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations21
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Economic Journal MacroeconomicsMême sujetGlobal trade and economicsTravaux en français237 207