MétaCan
Menu
Retour à la cohorte
Enregistrement W2971521315 · doi:10.1093/ajae/aaz044

Productivity Spillovers From Pollution Reduction: Reducing Coal Use Increases Crop Yields

2019· article· en· W2971521315 sur OpenAlex
Κωνσταντίνος Μεταξόγλου, Aaron Smith

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAmerican Journal of Agricultural Economics · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceCropEconomicsProductivityYield (engineering)Agricultural economicsCoalRange (aeronautics)Shock (circulatory)PollutionAgronomyChemistryBiologyEcology

Résumé

récupéré en direct d'OpenAlex

Air pollution reduces crop yields by slowing down photosynthesis. We estimate the increase in US corn and soybean yields attributed to the recent dramatic reductions in emissions of nitrogen oxides (NO x ) from electric power plants. In response to the observed changes in power plant NO x emissions over the eight‐year period from 2003–05 to 2011–13, we estimate that average corn yields improved by 2.46% and soybean yields by 1.62%. These improvements imply an increase in total surplus of $1.60 billion annually across the two crops. The estimated yield improvements vary substantially across states depending on the change in NO x emissions. For corn, they range from 0.32% to 6.87% and for soybeans, they range from 0.21% to 4.30%. The demand for the two crops is quite inelastic, which means that prices decrease by more than production increases in response to this positive productivity shock and the implied rightward shift of the crop supply curve. Due to the low elasticities of supply and demand for U.S. corn and soybeans, we conclude from a welfare analysis that these changes made consumers better off and farmers worse off.

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.

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 enseignants0,147
Score d'incertitude au seuil0,755

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 savante0,0000,002
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 Opus0,032
Tête enseignante GPT0,186
Écart entre enseignants0,155 · 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