LEARNING & EARNING IN AFRICA: WHERE ARE THE RETURNS TO EDUCATION HIGH?
Notice bibliographique
Résumé
This paper investigates the role of learning- through formal schooling and time spent in the labor market- in explaining labor market outcomes of urban workers in Ghana and Tanzania. We investigate these issues using a new data set measuring incomes of both formal sector wage workers and the self-employed in the informal sector. In both countries we find significant, convex returns to education and large earnings differentials between sectors when we pool the data and do not control for selection. In Ghana there is a particularly steep age-earnings profile. We investigate how far a Harris-Todaro model of market segmentation or a Roy model of selection can explain the patterns observed in the data. We find highly significant differences across occupations and important effects from selection in both countries. The data is consistent with a pattern by which higher ability individuals queue for the high wage formal sector jobs such that the age earnings profile is convex for the self-employed in Ghana once we control for selection. The returns to education are far higher in the large firm sector than in others and in this sector they are linear not convex. In both countries there is clear evidence of convexity in the returns to education for the self-employed and here the average returns are low. The data used in this paper were collected by the Centre for the Study of African Economies, Oxford, in collaboration with the Ghana Statistical Office (GSO) and the Tanzania National Bureau of Statistics (NBS). The research, and the surveys on which it is based, has been funded
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».