Policy Research Working Paper 8016

The Distributive Impact of Terms of Trade ShocksMaurizio BussoloPatrizia Luongo

Europe and Central Asia RegionOffice of the Chief EconomistMarch 2017

WPS8016P

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

ed

Produced by the Research Support Team

Abstract

The Policy Research Working Paper Series disseminates the findings of work in progress to encourage the exchange of ideas about development issues. An objective of the series is to get the findings out quickly, even if the presentations are less than fully polished. The papers carry the names of the authors and should be cited accordingly. The findings, interpretations, and conclusions expressed in this paper are entirely those of the authors. They do not necessarily represent the views of the International Bank for Reconstruction and Development/World Bank and its affiliated organizations, or those of the Executive Directors of the World Bank or the governments they represent.

Policy Research Working Paper 8016

This paper is a product of the Office of the Chief Economist, Europe and Central Asia Region. It is part of a larger effort by the World Bank to provide open access to its research and make a contribution to development policy discussions around the world. Policy Research Working Papers are also posted on the Web at http://econ.worldbank.org. The authors may be contacted at mbussolo@worldbank.org.

The halving of oil prices, which happened in a short period between late 2014 and the first months of 2015, has generated major terms of trade losses for oil export-ing countries. Even if the oil producing sector normally employs a small group of workers and oil export revenues tend to be concentrated in a few firms and in government accounts, these relative price changes have economy-wide effects and significant distributive impacts. This paper describes and quantifies the channels of transmission from the drop in oil prices, to changes in welfare distribution at the household level. Using a macro-micro simulation model, the paper assesses how this shock affects poverty, inequality, and shared prosperity for the case of the Rus-sian Federation. The oil price reduction generates a reverse

Dutch disease that impacts sectoral employment, factor returns, and consumption prices. It causes a contraction of employment and wages in more skill-intensive (non-trad-able) sectors, and a reduction in consumption prices that is more pronounced for nonfood than for food goods. When these shifts are mapped to changes in incomes at the micro level, all households are affected. Poverty rates could increase by 1 to 4 percentage points, depending on the poverty line used. At the US$10 a day threshold, for exam-ple, 4.1 million additional people fall into poverty. Along the consumption distribution, richer people are affected more than those in the bottom 40 percent. However, this minor progressive impact may be reversed due to increases in unemployment and cuts in social programs (transfers).

The Distributive Impact of Terms of Trade Shocks 

Maurizio Bussolo 

Patrizia Luongo1 

Keywords: Terms of Trade, Poverty, Inequality, Shared Prosperity, Macro‐Micro Simulation. JEL code: C68; I32; D63 

1 Maurizio Bussolo is with the World Bank: mbussolo@worldbank.org; Patrizia Luongo is with the UNDP: patrizia.luongo@undp.org.  

2  

Introduction 

The Russian Federation is a major producer and exporter of natural gas and crude oil. A number of authors 

(see Oomes and Kalcheva, 2007 and World Bank, 2005 among others) argued that – following the more 

than 300 percent increase in the oil price (from about 25 USD to 110 USD per barrel) between 2002 and 

2008 –  the economy had been  showing  symptoms of  the Dutch disease.  Increased  revenues  from oil 

exports  pushed  up  the  real  exchange  rate  and  hurt  the  competitiveness  of  the  tradable  sectors; 

manufacturing and other exportables shrunk, while services and non‐tradables expanded.2  

More recently the Russian economy has been facing the opposite situation; between July and December 

2014 the oil price halved from around 110 USD to less than 60 USD per barrel (World Bank, 2015). The 

consensus is that the oil price will stabilize at the current lower levels (the average price in 2015 was 50 

USD per barrel, and 42 USD  in 2016) reflecting structural changes  in the global oil markets rather than 

cyclical and short term adjustments.  

The main objective of this paper is to assess the distributional impact of this terms of trade shock. Recent 

macroeconomic data suggest that a reverse Dutch Disease may be at work. In 2015, the exchange rate 

depreciated by more  than 30% and  terms of  trade  losses were  large, equivalent  to about 7% of GDP. 

Assuming that these income losses will be putting pressure on prices of non‐traded goods and services 

and will require related adjustments in the labor markets, this paper tries to identify who are the winners 

and losers, and to estimate the changes in income distribution and poverty. 

Two difficulties arise in the estimation of the distributive impact. The first is that a household survey for 

the period after the shock is not yet available. However, and this is even more important, even if survey 

data were available, they may not provide an adequate counterfactual given that, simultaneously to the 

oil  price  drop,  the  Russian  economy  has  been  influenced  by  other  shocks,  for  example,  economic 

sanctions.  For  these  reasons,  the  analysis  is performed using  a macro‐micro  simulation model which 

allows to generate a counterfactual scenario in which the oil price change is the only shock affecting the 

economy.  

                                                            2 The economic effects of a natural resource boom were modeled by Corden and Neary (1984) who distinguished between a resource movement effect – related to the reallocation of  labor and capital from the tradable sectors to the booming natural resource sector – and a spending effect – which brings a real exchange rate appreciation and further de‐industrialization. The real exchange rate appreciation is caused by the fact that higher incomes from natural resources raise demand for both tradable and non‐tradable goods, but while domestic prices of tradables are linked to international prices and thus remain constant, domestic prices of non‐tradables go up.  

3  

Overall, the results show that the oil price drop reduces the welfare of the bottom 40 percent by 6.5%. It 

also generates greater levels of poverty, whose magnitude depends on the poverty line considered, and 

a  small  reduction of  inequality,  explained by  the  relatively higher welfare  loss  for  the  top 60.  These 

distributive impacts result from the transmission of the shock through two main channels. Through the 

labor market,  the  terms of  trade shock causes a contraction of employment and wages  in more skill‐

intensive (non‐tradable) sectors thus reducing welfare proportionally more for  individuals  in the upper 

part of  the distribution. And  through  the goods market,  the  reduction of  consumption prices – more 

pronounced for non‐food than for food goods – benefits more the richer households whose share of non‐

food items in total consumption is larger.  

This distributional effect can be reversed  if unemployment and reduction of government transfers are 

considered. Notwithstanding the real depreciation following the oil price drop, labor and other resources 

may not move frictionless to the tradable sectors, and thus unemployment may increase. Initial evidence 

shows that poorer workers may be more at risk of losing their jobs vis‐à‐vis higher paid ones. Similarly, 

the lower parts of the income distribution rely more heavily on government transfers that may be reduced 

because of budgetary pressures linked to lower oil royalties. For these reasons, the slightly progressive 

impact of the terms of trade shock may be reversed and become regressive.  

These model‐based results are convincing because they represent, in reverse, what happened to sectoral 

employment and relative prices in the period when the oil price was growing (2003‐2008).  

The  rest  of  the  paper  is  organized  as  follows:  after  a  brief  literature  review,  the  following  section 

introduces the model and data used in the paper; main results are illustrated in the next section, while 

conclusions and policy implications are presented in the last section. 

Literature Review 

Terms of trade and, more  in general, the abundance of natural resources, are subjects of a very  large 

literature. This section briefly summarizes a few strands of this literature that are particularly relevant to 

this paper, namely: (i) the importance of natural resources to the overall development (growth) process 

in natural  resources abundant  countries;  (ii)  the Dutch disease  issue and  the  impact of  relative price 

changes on income distribution; and (iii) the modeling techniques employed to link terms of trade shocks 

and distributional change.  

