Regulatory patterns in international pork trade and similarity with the EU SPS/TBT standards
Notice bibliographique
Résumé
Aim of study: With the increasing protagonism of non-tariff measures (NTMs) in trade policy, better indexes are needed to depict the prevalence and similarity of NTMs across countries for further use in trade impact assessments.Area of study: Worldwide, with special focus on the European Union (EU)Material and methods: Using the TRAINS database on NTMs, we calculated and proposed some indicators, stressing both regulatory intensity and diversity, as well as similarity of regulatory patterns between trade partners. Our application focuses on pork trade and main importers, amongst which, the EU is singled out.Main results: We found a high level of heterogeneity in NTMs’ application, both, in the number and variety of measures. The bilateral similarity was relatively low, such as only 30% of sanitary and phytosanitary measures (SPS) and 20% of technical barriers to trade were shared, providing ground and incentive for discussing trade policy harmonization. Our analysis suggests that SPS regulations prevail in those sectors and countries more engaged in trade, while a negative correlation with tariffs raises protectionism concerns. Our bilateral indicators rank country pairs according to the similarity of their regulatory patterns. The EU, for instance, is closer in SPS regulations to China or USA than to Canada or New Zealand, which will require actions in the context of the bilateral trade agreements in course.Research highlights: The low similarity of regulatory patterns evidence the challenges faced by policy makers to streamline technical regulations. For an accurate representation of regulatory patterns and their impact on trade, both uni- and bilateral indicators need to be considered.
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 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 | 0,002 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».