MétaCan
Menu
Retour à la cohorte
Enregistrement W3124293047

Emissions Leakage, Environmental Policy and Trade Frictions

2017· preprint· en· W3124293047 sur OpenAlexaboutno aff
J. Scott Holladay, Mohammed Mohsin, Shreekar Pradhan

Notice bibliographique

RevueAgEcon Search (University of Minnesota, USA) · 2017
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLeakage (economics)Carbon leakageTertiary sector of the economyManufacturing sectorGeneral equilibrium theoryEconomicsPollutionSmall open economyInternational economicsProduction (economics)BusinessEnvironmental scienceEmissions tradingGreenhouse gasEconomyMicroeconomicsMonetary economicsMacroeconomicsEcologyExchange rate
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We develop a two-good general equilibrium model of a small open economy to decompose a country's unilateral strengthening of environmental policy's effects on pollution emissions in the rest of the world, known as emissions leakage. We show analytically and numerically that the level of emissions leakage depends on the level of trade friction in the service sector. In the model, production in the manufacturing sector is associated with pollution emissions, and production in the service sector is clean. In a special case with free trade in manufacturing and no trade in services, no leakage occurs. Allowing for trade in services, we solve for the relationship between trade frictions in the service sector and leakage. At lower levels of service sector's trade friction, leakage from a small strengthening of environmental regulation decreases (increases) if services are imported (exported). Finally, we simulate the model, calibrating the to the Canadian economy to compare these effects' relative sizes over a range of plausible parameter values. Leakage is about 18% lower when using trade friction levels estimated from the literature rather than assuming no trade friction in services.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,072
Score d'incertitude au seuil0,144

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,120
Tête enseignante GPT0,265
Écart entre enseignants0,145 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgEcon Search (University of Minnesota, USA)Même sujetClimate Change Policy and EconomicsTravaux en français237 207