The  impact  of  natural  resource  abundance  on  countries’  economic  performances  has  been  widely 

analyzed  in  the  literature  that  has  identified  three  channels  through which  it might  affect  economic 

4  

growth.  The  first  one  looks  at  the  link  between  natural  resource  abundance  and  the  quality  and 

effectiveness of political  institutions. The underlying  idea  is that abundance of a commodity generates 

rents that might favor rent‐seeking behaviors, corruption, conflicts and /or political instability which have 

adverse effects on  long‐term growth  (Duncan, 2006; Guriev et al., 2008;  Isham et al., 2003; Lane and 

Turnell, 1996, 1999; Manzano and Monaldi, 2008). The second channel focuses on the fact that natural 

resource abundance might expose countries  to price volatility  (Sala‐i‐Martin and Subramanian, 2003). 

Commodity price volatility could  lead to  instability of public spending and of export  income as well as 

under‐saving of natural resource revenues (Sinnott et al., 2010). These in turn can lower economic growth 

by  increasing  the  instability  of  aggregate  output  and  demand  in  the  short  run.  Finally,  commodity 

dependence might affect a country’s economic performance as it increases countries’ risk of the so‐called 

Dutch Disease, i.e. an appreciation of the exchange rate in response to positive shocks, which brings to a 

contraction of  the  tradable  sectors with potential negative  effect on  growth. The de‐industrialization 

caused by the Dutch Disease, in fact, might hamper a country’s growth perspective because it hurts mainly 

the manufacturing sector, which tends to be more competitive and innovative than the non‐tradable ones 

(Oomes and Kalcheva, 2000) or because it reduces the ability of the economy to absorb shocks via labor 

mobility (Hausmann and Rigobon, 2003).  

Besides  influencing  economic  growth  perspectives,  income  distribution  is  also  affected,  via  similar 

channels3 by natural  resource abundance  (UNCTAD Annual Report on Trade and Development, 2012). 

Warr (2008), for example, uses a general equilibrium model and finds that the  increase of staple food 

prices between 2003 and 2008 increased the incidence of poverty in Thailand, an exporter of agricultural 

goods. He shows that this happened because the main gainers of higher food prices were the landowners 

and not the poor; the expansion of the agricultural sector, in fact, increased the wage of unskilled workers 

but this was outbalanced by the negative effect higher staple food prices had on the poor. Essama‐Nssah 

et al. (2008) use a macro‐micro simulation approach to analyze the effect of the rising oil price on an oil 

importer country, South Africa, between 2003 and 2006. At the macro level, higher oil prices reduced the 

real GDP, caused a depreciation of the exchange rate and affected the labor market differently according 

to the sector considered, with fuel intensive sectors experiencing a bigger reduction in employment. The 

                                                            3 Changes in relative prices, related to the resource effect and the spending effect (Corden and Neary, 1984) of the Dutch disease are the main channels through which distribution is affected and the focus of much of this paper. For an oil exporter country the two effects can be described as follows. Higher oil prices will lead to higher returns to labor and capital in the oil sector and this will  cause a movement of  the productive  factors  from  the  less  remunerative manufacturing  industries  to  the expanding oil activities. The higher wages and/or profits generated in the latter lead to a higher aggregate demand that will cause an increase in the prices of non‐tradables while the price of tradables, being determined above, remains unchanged. The combination of the two effects causes a de‐industrialization and an appreciation of the exchange rate. 

5  

distributive analysis, at micro‐level, shows that the oil price shock worsens both poverty and inequality. 

Moreover, they find that, even if the effect was not particularly strong on average, the impact of the shock 

varied  along  the  distribution  of  income: wages  and  employment  declined more  across  the  poorest 

segment of the formal labor market and low skilled individuals were hit hard by the shock while the high‐

skilled, on average, benefitted from it. 

When analyzing the impact of oil price changes there is an additional component to consider, as it causes 

a variation in energy prices and, through these, on the price of food and other commodities. There are 

several channels through which energy prices influence the price of other goods as energy is used directly 

or indirectly as an input factor in the production of several commodities. Recent empirical evidence shows 

that the prices of many commodities respond strongly to energy price variation and that the elasticity of 

non‐energy commodity prices with  respect  to energy price has  strengthened over  time  (Baffes, 2007; 

Baffes and Haniotis, 2010; Borensztein and Reinhart, 1994; Gilbert, 1989).  

The effect of an oil price change on food price in an important channel through which oil price variation 

influences  the  distribution  of welfare  and  the  level  of  poverty  and  inequality.  Food  is  an  important 

component of the consumption basket, especially for low‐income families, so a change in food price will 

affect  the household’s welfare. Moreover, by  influencing  returns  to agricultural activities,  food prices 

influence the welfare of households active in this sector as landowners or wage earners. This implies that 

an  increase  in food prices, for example, might have a positive or a negative effect on poor households 

depending  if  they  are  net  producers  or  net  consumers  (Deaton,  1999).  However,  as  shown  in  the 

literature, in most cases the majority of poor households are net food buyers (Ravallion, 1990) even where 

agriculture is the main economic activity (Christiaensen and Demery, 2007), so that an increase in food 

prices worsens the welfare of the poor. The anti‐poor effect of rising food prices has been found at the 

country level (Hoelman and Olarreaga, 2007; Wodon and Zaman, 2008) as well as when poor countries 

are considered as a group  (Ataman Aksoy and Hoekman, 2010). Oil and  food price effects are  jointly 

examined by De Souza Ferreira Filho (2008) and Estrades and Terra (2012). The first analyzed the effect 

of the increase in food and oil prices that occurred between 2004 and 2008 on poverty and inequality in 

Brazil, a food exporter and oil importer country. His results show that the negative impact on poverty of 

higher oil prices outweighs the positive impact of the expansion of the agricultural sector. Estrades and 

Terra  (2012)  consider  both  the  economy‐wide  and  the  distributive  effect  of  terms  of  trade  change 

between 2006 and 2008 in Uruguay, an exporter of agricultural goods and a fuel importer. Their results 

show that the Uruguayan economy has been positively affected by the increase in food prices but this has 

6  

been partly offset by the simultaneous increase in the oil price. As a result, poverty increased especially 

for extremely poor people. The  reason,  the author  suggested,  is  that  the  increase of  the price of  the 

households’ consumption basket overcomes the income rise experienced by the poorest households.  

By simulating the impact of the oil price reduction at both the macro and micro levels, this paper will allow 

us to map precisely the impact of a terms of trade shock – in this case the drop of the oil price in an oil 

exporter country – on income distribution and thus on poverty, inequality and shared prosperity. 

Methodology 

Evaluating the distributive impact of the oil price shock requires the use of a simulation model for at least 

two reasons. First, being a recent phenomenon, there are still no micro data to compare the distributions 

of welfare  across  households  before  and  after  the  reduction  in  oil  price.  Second,  even  if  data were 

available, they might include other shocks4; hence, to identify the distributive effect of the terms of trade 

loss, net of (possible) additional shocks, a counterfactual welfare distribution needs to be generated.5 

To obtain the counterfactual distribution the effect of the shock needs to be analyzed under two different 

perspectives: the macro‐economic perspective, which provides the impact of the terms of trade variation 

at the aggregate level; and the micro‐economic perspective, which is required to take into account the 

heterogeneous effect across households. The macro‐micro simulation model used here  follows a  top‐

down (from macro to micro‐level) approach, where the macro and micro part of the model are handled 

separately and then linked through changes in prices and quantity computed with the CGE (Lokshin and 

Ravallion, 2008; Chen and Ravallion, 2004). The CGE (macro) and the microsimulation modules are briefly 

described below. 

