Clearing the Air: How Fine Particulate Matter Regulations Reshape Farmland Values in U.S. Corn and Soybean Regions
Notice bibliographique
Résumé
ABSTRACT We investigate the impact of air quality regulations targeting fine particulate matter (PM 2.5 ) on farmland values in corn and soybean producing counties in the United States over the period 1997–2022. Using self‐reported farmland value data from the Agricultural Census and county‐level pollution classifications provided by the Environmental Protection Agency, we employ a difference‐in‐differences event‐study design—incorporating inverse probability weighting and doubly robust estimators—to estimate the causal effect of regulatory interventions. Our primary analysis contrasts ‘non‐attainment’ counties, which failed to meet the National Ambient Air Quality Standards for PM 2.5 , with those that consistently maintained compliance. We further assess heterogeneous treatment effects by extending our analysis with a triple‐difference specification comparing counties with high versus low fertiliser use. Additionally, we employ the recentered influence function to conduct an unconditional quantile analysis across the entire distribution of farmland values. Our estimates indicate an 8.80%–8.94% decline in farmland values in ‘non‐attainment’ counties in response to the enforcement of PM 2.5 standards, suggesting that the economic costs of the prescribed standards were capitalised into farmland values, particularly in regions with higher fertiliser use. However, this impact was not uniform, with more pronounced effects observed among counties at the lower end of the farmland value distribution.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».