Stratégies de réduction de la pauvreté au Sénégal : une analyse par la modélisation en équilibre général calculable microsimulé*
Bibliographic record
Abstract
La nouvelle orientation de la politique économique au Sénégal vise à accroître les revenus des pauvres et à attaquer la pauvreté là où elle est principalement localisée. La stratégie de réduction de la pauvreté va être mise en oeuvre dans un contexte de libéralisation des échanges commerciaux internationaux notamment dans le secteur agricole. Dans ce contexte, nous avons développé un modèle d’équilibre général calculable microsimulé multiménages intégrés permettant d’évaluer l’impact de politiques au niveau des ménages. Nous avons établi le lien entre ces réformes économiques, la pauvreté et la distribution de revenu. Ce modèle offre beaucoup de flexibilité et permet d’introduire des mécanismes de transmission entre les politiques et les indices d’inégalité et pauvreté. Les impacts négatifs obtenus sur la pauvreté suite à l’augmentation du prix des importations agricoles se révèlent importants. De plus, les résultats mitigés obtenus pour les pauvres en milieu rural devraient amener le gouvernement à s’interroger sur la stratégie d’aide à la productivité agricole, afin de prévenir de tels résultats. Nos résultats montrent ainsi que cette approche est un outil riche permettant d’évaluer l’impact de politiques économiques ou de chocs externes sur la pauvreté et la distribution de revenu.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".