The macro CGE model 

The CGE model used in this exercise is fairly standard and only a summary of its main features is described 

here,  as  its  full detailed documentation  can be  found  in  van der Mensbrugghe  (2014).  Production  is 

modeled using nested CES (Constant Elasticity of Substitution) functions that combine at various levels, 

with  different  substitution  elasticities,  intermediates  and  primary  factors.  Households’  consumption 

demand is derived from maximization of household utility producing a constant‐differences‐in‐elasticity 

                                                            4 The labor market performances and the income distributions of Russian households, for example, are likely to be affected also by the economic sanctions. 5 This section relies mostly on previous works from Bourguignon and Bussolo (2013) and Bussolo, De Hoyos and Medvedev (2013) and Bussolo et al. (2013).  

7  

(CDE) demand function.6 International trade  is modeled assuming  imperfect substitution among goods 

originating  in different geographical areas. Imports demand results from a CES aggregation function of 

domestic  and  imported  goods.  Export  supply  is  symmetrically  modeled  as  a  Constant  Elasticity  of 

Transformation (CET) function. Producers decide to allocate their output to domestic or foreign markets 

responding to relative prices. The assumptions of imperfect substitution and imperfect transformability 

grant a certain degree of autonomy of domestic prices with respect to  foreign prices and prevent the 

model from generating corner solutions.  

The  labor  market  specification  is  an  important  driver  of  the  distributional  results,  therefore  its 

specification calls for some clarification and justification. Two types of labor are distinguished, skilled and 

unskilled. These categories are considered  imperfectly  substitutable  inputs  in  the production process. 

Moreover, some degree of factor market segmentation is assumed: skilled workers are perfectly mobile 

across sectors, whereas the labor market for the unskilled is divided into agriculture and non‐agriculture 

segments.  

The  labor market segmentation by skill  level has become a standard assumption  in CGE modeling. The 

imperfect substitution in the production process for workers with different skills is likely to persist for the 

medium‐term  time horizon, as unskilled workers cannot be  ‘transformed’  into skilled ones, even with 

increased on‐the‐job training.  

The  assumption  that  the market  for  unskilled  labor  is  further  segmented  into  agricultural  and  non‐

agricultural  activities  is  more  controversial.  However,  econometric  analysis  indicates  that  a  gap  in 

remunerations  between  these  two  segments  remains  even  after  controlling  for  education,  gender, 

experience  and  other  variables  including  cost  of  living  differentials  (between  rural  areas,  where 

agricultural  activities  are  predominantly  located,  and  urban  ones).  Some  barrier  to mobility  –  land 

ownership providing economic security to farmers, specificity to human capital acquired in agriculture, or 

others  – must  exist  and  hinder  equalization  of wages  across  the  two  segments.  In  the model,  this 

segmentation is implemented with some flexibility. Using a Harris‐Todaro specification, a certain number 

of  unskilled  workers migrate  from  one  segment  to  the  other  in  response  to  changes  of  the  wage 

differentials across the segments.  

This rich set‐up allows to capture changes in wages for workers of different education level and employed 

in different  segments. And  since  skilled‐unskilled and  rural‐urban  (or, more precisely, agriculture‐non 

                                                            6 This is the standard demand function in GTAP model, see www.gtap.agecon.purdue.edu/models/current.asp.   

8  

agriculture) wage gaps represent important drivers of inequality, this set‐up allows to explain changes in 

distributions.  

For the goods markets, equilibrium for domestically produced goods sold domestically is assumed through 

market clearing prices. And the small country assumption  is assumed for export and  import prices and 

thus they are exogenous, i.e. export levels do not influence international prices and import demand does 

not influence (CIF) import prices. For the factor markets, wages equate demand and supply of the various 

segments (agriculture and non‐agriculture) of labor markets with the assumption of full employment, i.e. 

a vertical  labor supply. Capital supply  is assumed  to be  fixed and mobile across sectors and a market 

clearing  rental  rate  is  calculated  by  the model.  Finally,  a  sector‐specific  factor,  representing  natural 

resources, is employed exclusively in production in the oil and gas sector; in the current version its supply 

is sensitive to the international price of oil, therefore its reduction triggers a reduction of the supply of 

the natural resource and some contraction of the output of the oil sector.   

The version of the CGE model used here has a 2011 base year and relies on the Social Accounting Matrix 

for the Russian Federation and on bilateral trade flows from the Global Trade Analysis Project (GTAP) 9 

database to calibrate initial parameters.  

The scenario of the oil shock is implemented by reducing the exogenous international price of oil by 50 

percent and a new equilibrium is calculated.7 The results of the model, in terms of changes between the 

initial equilibrium and the oil shock one of: (i) prices (for food and non‐food items), (ii) wages (for the four 

labor market segments), (iii) unskilled labor migration from agriculture to non‐agricultural activities, and 

(iv) per capita consumption are passed to the household survey data and, in the microsimulation, a new 

hypothetical global income distribution is generated for the oil shock equilibrium. 

The microsimulation model 

The ultimate focus of analysis is household welfare, and household real per capita income is here assumed 

as its indicator: 

  , ≅   (1) 

                                                            7 The model  is solved  in a comparative statics approach. This means that the model assumes no changes  in the demographic structure of the population nor in its skill endowment. Likewise, the supply of capital and land is assumed fixed. The only variable factor of production is natural resources that, as mentioned in the main text, responds to changes in the international price of oil. The economy is also assumed to operate in full employment.  

9  

Household  per  capita  income  (Yh)  can,  in  turn,  be modeled  as  a  sum  of  household members’  labor 

endowments ( , ) rewarded by the market wages ( ), and an exogenous income ( 0) as follows: 

  ∑ ,   (2) 

And the household‐specific price index is for simplicity assumed to depend on the economy‐wide prices 

of food ( ) and non‐food  ( )  items, weighted by the household consumption shares ( , ) of these 

consumption items: 

  , 1 ,   (3) 

For each household, welfare effects can be approximated by the following expression:

  ,

,   (4) 

Equation (4) determines changes in welfare as changes in household income and the household‐specific 

price index. In the simulations, the budget shares  ,  are kept fixed, and thus changes in the household 

price  index depend only on changes of the food and nonfood economy‐wide price  indexes. Changes  in 

household income are solely determined by changes in labor incomes, and these in turn are allowed to 

vary as a result of changes in the allocation of workers in the different labor market segments (agriculture 

or non‐agriculture sector of occupation), and the returns to skilled and unskilled  labor  in the different 

labor market segments ( ). A new household welfare aggregate is computed by adding the exogenous 

household income to the sum of simulated labor incomes for each member of the household (given his 

or her skill endowments, and sector of employment) and deflating the new total household  income by 

the new household‐specific price index. 

In terms of welfare distribution, the initial distribution for year t for a population of N households can be 

written as:   

  , … , , , , … , , , (5)

The microsimulation consists of using new values for  , ,  ,   and  – that are calculated by the CGE, 

(see end of the sub‐section above)– and equation (4) to compute new households’ real incomes and to 

generate a simulated new distribution: 

  , … , , , , … , , ,    (5’) 

10  

Note that all the variables linking the CGE and the microsimulations are at the aggregate levels apart from 

the household specific employment bundle  , . Given that the model employed here is of a static nature, 

the total amounts of skilled and unskilled workers do not change, and neither do  the endowments of 

these  two  labor  types at  the household  level. However, because of  the shock, employment by sector 

changes. The CGE model produces the economy‐wide new allocation of workers across sectors, and the 

microsimulation is used to determine which specific worker moves from one sector to the other. More 

specifically, at the micro level, workers are reallocated among the agriculture and non‐agriculture sectors 

by means of a probit model, where the probability of switching sectors is estimated as a function of several 

personal and household characteristics. Workers are allowed to switch between labor market segments 

until the CGE‐estimated differences in labor allocations between the benchmark and oil price scenarios 

are achieved. For workers who switch, a labor income is imputed on the basis of observable characteristics 

and the return of them prevailing in the receiving labor market segment. For example, if a worker joins a 

new sector, that worker will be  imputed a wage based on his or her observable characteristics such as 

age, gender, and education.  

