MétaCan
Menu
Retour à la cohorte
Enregistrement W2947521990

Labour mobility and interprovincial trade in Canada

2019· preprint· en· W2947521990 sur OpenAlexaboutno aff
Nusrate Aziz, Gerry Mahar

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2019
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEndogeneityGravity model of tradeImmigrationEconomicsEstimationNet migration rateGeographyDemographic economicsInternational tradeEconometricsPopulationDemographyPopulation growth
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This study estimates the impact of interprovincial and international migration on interprovincial trade using annual data from 1981- 2016 for Canadian provinces. We apply both the gravity and the spatial trade models for estimation using a number of panel estimators. We find that the endogeneity issue should be addressed when estimating the relationship between migration and interprovincial trade. Estimated results show that interprovincial and international net migrations are positive and significant determinants for interprovincial trade of Canada. Interprovincial immigration is more influential than international immigration in explaining interprovincial trade. Interprovincial imports are influenced more by interprovincial and international migration than interprovincial exports. Province-wise estimates indicate that Quebec, British Columbia, Saskatchewan, and New Brunswick are positively affected by interprovincial migration. Among them, all except New Brunswick are also positively affected by international migration. The gravity and the spatial trade models are useful to explain Canadian interprovincial trade. The pooled OLS, fixed effects, 2SLS and SGMM estimators are used in this study. Our results are robust to different estimation methods and alternative measures using both the flow and the stock net migration in Canada’s provinces.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,220
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,002
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 Opus0,027
Tête enseignante GPT0,250
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; 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207