Assessing Long-Run Determinants of Cross-Border Freight Flows Between the United States and Canada
Notice bibliographique
Résumé
The cross-border freight flows between the United States (US) and Canada have rapidly increased since the NAFTA was implemented. Over the period of 2004:Q1-2013:Q1, US freight exports to Canada have increased by 60.6% and US freight imports from Canada have risen by 36.0%. Given the growing US-Canada cross-border freight trade, this paper explores the long-run impacts of GDP, the bilateral exchange rate, PPI on US freight exports and imports by transportation mode. For this purpose, the paper employs fully modified ordinary least squares (FM-OLS) approach. The FM-OLS model provides an unbiased estimate of the long-run relationship between variables when the variables are nonstationary and integrated of order one I(1). The empirical results show that US GDP plays a key role in determining US imports by truck, rail, pipeline, and air, while Canadian GDP is the primary determinant of US exports by truck, rail, and pipeline. This suggests that in the long-run, the cross-border flows are highly responsive to the economic growth in the importing country for most transportation modes. The real exchange rate tends to be positively associated with US imports, but negatively related to US exports. This indicates that the US dollar depreciation against the Canadian dollar increases demand for US commodities in Canada, but weakens demand for Canadian commodities in the US. Finally, PPI of the exporting country appears to have a negative impact on the cross-border freight flows between the US and Canada.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».