The impact of the oil shock can be assessed by comparing the standard inequality and poverty indicators 

estimated for both   and  .  

 

Results 

Macro‐simulation: A reverse Dutch Disease 

Oil revenues are concentrated in a few companies and in the government accounts and a small percentage 

of the total work force; less than 2 percent in the case of the Russian Federation, is employed in the oil 

sector. However,  the  fall  of  the  international price of oil deeply  affects  the  structure of  the Russian 

economy and has a pervasive impact on all households through several channels.8  

The first channel is represented by the terms of trade loss. Because imports have become more expensive, 

the cost of living rises and reductions of real income and consumption are much larger than contraction 

of production  (GDP) and employment. The  income  loss and  reduction of demand  triggers a  series of 

additional effects  in factors and goods markets  in  line with a reverse Dutch disease. Economic activity 

                                                            8 It actually has an impact far beyond its borders as it is affecting neighboring countries through a reduction in the value of the remittances  they  are  receiving.  See  for  example World  Bank  (2016) where  the  case  of  the  Kyrgyz  Republic,  a  remittance dependent country with most of its migrant workers employed in Russia, is examined.  

11  

shifts out of non‐tradables. This can create unemployment, and even if new jobs are created in tradable 

sectors, relative wages will likely change. Asset prices, including real estate prices, will likely drop sharply. 

Due to the overall reduction and shift of final demand, relative prices of consumption goods will also change: 

prices of non‐tradables (for example of services) will contract more severely than prices of tradables.  Finally, 

a  fiscal  channel may  also  be  at work  as  transfers  from  the  government, which  is  facing  shrinking  oil 

revenues, may be under pressure.  

In the CGE model, the terms of trade shock is implemented as a 50 percent reduction of international oil 

prices9 and, as shown in Table 1, this causes a reduction of consumption per capita of about 7 percent. 

This  is a one‐off  large welfare  reduction  that materializes even  if production and employment do not 

contract. In fact, the model simulates the impact of the oil shock as moving to a new long term equilibrium 

with  full  employment  of  labor  and  physical  capital.  Gross  domestic  production marginally  contracts 

because of a reduction in the supply of natural resource in the oil sector, but employment does not go 

down. It may be possible that factor markets do not adjust to this new equilibrium in the short run and 

unemployment can rise with additional negative impacts for GDP. However, this exercise aims at modeling 

the  impact of the shock as  if  it were permanent and after the economy has  fully adjusted to the new 

relative prices.10 

                                                            9 The 50% reduction was the one estimated at the end of 2014. During 2015 the price of oil dropped even more, reaching 36 USD per barrel in December 2015 (World Bank Commodity price data).   10 Further below the assumption of full employment is (partially) relaxed and the distributional consequences of an increase in unemployment are assessed.  

12  

Table 1:  The aggregate impact of the oil shock    

  

Percent change with respect to 

no shock 

Consumption per capita  ‐6.9 

GDP per capita  ‐1.1 

Labor demand   Unskilled  (Agriculture)  6.9 

Unskilled (No‐Agriculture)  ‐0.6 

Wages   

Unskilled (Agriculture)  ‐3.9 

Unskilled (No‐ Agriculture)  ‐10.6 

Skilled   ‐11.5 

Skill Premium  ‐1.5 

Urban Premium (for unskilled)  ‐7.0 

Consumer Price Index   Food   ‐7.8 

Other goods   ‐12.7 Source: GTAP and ROSSTAT data, and CGE simulation results 

 

Following the reduction of demand, prices of non‐tradables decrease making tradables relatively more 

expensive. This real exchange rate depreciation induces shifts in economic activity and employment that 

are quite different across  sectors. Table 2  shows  that,  in  terms of output contraction, besides  the oil 

sector,  the hardest hit sectors are non‐tradables, namely construction,  transport and communication, 

other  business  services  and  public  services. While  import  competing  industries,  and  export  oriented 

sectors, benefitting from the real depreciation, experience output expansions. The important caveat of 

the model operating as if the economy adjusts to its new long term equilibrium without frictions needs to 

be  reiterated here.  The  gains of  the  expanding  sectors  are  genuine opportunities, but  they may not 

necessarily be realized quickly in the real economy. The analytical framework used here to model the oil 

shock  is signaling what could happen  if the markets were fully flexible and resources were allowed to 

respond to the new price signals; whereas,  in reality,  it may not be possible to reallocate resources as 

markets are just imperfectly flexible. For example, closure of firms in urban shrinking sectors such as in 

construction may be costly, or banks and other financial  intermediaries may not easily start  lending to 

new firms in expanding sectors. Nevertheless, if the relative prices change triggered by the oil shock is, as 

it  is  believed,  not  a  temporary  fluctuation  but  a  long‐term  shift,  not  adjusting  to  these  sectorial 

reallocations  –  by,  for  example,  imposing  price  controls  or  other  restrictions  –  will  be  futile  and 

counterproductive.  

13  

In terms of employment, heavy job losses are recorded for the construction and transport‐communication 

service sectors, about 0.9 and 1.2 percent of total employment, respectively (see Table 2, third column). 

These, translated in actual levels of employment, are close to 500,000 and 700,000 jobs, a considerable 

loss. However, new opportunities arise in import competing and export oriented sectors. A potential large 

gain is highlighted in the manufacturing sector which may create close to 800,000 jobs.  

Table 2: Oil shock triggers sectoral adjustments in favor of tradables and against non‐tradables     

  

Production  (% change with 

respect to no shock)  

Employment (% change with 

respect to no shock) 

Employment (change with respect to no shock, as % of 

tot employment) 

Factor Intensity (number of skilled per 100 unskilled) 

Oil  ‐13.4  ‐18.9  ‐0.4  211 Construction  ‐5.3  ‐9.7  ‐0.9  182 Transport and Trade Services  ‐1.3  ‐6.0  ‐1.2  139 Business Serv. & Publ. Admin.  ‐0.4  ‐0.8  ‐0.4  182 Food products  2.3  3.6  0.1  145 Other agriculture  3.4  6.3  0.3  89 Other mining  5.1  20.4  1.2  145 Other manufacturing  8.2  8.6  0.3  89 Export agriculture  9.5  15.6  0.2  211 Export manufacturing  12.7  23.2  0.7  145 

Source: GTAP and ROSSTAT data, and CGE simulation results 

 

Sectors use different inputs in their production, and specifically employ skilled and unskilled11 workers in 

different  proportions;  these  reallocations  produce  imbalances  in  labor markets.  In  particular,  as  on 

average skilled workers are employed more  intensively  in shrinking sectors – such as Business Services 

and Public Services, Oil, and even  in Construction  (where  for every 100 unskilled workers, 182 skilled 

workers are employed, see rightmost column in Table 2) – job losses affect more severely skilled workers 

than unskilled ones. Similar imbalances influence the urban premium, defined here as the ratio of non‐

agriculture activities (essentially urban) wages over agriculture (mainly rural12) wages. These imbalances 

in the labor markets put downward pressure on the skill and urban premia which, as shown in Table 1, 

decrease by a few percentage points. 

