Replication Data for: Fulling Discontent: The Politics of Carbon Taxation in Canada
Notice bibliographique
Résumé
Research hypotheses: Trade-sensitive and carbon intensive sectors and workers are more likely to reject carbon taxation than those who are sheltered and cleaner. Individual level dataset: Data from the 2019 and 2021 Canadian Election Study (CES). Assess the relationship between respondents' employment profile and their views on carbon taxation and environmental policy more broadly. Respondents are geocoded at the provincial level and are asked to specify in writing their occupation. Manually coded respondents' 2-digit NAICS occupation classification and matched them with the trade and emission-intensity data. Employ modified specification to account for job-specific trade-sensitivity (1) and carbon-intensity (2). Data on sector-specific GHG emissions and exposure to trade are provided by Statistics Canada. Ecological data: To account for job and constituency-specific carbon emissions, I leverage Canada's GHG inventory compiled by Statistics Canada. The inventory breaks down yearly emissions by NAICS industrial sectors at the provincial level. Using Statistics Canada's employment data, I first divide our emission data by industrial and provincial employment profiles in order to account for each jobs's carbon intensity at the provincial level. I then match these data with constituency-specific employment profiles to account for overall emissions at the riding-level. Insofar as employment data at the constituency-level are drawn from the national quinquennial census of 2011, 2016 and 2021, I perform linear extrapolations in order to balance the dataset, thus covering the full 2015-2021 period. Another factor behind "carbon layoffs'' is exposure to trade. I first leverage Statistics Canada's trade flows data. Trade flows are provided both at the industry-level on a province by province basis, whereas employment profile is broken down at the constituency-level. Following Yamazaki (2017), I build a constituency-specific trade-sensitivity index. Data on constituency-level sociodemographic characteristics --unemployment, minority share, BA share, car commuters' share, household income and population density-- all come from the Canadian Census. Linear extrapolations are performed in order to balance the dataset. I leverage Election Canada's constituency-level data to account for the vote share captured by anti-carbon tax parties (the Conservative Party and the People's) between 2015 and 2021. Regional gas prices stem from both Kalibrate and Statistics Canada. The yearly share of non-carbon energy sources (hydro, renewable, nuclear) in the provincial electricity mix is provided by Statistics Canada. Finally, constituency-level belief in the existence of anthropogenic climate change comes from the 2016 and 2018 Canadian Climate Opinion Maps, from the Yale program on Climate Change and Communication.
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 | 0,005 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,014 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,006 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,157 | 0,039 |
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 ».