A Study on How an Aging Population Affects the Effectiveness of Fiscal Policy Using an ARDL Model
Notice bibliographique
Résumé
Purpose - This paper examines the impact of an aging population on fiscal policy efficiency. Two significant issues arise from Korea’s aging population: old age poverty and the sustainability of government debts. As Korea’s demographic trajectory is similar to that of Japan, it is vital to study fiscal soundness and efficiency from various points of view. Design/Methodology/Approach - The Autoregressive Distributed Lags (ARDL) - EC model was adopted. ARDL shows statistically robust results when the data are a mixture of stationary at the level or the first difference. The data was downloaded from 1994 to 2019 of five OECD countries; Canada, Japan, Spain, Sweden, and Korea. The country selection followed the regime classification of OECD (2012) based on the labor market structure and redistribution effect after tax. Findings - First, the dependency ratio negatively affects the efficiency of fiscal policy. The marginal propensity was suppressed due to the consumption variance in old age cohorts as the dependency ratio increases. Economic agents react to save for future uncertainty when government spending is funded by issuing debt. Second, the long-term elasticities differed among countries, with Korea having the highest at 0.56, followed by Canada at 0.55, Spain at 0.39, and Japan at 0.36. Research Implications - Efficiency of fiscal policy is dependent upon the reactions of economic agents. The priority of the government should focus on managing the future expectations of economic agents by implementing structural reforms in the labor market and pension system.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».