Another relevant aggregate result estimated by the CGE model is the change in relative prices of goods 

and  services.  The oil  price  reduction  and  the  real  exchange  rate  depreciation make  energy  cheaper, 

                                                            11 The partition of the population into skilled and skilled workers is based on the highest level of education attained; specifically, unskilled are all those who have completed, at most, secondary education while all the others are considered skilled (even if they did not completed tertiary education). Based on this definition, unskilled workers account for 40 percent of the population and skilled  for 60 percent. Among  the unskilled, 20 percent has only primary education and 17 percent has  junior education; 20 percent have been enrolled in junior vocational education and the highest share (38%) has secondary education. 12 Agricultural activities are mainly (76 percent) located in rural areas. 

14  

importables more  expensive,  and  non‐tradables  less  expensive.  Energy  is  an  important  input  in  the 

production of many final goods, and imports can be, in part, substituted by domestic varieties. The model 

results take  into account these general equilibrium effects and, even  if production of food tends to be 

energy  intensive, the reduction of prices of other goods  is expected to be  larger (see  last two rows of 

Table 1).    

The distributive effects of the oil price shock 

The oil price shock will affect all households, but the final impact will likely be larger for some groups than 

others. In terms of per capita consumption, the poorest bottom 40 percent loses 6.2 percent of its welfare 

and the top 60 percent suffers a loss of 7.0 percent (see Table 3). This minor progressive impact, i.e. the 

fact that richer people experience welfare losses slightly larger than those for poorer people, amounts to 

a marginal change of the Gini coefficient, a standard indicator of inequality, which decreases from 41.06 

to 40.86. Worryingly, poverty rates rise for all the usual poverty lines. For example, when measured at the 

low 2.5 $ a day line, the oil shock increases poverty by dragging about 100,000 additional people below 

that line. At higher poverty lines, such as 5 and 10 $ a day, 900,000 and 4.1 million additional people fall 

behind and poverty rates increase to almost 4 and 22 percent, respectively.  

Table 3: Welfare, poverty and distributional impact of the oil shock in the Russian Federation 

  Without Oil 

Shock With Oil Shock  Change 

Per capita Consumption  USD in constant 2011 PPP  % 

All Population          8,971           8,354   ‐6.88 

Bottom 40          3,619           3,395   ‐6.20 

Top 60       12,539        11,660   ‐7.01 

Poverty headcount  Headcount ratios (%)  % Points 

2.5 $ a day line  0.25  0.33  0.07 

5 $ a day line  3.14  3.77  0.64 

10 $ a day line  19.06  21.98  2.92 

Gini coefficient  41.06  40.86  ‐0.20 Source: HBS data and micro‐simulation results. Note: per capita consumption  is expressed in 2011 US PPP $; poverty headcounts and Gini in percentages 

The impact of the oil shock along the full welfare distribution of the Russian population can be seen in the 

growth incidence curve (GIC) of Figure 1. For all percentiles, per capita consumption is measured with and 

without the oil price shock and the difference between these two situations is plotted in the graph. The 

welfare distribution obtained from the household survey of 2011 is assumed to represent the situation 

without the oil shock. The microsimulation model is used to generate the counterfactual distribution with 

15  

the oil shock. The negative slope of the curve denotes the progressive impact of the shock. However, the 

poorest  percentiles  still  lose  significantly  so  that  the  equalizing  effect  of  this  result  should  not  be 

overstated.  

Figure 1: Growth incidence curve due to the oil shock 

   Source: HBS  data  and micro‐simulation  results. Note:  the  points  represent  the  difference  in  per  capita consumption measured with and without the oil shock; the line is obtained as a polynomial fit of the points.     

What explains this heterogeneous  impact of the shock? Table 1 offers some clues. The skill and urban 

premia are decreasing and one may expect skilled workers and (among the unskilled) urban ones to be 

towards the richer tail of the distribution. This table also highlights that among the workers displaced by 

the shock, about 100,000 unskilled ones will have to move from better paid urban occupations to rural 

lower  paid  jobs. However,  the  aggregate  results  of  this  table  do  not  inform  from which  part  of  the 

distribution these displaced unskilled workers are more likely to come. Finally, the lower reduction of food 

prices vis‐à‐vis prices of other consumption items suggests a potential regressive impact given that poorer 

households spend a larger share on food than richer households.13  

Other channels of transmission of the shock can also contribute to  its uneven  incidence. For example, 

rents in oil producing and closely related sectors (such as refineries) will be directly hit. Given the large 

capital stocks of the oil sector, capital returns may also suffer larger losses vis‐à‐vis labor returns. This shift 

                                                            13 Note that if rich consumers purchase a larger share of imported goods, they may be impacted more severely than poorer ones by the  increase in  import prices. Some authors [Broda and Romalis 2008] have studied this  issue for the case of the US. They found that lower import prices of goods originating in China have actually helped the poorer consumers in the US. However, the current household data for Russia do not allow to investigate this channel.   

Overall Change

‐9

‐8

‐7

‐6

‐5

‐4

0 10 20 30 40 50 60 70 80 90

Chan

ge in

 welfare (% chan

ge in

 per capita 

consumption)

Population percentiles

16  

in  factorial  distribution  may  translate  into  a  reduction  of  personal  income  disparities  (and  thus  a 

negatively  sloped GIC),  as  capital  incomes may be more  concentrated  among  the  rich  groups of  the 

country.14 Asset prices,  including real estate prices, will  likely drop sharply. Moreover, those who have 

borrowed  in  foreign  currency  suddenly  experience  a  rise  in  real  debt.  Finally,  transfers  from  the 

government are not distributionally neutral as some groups, for example retirees, receive proportionally 

more than others. A change in transfer amounts, and coverage, caused by budgetary difficulties can thus 

change the distribution.  

Using  the microsimulation model,  it  is  possible  to  untangle  these multiple  effects  and  study  their 

individual  separate  impacts.  Consider  first  the  adjustments  in  the  labor  market.  Unskilled  workers 

displaced from jobs in non‐tradable services are among those who lose the most: their welfare is almost 

halved; before the crisis the average consumption for a displaced worker was around 9,700 USD but with 

the oil shock it declined to around 6,000 USD.15 Although the impact is clearly large for individual displaced 

workers, the consequences for the overall distribution depend on the number of displaced workers and 

whether they were  initially concentrated  in a specific part of the distribution. About 100,000 unskilled 

workers, around 0.1 percent of total employed workers, move back to agriculture sectors because of the 

shock. These are not randomly selected, as some will have a higher probability of moving than others. 

Nevertheless, as shown  in Figure 2, they are coming from all parts of the distribution. They tend to be 

aged above 40 and, in most cases, males with at most junior secondary or secondary education, but they 

are not necessarily poorer.16 For these reasons, the impact on the overall distribution is muted as shown 

by the GIC 1, the dashed line in Figure 3.17    

                                                            14 Note, however, that this effect cannot be currently assessed given the data limitations of the available household survey where income from capital is not accurately measured. 15 Because of the segmentation, two separate wages are clearing the rural (agriculture) and urban (non‐agriculture) segments. The urban premium, i.e. the ratio of the wage of unskilled workers in non‐agriculture sectors over that of unskilled workers in agriculture  is  initially equal  to 1.3. A  labor migration  function allows  for  some  imperfect mobility across  segments and  this, together with sectoral demand for labor, determines the shift in the urban premium shown in Table 1.  16 Moving workers are identified using a probit estimation, as explained in the methodological section, see the Appendix for more details. 17 The  line  ‘GIC 1’  in  the  figure almost overlaps with  the horizontal straight  line  that  intercepts  the vertical axis at  ‐6.9. This horizontal line represents the average percentage welfare loss, i.e. the loss that everyone would incur were the shock uniformly distributed. The case represented by GIC 1 takes into account the losses of displaced unskilled workers, but the impact is minor, visible only because of the small blips on the GIC 1 line. 

