MétaCan
Menu
Retour à la cohorte
Enregistrement W3164005294

The Effects of Land Markets on Resource Allocation and Agricultural Productivity

2017· article· en· W3164005294 sur OpenAlexafffund
Chaoran Chen, Diego Restuccia, Raül Santaeulàlia-Llopis

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueLand Rights and Reforms
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaMinisterio de Economía y CompetitividadNational University of SingaporeYork University
Mots-clésRentingProductivityCertificationCounterfactual thinkingAgricultural economicsNatural resource economicsPanel dataAgricultureAgricultural landBusinessAgricultural productivityEconomicsPublic economicsEconomic growthEconometricsGeography
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We assess the effects of land markets on misallocation and productivity both empirically and quantitatively. Exploiting variation from a land certification reform across time and space in Ethiopia, we find that certification facilitates rentals and improves agricultural productivity. We calibrate a quantitative macroeconomic model with heterogeneous household farms facing institutional costs to land markets using the micro panel data. The effect of a counterfactual reallocation from no rentals to efficient rentals increases zone-level agricultural productivity by 43 percent on average. While our estimated institutional costs are strongly associated with land certification across zones, there are nontrivial residual frictions to rental market activity, implying that land certification only partially captures the overall effects of rentals. A full certification reform accounts for just one-fourth of the overall productivity gains from land rentals. This result highlights the importance of comprehensive reforms alleviating frictions to land transactions beyond the granting of certificates.

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)0,001
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,965
Score d'incertitude au seuil0,551

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,013
Tête enseignante GPT0,243
Écart entre enseignants0,230 · 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'étudeObservationnel
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'admission2
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetLand Rights and ReformsTravaux en français237 207