MétaCan
Menu
Retour à la cohorte
Enregistrement W4391952458 · doi:10.1002/agr.21925

Agri‐food trade liberalization, export prices, and quality upgrading: Evidence from the meat and chocolate sectors in OECD countries

2024· article· en· W4391952458 sur OpenAlexaff
Aristide Bonsdaouêndé Valea, Lota D. Tamini, Damien Rousselière

Notice bibliographique

RevueAgribusiness · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal trade and economics
Établissements canadiensCenter for Interuniversity Research and Analysis on OrganizationsUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésLiberalizationEconomicsAgricultural economicsQuality (philosophy)International tradeInternational economicsBusinessMarket economy

Résumé

récupéré en direct d'OpenAlex

Abstract This article examines the impact of trade liberalization on export prices and quality. The article is innovative in two respects. First, unlike previous studies, it considers both input and output tariffs simultaneously in a theoretical model. Second, it empirically tests the effects of a combination of specific and ad‐valorem tariffs on quality improvement. The theoretical analysis suggests that when firms face reduced output and input tariffs, they tend to improve their export quality and increase export prices. Using export data from 33 OECD countries, the empirical analysis demonstrates that output tariff reduction increases export quality but decreases prices. However, the effects of input tariff reduction on price and quality depend on product differentiation. The results also indicate that the presence of specific tariffs increase product quality while amplifying the positive effects of the reduction of ad‐valorem tariffs on quality. This implies that to improve export quality, reducing ad‐valorem tariffs is more efficient than a specific tariff. [EconLit Citations: F12, F14, Q17].

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,037
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,095
Tête enseignante GPT0,243
Écart entre enseignants0,148 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgribusinessMême sujetGlobal trade and economicsTravaux en français237 207