MétaCan
Menu
Retour à la cohorte
Enregistrement W4310051119 · doi:10.1515/jafio-2022-0018

Explaining Post-Pandemic Lumber Price Volatility and its Welfare Effects

2022· article· en· W4310051119 sur OpenAlexaffabout
G. Cornelis van Kooten, Rebecca Zanello, Andrew Schmitz

Notice bibliographique

RevueJournal of Agricultural & Food Industrial Organization · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésEconomicsVolatility (finance)BoomDemand shockQuarter (Canadian coin)WelfareMonetary economicsSupply and demandAgricultural economicsMacroeconomicsFinancial economicsMarket economyEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract The COVID-19 pandemic led to an unprecedented increase in the U.S. price of softwood lumber by more than 300%. The price increase has been attributed to constraints on supply and increased demand for lumber caused by a pandemic-induced boom in domestic housing construction and, more so, home improvements. However, the volatility in lumber prices after the COVID-19 outbreak remains unexplained. In this paper, we employ a theoretical model to explain the cause of price volatility. We examine why demand and supply functions for lumber might be quite inelastic over the period from March 2020 to April 2022, despite very small shifts in demand. This implies that slight movements in interest rates or changes in the prices of substitutes, for example, can lead to large jumps in prices. Price volatility harms consumers while greatly benefitting lumber producers. Overall, as a result of the pandemic, U.S. producers gained some $5.3 billion, while U.S. consumers lost $7.3 billion per quarter.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,035
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,012
Tête enseignante GPT0,202
Écart entre enseignants0,190 · 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'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

Citations6
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural & Food Industrial OrganizationMême sujetForest Management and PolicyTravaux en français237 207