Vaincre les inégalités de revenu dans les pays du Sud grâce au commerce : quelle place pour les échanges intra-zones ?
Notice bibliographique
Résumé
Cette étude utilise le modèle de panel dynamique avec l’estimateur GMM pour analyser l’impact des échanges commerciaux intra-zones sur les inégalités de revenu dans les pays du Sud. Pour cela, nous avons intégré la variable de commerce intra-régional et des variables de contrôle. Le modèle est appliqué sur la période 2000-2015. Les données sont issues de la Banque Mondiale, de l’Institut mondial de recherche sur l’économie du développement de l'Université des Nations Unies et de la base de données sur les inégalités de revenu. Afin de prendre en compte l’hétérogénéité dans les pays du Sud, nous avons analysé quatre Communautés Economiques Régionales (ANDEAN, ASEAN, MENA, MERCOSUR) et un ensemble de pays d’Afrique sub-saharienne. Nous parvenons aux principaux résultats suivants : (i) le commerce intra-régional contribue à réduire les inégalités de revenu dans les pays étudiés (sauf ceux de l’ASEAN), (ii) l’ouverture commerciale est favorable pour l’ensemble des pays des régions étudiées. De ce fait, un renforcement des échanges intra-zones dans ces différentes communautés régionales est nécessaire afin de réduire les inégalités de revenu.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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.
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 ».