MétaCan
Menu
Retour à la cohorte
Enregistrement W4410934610 · doi:10.1016/j.econlet.2025.112414

When neighbors tighten belts: Exploring austerity’s spillover effects

2025· article· en· W4410934610 sur OpenAlexaff
Khalil Bechchani

Notice bibliographique

RevueEconomics Letters · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMonetary Policy and Economic Impact
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésAusteritySpillover effectEconomicsMonetary economicsInternational economicsMacroeconomicsPolitical science

Résumé

récupéré en direct d'OpenAlex

This study investigates the impact of domestic austerity measures and their spillover effects when synchronized among trading partners, focusing on their influence on domestic GDP growth and public debt-to-GDP ratios. Using a novel narrative dataset covering 17 OECD countries from 1978 to 2020 and 14 Latin American and Caribbean countries from 1989 to 2020, the findings reveal that domestic austerity measures significantly depress GDP growth and escalate public debt ratios, while spillover effects from foreign fiscal consolidations can sometimes surpass the impacts of domestic adjustments. Fiscal spillovers affect economic growth in OECD countries and public debt dynamics in the LAC region. Notably, they are particularly pronounced in more trade-open OECD members and during economic downturns in both LAC and OECD countries. Interestingly, OECD countries with lower trade openness and economies going through expansionary phases of the business cycle exhibit positive responses to austerity measures from trade partners. These findings underscore the complex interdependencies in global fiscal policy and highlights the necessity for coordinated approaches to mitigate adverse effects and leverage positive responses during varying economic conditions.

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)0,007
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 enseignants0,028
Score d'incertitude au seuil0,066

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,004
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0200,001

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,204
Écart entre enseignants0,146 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueEconomics LettersMême sujetMonetary Policy and Economic ImpactTravaux en français237 207