17  

Figure 2: Unskilled workers displaced by the shock come from all parts of the distribution  

 Source: HBS 2011 and authors calculations using microsimulations 

In addition to displacement of workers, the oil shock indirectly but more significantly affects labor markets 

by changing relative returns to human capital and to sector specific skills. While the whole population will 

be negatively affected by the oil shock, in terms of incidence those depending on the returns to skills will 

lose about 1.5 percent more than the others, and, among the unskilled, those in urban activities will lose 

7 percent more  than  those  in expanding  rural  sectors.  Figure 4  shows  that  the human  capital  is not 

uniformly distributed. Skilled employed workers (mainly  in non‐agriculture sectors) represent about 31 

percent of the population and the majority of them, about 18 percent, are found in the upper 60 percent 

of  the distribution. And even within  the bottom 40 and  the  top 60  the share of skilled workers  is not 

uniform,  as  shown  by  the  upward  sloping  line  in  the  figure.18  Conversely,  the  unskilled workers  are 

overrepresented at the bottom of the distribution, especially those employed in the agriculture sectors. 

In light of the shares shown in Figure 4, the reason for a progressive impact of the reduction of the skill 

and the urban premia – illustrated by the downward sloping GIC 2 line in Figure 3 – becomes apparent. 

                                                            18 On average for every 100 individuals, 9 are skilled among the bottom 40, while 21 are skilled among the top 60. However, these proportions are 5 and 26 for the bottom 10 and top 10 respectively.  

0

2,000

4,000

6,000

8,000

10,000

12,000

14,000

16,000

18,000

20,000

2,048 3,262 4,152 5,014 5,986 7,115 8,568 10,686 14,552 28,369

Number of displaced workers

Deciles (identified with their per capita consumption in 2011 rubles)

18  

Figure 3: Decomposition of the incidence of the oil shock 

 Source: HBS 2011 and authors calculations using microsimulations 

The progressive effect of the change in wage premia is reduced by another round of unequal adjustments: 

the change in relative prices of consumption goods. Not all households consume the same proportions of 

food items. As shown in Figure 4, the share of total expenditure devoted to food is much higher for poorer 

households: the average Russian household spends 33 percent of its total expenditures on food, while a 

household in the bottom 40 percent spends 43 percent, and one in the top 60 only 16 percent. Therefore, 

richer households benefit disproportionally more from the stronger reduction of prices of non‐food items, 

including non‐tradables. This is reflected by a counterclockwise tilting of the GIC (from GIC 2 to GIC tot in 

Figure 3) which makes the overall incidence less progressive.  

Robustness and validation 

The incidence results discussed up to this point rely on two assumptions: the first is that the shock affects 

the  allocation  of  labor  across  sectors but without  generating  unemployment;  the  second  is  that  the 

reduction  in  oil  royalties  does  not  influence  the  level  of  government  expenditure  and  its  household 

transfers. The  implications of  the  two assumptions are related, as  it can be  inferred by  looking at  the 

employment share along the welfare distribution depicted in Figure 4. The intensity of the use of labor, 

the main source of income for most households, is not uniformly distributed. Households at the bottom 

40  percent  record  an  average  employment  rate  of  45  percent  against  an  average  of  53  percent  for 

GIC tot: GIC 1 + GIC 2 + Δ Goods Prices

GIC 2: GIC 1 + Δ in Returns to Skills

GIC 1: Labor Movement across sectors

‐9

‐8

‐7

‐6

‐5

‐4

0 20 40 60 80

Chan

ge in

 welfare (% chan

ge in

 per capita 

consumption)

Population percentiles

19  

households at the top 60 percent.  An increase in unemployment and a reduction of social government 

programs may hit poorer households harder,  given  their more  intense dependency on  transfers  and 

higher risk of becoming unemployed (or lower employability). 

Figure 4: Unequal Distribution of Employment and Assets, such as human capital, and of consumption of food across the Russian Population, 2011 

 Source: HBS data (2011) 

To get some insights on the implications of these assumption we carried out two additional simulations. 

In the first one we assume that all those who lose their jobs in the contracting sectors – up to 3.1 percent 

of total employment – become unemployed.  In the second one we analyze the  implication of a cut  in 

government transfers. 

Abstracting  from  multiplier  effects, 19  what  would  be  the  distributional  impact  of  the  increase  in 

unemployment? The  first step of  the simulation was to  identify  those who are more  likely to become 

unemployed.20 Not  surprisingly,  the  results of  the econometric  specification  show  that  less qualified, 

                                                            19 Clearly, if employment goes down (or equivalently if unemployment increases), GDP will also go down and that would trigger a reduction of incomes, then consumption will decrease with another round of reductions. This negative multiplier effect is not accounted here. 20 Specifically, workers more likely to be unemployed are selected through a multinomial probit estimation that computes the probability of either being employed in tradable sectors, employed in nontradable sectors, or being unemployed according to individual and household characteristics. These characteristics  include gender, education  level, age, marital status, household size, living in urban or rural areas, and headship. 

Unskilled in Non Agri

Total Occupation

Unskilled in Agri

Skilled in No Agri

Skilled in Agri

Share of food in total consumption (right axis)

0

0.1

0.2

0.3

0.4

0.5

0.6

0

0.1

0.2

0.3

0.4

0.5

0.6

0 10 20 30 40 50 60 70 80 90

Share of food

Percent share of total population 

Population percentiles

20  

younger and female workers are more likely to lose their job. However, exposure to unemployment is not 

concentrated  in  particular  income  groups,  as  these  individuals  are  found  across  the  whole welfare 

distribution (see Figure 5).  

Figure 5: Unemployed workers by decile of the welfare distribution 

 

This result suggests that the ultimate distributive impact of the unemployment increase would depend 

heavily on the social protection programs available to those who lost their job and, of course, to the whole 

population.  However,  it  is  unlikely  that  these  programs  and,  more  generally,  public  transfers  and 

expenditure will not suffer from the shrinking oil royalties following the drop  in oil price. The oil price 

shock, indeed, puts government expenditure under pressure and its reduction is likely to have affected 

differently individuals located in different parts of the welfare distribution. 

Taking advantage of the availability of data on public transfers in a different survey, the RLMS (Russian 

Longitudinal Monitoring Survey), our second simulation estimates the effect of a 10 percent cut in public 

transfers.  The impact on poverty and shared prosperity depends on the incidence of the transfers along 

the welfare  distribution:  if  poor  households  depend  relatively more  than  the  richer  ones  on  public 

transfers, the final effect of the oil shock could be reversed once the cut of transfers is taken into account. 

Most of the beneficiaries of public transfers21 and pensions are indeed located in the first decile of the 

consumption distribution (see Figure 6) while the share is much smaller for households located in the top 

30 percent of the distribution.  

