Externalités de la santé et de l’éducation et bien-être : un modèle d’équilibre général calculable appliqué au Bénin
Bibliographic record
Abstract
Dans les pays en voie de développement, des programmes d’ajustement structurel (PAS) ont été adoptés pour permettre aux pays en question de corriger leurs déséquilibres interne et externe. Deux des caractéristiques des PAS sont la réduction importante de la taille de la fonction publique et la libéralisation de l’économie. Lorsque des modèles d’équilibre général calculable (MEGC) conventionnels sont utilisés pour mesurer l’impact sur le bien-être des ménages d’une libéralisation du commerce extérieur, entre autres, les résultats montrent généralement une augmentation du PIB et du bien-être des ménages. Toutefois, au Bénin comme dans plusieurs pays africains, une part importante des recettes de l’État provient des droits de douane à l’importation (41 %), tandis que la capacité de l’État à modifier sa structure de taxation pour maintenir des recettes constantes est très limitée. Pour compenser la perte de recettes causée par la diminution des droits d’importation, le gouvernement doit réduire ses dépenses et, étant donné l’importance des dépenses de l’éducation et de la santé (27 % des dépenses totales de l’État), ces dernières seront également diminuées. La question est donc de savoir si en présence d’externalités des dépenses de santé et d’éducation les impacts seront modifiés. Les résultats de notre modèle montrent qu’avec l’introduction des externalités faibles, les effets positifs attendus sur le bien-être de la libéralisation sont inversés pour les trois groupes de ménages.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.002 |
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".