A Primer on Rules of Origin as Non-Tariff Barriers
Notice bibliographique
Résumé
An explosion of different preferential rules of origin (PROO) has accompanied the spread of preferential trade agreements (PTAs) around the world. Complying with PROO requirements entail costs for producers, exporters, and customs officials. Observers, firms, customs officials, and policymakers have advocated simplification as well as harmonization. The paper surveys the literature drawing on the extensive database in ITC’s Rules of Origin Facilitator (ROF) database covering 54,000 distinct PROO spread across 370 PTAs to illustrate the issues covered in the literature. We review what we know about the compliance costs associated with PROO requirements. We illustrate these costs graphically and summarize through mathematical decomposition of compliance costs along two dimensions: distortionary costs resulting from the restrictiveness of PROOs and administrative costs. We survey the existing evidence in literature by themes: (i) determinants of the utilisation of preferences; (ii) effects on third countries outside the PTA; (iii) choice of rule; (iv) preference margin and complexity of rules; (v) trade deflection; and (vi) firm-level evidence. In conclusion, drawing lessons from the empirical literature is a complicated exercise because preference uptake, an important indicator of compliance costs, is only available for a handful of PTAs at the disaggregated product level.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,010 | 0,015 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,005 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».