                                                            21 Transfers are defined as the sum of children, rent, utilities, fuel and unemployment benefits. 

0

2

4

6

8

10

12

14

1 2 3 4 5 6 7 8 9 10

New

ly unem

ployed as a share of total 

population

Household income decile

21  

Figure 6: Share of transfers by decile of the consumption distribution 

 

Source: RLMS (2011) 

Due to the different incidence of public transfers for households located in bottom 40 and top 60 of the 

income distribution,  the  “progressive”  effect of  the oil price  shock  shown  above  is  reversed  as poor 

families lose more (‐7.13) than the top 60 of the income distribution (‐6.82). (See Figure 7.) 

 

 

 

 

 

 

 

 

0.00

5.00

10.00

15.00

20.00

25.00

1 2 3 4 5 6 7 8 9 10

Transfer as share of 

consumption

Consumption decile

22  

Figure 7: Growth incidence curve due to the oil shock and the reduction of public transfers 

   

Source: RLMS (2011) and author calculations using microsimulations 

Validation 

A full backward study of the Russian economy during the oil price boom is beyond the scope of this paper 

but a preliminary descriptive analysis of the  labor market trends over that period helps to validate the 

results of our simulation. In fact, if our inferences on the effect of the oil price drop are correct, we expect 

to observe the opposite effect when the oil prices are rising:  increases of employment  in non‐tradable 

sectors,  increasing wage premia and, possibly,  larger economic gains  in  the upper part of  the  income 

distribution which would imply higher inequality. 

By using the ROSSTAT data on national accounts and the  information on consumption available  in the 

HBS,  below we  look  at  the  changes  that  occurred  in  employment,  value  added  and  the  skill  premia 

between 2003 and 2008. This period was characterized by a substantial increase in the oil price, which 

jumped from around 35 USD per barrel  in 2003 to slightly more than 140 USD per barrel  in 2008 (see 

Figure 8). The rising oil price was accompanied by an appreciation of the exchange rate (Figure 8) and a 

reduction of the contribution of tradable sectors to economic growth (Figure 9). 

23  

Figure 8:  Changes in oil price and exchange rate, 2002 ‐ 2008 

 

Source: World Bank 

Looking at employment and added value by sector of activity, we find a first confirmation of the expected 

effects: employment and value added decreased in tradable sectors and increased in non‐tradable sectors 

(fig. 10). Between 2003 and 2008 the increase in employment was particularly high  in the construction 

sector  (+13.4%) while an almost equal reduction affected  the agricultural one  (‐13.8%). Similar results 

emerge from the analysis of changes in the share of value added, which grew especially in construction 

(+23.5%) and services (+16.2%) (Figure 9). 

Figure 9: Changes in employment and added value by sector, 2003 ‐ 2008 

 

Source: ROSSTAT 

24  

During the same time period wages grew in the whole economy but the increase was significantly higher 

in non‐agricultural sectors than  in the agricultural one, where  it  increased by the 41%. As a result, the 

wage  premia,  computed  as  the  ratio  between  the  compensation  per worker  in  non‐agricultural  and 

agricultural sectors, rose from 3.6 in 2003 to 4.7 in 2008 (Figure 10). 

Figure 10: Changes in wage premia, 2003 ‐ 2008 

 

Source: ROSSTAT 

Testing the validity of our simulations for the skill premia is a bit more difficult, as during the 2003‐2008 

period supply and not only demand for these two types of workers were changing. On the demand side, 

the growth of non‐tradable sectors could have pushed up the skill premia as these sectors are more skill 

intensive (see table 1). However, on the supply side two things might have outweighed this effect. First, 

between 2003 and 2008 the share of skilled workers grew from 21% to 30%. Second, unskilled workers 

might have moved to better paid sectors as a consequence of the contraction in the agricultural sector. 

The small increase in the skill premia depicted in Figure 11 can be interpreted as a sign that, despite these 

supply shifts, which would have pushed the skill premia downwards, the demand side effect dominated. 

 

25  

Figure 11: Changes in skill premia, 2003 ‐ 2008 

 

Source: HBS 

Conclusions 

The oil price shock will affect the  inequality dynamics between and within countries. For oil  importing 

countries  lower oil prices are  likely to affect positively households’ and corporates’  incomes, while the 

opposite holds for oil exporter countries. This could cause a shift in the income distribution from the latter 

to the former, affecting inequality between countries, but also a reallocation of capital and labor returns 

whose net distributive  impacts are not easily predictable. Moreover, even  if overall  this phenomenon 

could have a positive impact, by increasing the global GDP and reducing the global inflation (Baffes et al., 

2015),  these  results will  be  effective  in  the medium‐long  run, while  the  effects  on  the  oil  exporter 

countries tend to occur in the short run. 

Considering  that  the  strong growth experienced by  the Russian economy during  the early 2000s was 

accompanied by all the symptoms of the so‐called Dutch Disease, and that the current shock is likely to 

produce a structural economic change, we wondered if the effect of current oil price shock would be the 

reversal of the one observed during the oil price boom and what would be its effect in terms of poverty, 

inequality and shared prosperity. 

The overall effect of  the oil price  shack  is  “decomposed”  in  two parts,  the distributive effect  ‐ which 

operates through the variation in consumption prices and a restructuring of the labor market – and the 

“level” effect – that is the reduction in average consumption generated by the loss in terms of trade. The 

two components are estimated by using a macro‐micro simulation model and, following the  literature, 

26  

the overall effect on households’ welfare is computed by the money metric variation of welfare due to 

the prices and wage changes. 

The distributive analysis  shows  that  the  two  channels  (the  consumption prices and  the  labor market 

changes) work in the opposite direction. The food prices decrease less than non‐food prices, increasing 

more the welfare of better‐off households. On the other side, a lower skill premia and a reallocation of 

the  labor force across sectors generates a bigger  loss,  in terms of wage premia, for the skilled workers 

usually located in the upper part of the welfare distribution. Together with the GDP contraction, the loss 

in terms of trade will cause a considerable decline in the average consumption per capita but, as suggested 

by the results on  inequality and shared prosperity,  individuals  in the upper part of the distribution are 

those who will be more strongly hit by these negative changes.  

However,  this distributional effect  can be  reversed  if one  takes  into account employment  losses and 

reduction of government transfers. The real exchange rate depreciation generates the incentives for labor 

and  other  resources  to  move  from  non‐tradables  to  tradables  sectors,  but  inter‐sectoral  resource 

movements may not be as smooth. There may be frictions (due to imperfections in financial markets, for 

example) and other adjustment costs (a worker in a non‐tradable sector may have sector specific skills 

and thus not able to be immediately productive in a tradable sector) which may create unemployment. 

Or to decrease the pressure on its budget, the government may reduce its transfers. These two additional 

effects would  impact  the  lower parts  of  the  income distribution  – which  rely more  heavily on  labor 

incomes or transfers – more severely than the richer deciles.  

 

   

27  

References 

Aksoy, A. M.; A. Isik‐Dikmelik. (2008). Are Low Food Prices Pro‐Poor? Net Food Buyers and Sellers in Low‐Income 

Countries. World Bank Working Paper No. 4642 

Ataman Aksoy, M., and Hoekman, B.M. (2010) Food prices and rural poverty. Washington, DC: The World Bank. 

Baffes, J. (2007). Oil spills on other commodities. Resources Policy 32, 126‐134 

Baffes,  J., Haniotis,  T.  (2010). Placing  the  recent  commodity boom  into perspective.  In Ataman Aksoy, M.,  and 

Hoekman, B.M. Food prices and rural poverty. Washington, DC: The World Bank. 

