MétaCan
Menu
Retour à la cohorte
Enregistrement W3125809002

Economy Wide Spillovers From Booms: Long Distance Commuting and the Spread of Wage Effects

2017· preprint· en· W3125809002 sur OpenAlexaboutno aff
David Green, René Morissette, Benjamin Sand

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2017
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBoomSpillover effectWageEconomicsResource (disambiguation)Labour economicsReal wagesEconomyMicroeconomicsEngineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Since 2000, US real average wages have either stagnated or declined while Canadian average wages increased by almost 10%. We investigate the role of the Canadian resource boom in explaining this difference. We construct a model of wage setting that allows for spillover effects of a resource boom on wages in non-resource intensive locations and formulate an empirical specification based on that model. A key feature of this (and other) resource booms was the prevalence of long distance commuting - working in a resource location but residing in another community. The core idea in our model is that the expansion of the value of the commuting option during the boom allowed non-commuters to bargain higher wages. We find that wages do rise in areas with more long distance commuting. Combining these spillover effects with bargaining spillover effects in resource boom locations, we can account for 49% of the increase in the real mean wage in Canada between 2000 and 2012. We find similar effects of long distance commuting on wages in the US but the resource boom was less salient in the US and the effect on wages was one-tenth of that in Canada. Our results have implications for other papers measuring the impacts of resource booms on wages in surrounding areas. Our main finding is that long-distance commuting can integrate regions in a way that spreads the benefits and costs of a boom across the economy.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,417
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0010,000
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
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 Opus0,028
Tête enseignante GPT0,268
Écart entre enseignants0,240 · 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.

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

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207