Effect of Relative Redistribution on Environmental Pollution in Oil-Exporting Countries
Notice bibliographique
Résumé
Objective: Recent literature emphasizing the importance of income distribution for pollution. The GINI index is the most common indicator for measuring income inequality in previous studies. The new literature has focused on relative redistribution, which is quantified by the GINI coefficientis defined as the difference between the GINI based on market income and GINI based on disposable income. Thus, this study relies on the redistributive effect of taxes and transfers and its impact on carbon dioxide emissions.Methods: The study is conducted using aggregated data from oil-exporting countries including Canada, the United States, the UK, Mexico, the Netherlands, Russia, and China between 2010 and 2020 by using a simultaneous equations system consisting of two equations so that economic growth and pollution emission are as endogenous variables. Elative redistribution, good governance, oil income, trade openness, and CO2 emission are the exogenous variables. Results: Based on model estimates, income inequality, good governance, and oil income have a positive and significant impact on economic growth over the years studied, while inequalities in human development and population growth rates have a negative impact. Economic growth and trade openness also have a negative and significant impact on the spread of pollutionConclusion: Taxes and transfer payments, as redistribution tools can stimulate economic growth. Relative redistribution as a more equitable way can lead to increased economic growth and economic growth reduces carbon dioxide emissions. Therefore, providing an appropriate standard of income inequality can help to better understand and formulate effective policies for income equality.
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 | 0,000 | 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) | 0,002 | 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 ».