Vaincre les inégalités de revenu dans les pays du Sud grâce au commerce : quelle place pour les échanges intra-zones ?
Bibliographic record
Abstract
Cette étude utilise le modèle de panel dynamique avec l’estimateur GMM pour analyser l’impact des échanges commerciaux intra-zones sur les inégalités de revenu dans les pays du Sud. Pour cela, nous avons intégré la variable de commerce intra-régional et des variables de contrôle. Le modèle est appliqué sur la période 2000-2015. Les données sont issues de la Banque Mondiale, de l’Institut mondial de recherche sur l’économie du développement de l'Université des Nations Unies et de la base de données sur les inégalités de revenu. Afin de prendre en compte l’hétérogénéité dans les pays du Sud, nous avons analysé quatre Communautés Economiques Régionales (ANDEAN, ASEAN, MENA, MERCOSUR) et un ensemble de pays d’Afrique sub-saharienne. Nous parvenons aux principaux résultats suivants : (i) le commerce intra-régional contribue à réduire les inégalités de revenu dans les pays étudiés (sauf ceux de l’ASEAN), (ii) l’ouverture commerciale est favorable pour l’ensemble des pays des régions étudiées. De ce fait, un renforcement des échanges intra-zones dans ces différentes communautés régionales est nécessaire afin de réduire les inégalités 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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".