A CGE-ML Approach to Analysing India’s Free Trade Agreements
Notice bibliographique
Résumé
India has set an ambitious export target of US$0.5 trillion by 2025 and US$1 trillion by 2030 from US$291 billion in 2021 as part of its Atmanirbhar Bharat campaign. Since India opened up its economy in 1991, India has concluded several bilateral and regional free trade agreements. India signed a Comprehensive Economic Partnership Agreement (CEPA) with the United Arab Emirates in February 2022 and Economic Cooperation and Trade Agreement (ECTA) with Australia in April 2022. India is in the process of concluding trade agreements with the UK, the European Union, Canada, Israel and GCC countries. This article estimates the impact of all the above mentioned FTAs on India’s GDP and its components with an increased emphasis on its exports using a computable general equilibrium framework and machine learning techniques. The analysis estimates that the FTAs will boost India’s GDP by 4.10% to add US$109.096 billion in 2030 and the exports increase by 16.73% or US$46.08 billion. The exports from India to UAE, Australia, UK, European Union, Canada, Israel and GCC countries are estimated to increase by US$67.312 billion by 2030. This increase is relatively higher than the increase in aggregate exports of India suggesting a trade diversion from countries that are not part of the FTAs toward the seven countries with which India is anticipated to sign an FTA.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».