MétaCan
Menu
Retour à la cohorte
Enregistrement W4205375596 · doi:10.3386/w29666

Land Security and Mobility Frictions

2022· report· en· W4205375596 sur OpenAlexafffund
Tasso Adamopoulos, Loren Brandt, Chaoran Chen, Diego Restuccia, Xiaoyun Wei

Notice bibliographique

RevueNational Bureau of Economic Research · 2022
Typereport
Langueen
DomaineSocial Sciences
ThématiqueChina's Global Influence and Migration
Établissements canadiensUniversity of TorontoYork University
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaCanada Research ChairsWorld Bank Group
Mots-clésEnvironmental scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Developing countries are characterized by frictions that impede the mobility of workers across occupations and space. We disentangle the role of insecure property rights from other labor mobility frictions for the reallocation of labor from agriculture to non-agriculture and from rural to urban areas. We combine rich household and individual-level panel data from China and an equilibrium quantitative framework that features the sorting of workers across locations and occupations. We explicitly model the farming household and the endogenous decisions of who operates the family farm and who potentially migrates, capturing an additional channel of selection within the household. We find that land insecurity has substantial negative effects on agricultural productivity and structural change, raising the share of households operating farms by almost 30 percentage points and depressing agricultural productivity by more than 10 percent. Quantitatively, land insecurity is as important as all other labor mobility frictions. We measure a sharp reduction in overall labor mobility barriers over 2004-2018 in the Chinese economy, all of which can be accounted for by improved land security, consistent with reforms covering rural land in China during the period.

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)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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 Opus0,349
Tête enseignante GPT0,572
Écart entre enseignants0,222 · 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'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

Citations11
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetChina's Global Influence and MigrationTravaux en français237 207