MétaCan
Menu
Retour à la cohorte
Enregistrement W3093028472

Short-run and Long-run Gasoline Demand Elasticities: A Case Study of Australia

2020· article· en· W3093028472 sur OpenAlexaboutno aff
Gam Thi Nguyen, Thang T. Vo

Notice bibliographique

RevueInternational Energy Journal · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueEnergy, Environment, and Transportation Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomicsGasolineShort runStockpileInstrumental variablePrice elasticity of demandDistributed lagPanel dataEconometricsIncome elasticity of demandError correction modelQuarter (Canadian coin)Monetary economicsCointegrationMicroeconomicsEngineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This study focuses on examining gasoline demand elasticities in Australia. The short-run and long-run elasticities are estimated based on the panel data from seven capital cities in Australia between 2010 (quarter 3) and 2017 (quarter 4). The paper exploits single-equation panel data results, instrumental variable (IV) estimates, and distributed lag method to demonstrate the short-run and long-run effects of various factors on gasoline demand. We use the world crude oil price as an instrumental variable. The research results indicate short-run and long-run price elasticities of -0.11 and around -0.16 to -0.18, respectively. Although the conclusion is not able to be drawn about the long-run income elasticity of gasoline demand, the short-run finding of 1.35 shows that gasoline demand is income elastic. These findings indicate that the Australian government should increase the amount of gasoline stockpile and inform relevant tax policies on gasoline apart from emission taxes.

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)0,000
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,684
Score d'incertitude au seuil0,713

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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)0,0010,000

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 Opus0,034
Tête enseignante GPT0,287
Écart entre enseignants0,253 · 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'étudeSimulation ou modélisation
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

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Energy JournalMême sujetEnergy, Environment, and Transportation PoliciesTravaux en français237 207