MétaCan
Menu
Retour à la cohorte
Enregistrement W2980752308 · doi:10.1515/jbca-2012-0008

More appropriate discounting: the rate of social time preference and the value of the social discount rate

2013· article· en· W2980752308 sur OpenAlexaff
Mark A. Moore, Aidan R. Vining

Notice bibliographique

RevueJournal of Benefit-Cost Analysis · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésDiscountingTime preferenceSocial discount rateEconomicsShadow priceStochastic discount factorContrast (vision)Value (mathematics)Investment (military)PreferenceEconometricsShadow (psychology)MicroeconomicsPresent valueRange (aeronautics)Cost–benefit analysisStatisticsMathematicsFinanceComputer scienceCapital asset pricing model

Résumé

récupéré en direct d'OpenAlex

Recently, a number of authors, including Burgess and Zerbe, have recommended the use of a real social discount rate (SDR) in the range of 6–8% in benefit-cost analysis (BCA) of public projects. They derive this rate based on the social opportunity cost of capital (SOC) method. In contrast, this article argues that the correct method is to discount future impacts based on the rate of social time preference (STP). Flows in or out of private investment should be multiplied by the shadow price of capital (SPC). Using this method and employing recent United States data, we obtain an estimate of the rate of STP of 3.5% and an SPC of 2.2. We also re-estimate the SDR using the SOC method and conclude that, even if analysts continue to use this method, they should use a considerably lower rate of about 5%.

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 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 enseignants0,238
Score d'incertitude au seuil0,352

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
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 Opus0,035
Tête enseignante GPT0,214
Écart entre enseignants0,179 · 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

Citations108
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Benefit-Cost AnalysisMême sujetEconomic and Environmental ValuationTravaux en français237 207