Exploring the Causes and Consequences of Regional Income Inequality in Canada
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.
Notice bibliographique
Résumé
The recent surge in populist movements sweeping many countries has brought into focus the issue of regional inequality. In this article, we develop a panel data set for Canada that includes information on 284 regions observed at 5-year intervals (from 1981 to 2011) and estimate a series of spatial econometric models to study the causes and consequences of regional inequality. Our results draw attention to the fact that the rise in inequality at the national level has been accompanied by greater cross-regional inequality. Differences in the level of economic development, precariousness of labor market conditions, and socioeconomic factors are among the key drivers of these regional patterns of inequality. We also find that the industrial mix of a region plays an important role in shaping its distribution of income: regions with high concentrations of manufacturing activities typically have lower levels of inequality, whereas regions with high concentrations of tertiary services, arts, and entertainment, as well as knowledge-intensive business services tend to have higher levels of inequality. In terms of the consequences of inequality, the growth/equity trade-off across Canadian regions varies significantly over the short- vs. medium-term horizons. In the short run, our results suggest that inequality is positively related to regional economic growth. This response changes as we move to a medium-term horizon, which suggests that as inequality persists over longer periods of time, it has a negative and significant impact on regional growth trajectories. Panel vector autoregressive models are also used to further explore the direction of causality of the growth-inequality relationship.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle