Impacts macroéconomiques d’une guerre tarifaire Canada–États-Unis
Bibliographic record
Abstract
Nous utilisons un modèle à vecteurs autorégressifs (VAR) pour produire des prévisions macroéconomiques conditionnelles à deux scénarios de guerre tarifaire entre les États-Unis et le Canada. Le premier scénario examine l’impact de l’imposition de tarifs douaniers sur les exportations canadiennes vers les États-Unis, tandis que le second ajoute l’effet de contre-tarifs canadiens sur les importations en provenance des États-Unis. Nos résultats montrent que ces tensions commerciales auraient des conséquences significatives sur l’économie canadienne, avec des baisses notables du PIB et de l’emploi. L’analyse met en évidence une contraction plus marquée lorsque les importations sont également affectées, soulignant les effets amplificateurs des mesures de rétorsion. Dans le scénario de guerre tarifaire avec représailles, le modèle prévoit une baisse de PIB de 4,2% ce qui correspond à la destruction d’environ 700 000 emplois au Canada. Par ailleurs, le modèle interprète ces scénarios comme des chocs de demande négatifs pour l’économie canadienne, entraînant des pressions déflationnistes et un ajustement des taux d’intérêt par la Banque du Canada. Ces résultats illustrent la pertinence des scénarios de risque dans l’analyse des chocs économiques et leur utilité pour l’élaboration des politiques économiques.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".