Baffes, J.; Ayahan Kose, M.; Ohnsorge, F.; Stocker, M. (2015), “The Great Plunge in Oil Prices: Causes, Consequences 

and Policy Responses”, World Bank Policy Research Note  n.1 

Barnes, D.; Floor W. (1996), “Rural energy in developing countries: a challenge for economic development.” Annual 

Review of Energy and the Environment, 21, pp. 497–530 

Benjamin N. C.; Devarajan, S.; Weiner, R. J. (1989), “The ‘Dutch’ disease in a developing country: Oil reserves in 

Cameroon”, Journal of Development Economics, 30(1), 71‐92 

Borenzstein, E., Reinhart, C.M. (1994) The macroeconomic determinant of commodity prices. IMF Staff Papers 42, 

236‐261. 

Bourguignon,  François  (2004): “The  Poverty‐Growth‐Inequality  Triangle”,  Indian Council  for  Research  on 

International Economic Relations Working Paper #125. 

Bourguignon F, Bussolo M and Pereira da Silva L (Eds.) (2008) The Impact of Macroeconomic Policies on Poverty and 

Income Distribution ‐ Macro‐Micro Evaluation Techniques and Tools, Washington DC: The World Bank and Palgrave 

Macmillan. 

Bourguignon, F., Bussolo, M., 2013.  Income Distribution  in Computable General Equilibrium Modeling.  In: Dixon, 

P.B., Jorgenson, D.W. (Eds.), Handbook of Computable General Equilibrium Modeling. North Holland, Elsevier B.V., 

pp. 1383–1437. 

Bussolo,  M.;  De  Hoyos,  R.  E.;  Medveded,  D.  (2010),  “Economic  Growth  and  Income  Distribution:  Linking 

Macroeconomic  Models  with  Household  Survey  Data  at  the  Global  Level”,  Internationa  Journal  of 

Microsimulation, (3)1, 92‐103 

Bussolo M, De Hoyos R and Medvedev D  (2010) Global Poverty and Distributional  Impacts: The GIDD Model‘,  in 

Anderson K, Cockburn J and Martin W (Eds.) Agricultural Price Distortions, Inequality, and Poverty, Washington 

D.C.: The World Bank, 87‐119. 

Chen, S., Ravallion, M., 2004. Welfare impacts of China's accession to the world trade organization. In: Bhattasali, 

D., Li, S., Martin, W. (Eds.), China and the WTO: Accession, Policy Reform, and Poverty Reduction Strategies, Oxford 

University Press and the World Bank, Oxford and Washington , DC. 

Christiaensen, L., Dmery, L.  (2007). Down to earth. Agriculture and poverty reduction  in Africa. Washington, DC: 

World Bank. 

Corden, W. M.; Neary, J. P. (1982), “Booming sector and De‐industrialization in a small open economy”, Economic 

Journal 92, 825 – 848 

28  

Corden, W.M. (1984), “Booming sector and Dutch Disease economics: survey and consolidation”, Oxford Economic 

Papers, 36(3), 359‐380 

Gylfason, T. and Zoega. G. (2003), “Inequality and economic growth: Do natural resources matter?” In Inequality and 

Growth: Theory and Policy Implications, Eicher, T. and Turnovsky, S. (eds.), MIT Press, Cambridge (MA). 

Deaton, A. (1999) Commodity prices and growth in Africa. Journal of Economic Perspective 13, 23‐40. 

De Souza Ferreira Filho, J.B. (2008), “The World Food Price Increase and Brazil: Opportunity for All?” Paper presented 

at the II Regional Meeting on Computable General Equilibrium (CGE) Modeling: Contributions to Economic Policy 

in Latin America and the Caribbean. San José, Costa Rica. November, 2008. 

Estrades, C., Terra, M. I. (2012), “Commodity prices, trade, and poverty in Uruguay”, Food Policy 37, pp. 58–66. 

Gilbert, C.L.  (1989). The  impact of exchange  rates and developing country debt on commodity prices. Economic 

Journal 99, 773‐783. 

Hoekman, B., Olarreaga, M. (2007). Global trade and poor nations: the poverty  impact and policy  implications of 

liberalization. Washington DC: Brookings Institution. 

Isham, J., L. Pritchett, M. Woolcock, and G. Busby (2003), “The Varieties of the Resource Experience: How Natural 

Resource Export Structures Affect the Political Economy of Economic Growth,” mimeo, World Bank, Washington 

D.C.  

Jakob, M.  (2010), “Dutch Disease or Botswana’s Blessing? Natural Resources and Economic Growth – A Channel 

Approach”, PIK Potsdam, WP  

Leamer, E., Maul, H.,  Rodriguez, S., Schott, P. K. (1999), “Does natural resource abundance increase Latin American 

income inequality?”, Journal of Development Economics Vol. 59,  3–42. 

Pachauri,  S.;  Spreng, D.  (2004),  “Energy Use  and  Energy Access  in Relation  to Poverty.” Economic  and Political 

Weekly, Vol. 39, No. 3, pp. 271‐278 

Ravallion, M. (1990) Rural welfare effects of food price change under induced wage responses: theory and evidence 

for Bangladesh. Oxfrod Economic Papers 42(3), 574‐585. 

Ravallion, M., Lokshin, M., 2005. Winners and Losers from Trade Reform in Morocco, Mimeo, World Bank. 

Ross, M. (2007), “How Can Mineral Rich States Reduce Inequality?”, in Sachs, J.D., Stiglitz, J.E. and Humphreys, M. 

(Eds.), Escaping the Resource Curse, Columbia University Press, New York. 

Ruggeri  Laderchi,  C.;  Olivier,  A.;  Trimble,  o.:  (2013)  “Balancing  Act.  Cutting  Energy  Subsidies While  Protecting 

Affordability”.  Washington,  DC:  World  Bank.  doi:  10.1596/978‐0‐8213‐9803‐6  License:  Creative  Commons 

Attribution CC BY 3.0 

UNCTAD (TDR 2012), “Trade and Development Report, 2012. Policies for Inclusive and Balanced Growth.” United Nations publication, Sales No. E.12.II.D.6, New York and Geneva 

Vagliasindi, M.  (2012)  “Implementing Energy Subsidy Reforms: An Overview of  the Key  Issues.” Policy Research 

Working Paper 6122, World Bank, Washington, DC 

Warr, P. (2008), “World food prices and poverty incidence in a food exporting country: a multihousehold general 

equilibrium analysis for Thailand.” Agricultural Economics 39 (Supplement), 525–537. 

Wodon Q., Hassan, Z. (2008). Rising food prices in Sub‐Saharan Africa: poverty impact and policy responses. Policy 

Research Working Paper 4739, Washington DC: The World Bank 

29  

World Bank (2005), Russia Economic Report. N. 11, Washington. The World Bank 

World Bank (2015), Russia Economic Report. N. 33, Washington. The World Bank 

30  

Appendix 

Table 1: Distribution of initial consumption 

Decile All  Displaced  Non‐ Displaced 

Numb. Of obs.  Mean  Numb. Of obs.  Mean  Numb. Of obs.  Mean 

1  14,206,517  1430  16,408  1278  14,190,109  1430 

2  14,206,329  2268  9,492  2199  14,196,837  2268 

3  14,206,425  2888  3,351  2938  14,203,074  2888 

4  14,208,270  3482  6,035  3466  14,202,235  3482 

5  14,204,135  4149  1,383  4064  14,202,752  4149 

6  14,227,296  4930  3,259  4819  14,224,037  4930 

7  14,186,107  5935  2,293  5769  14,183,814  5935 

8  14,205,689  7397  4,518  7216  14,201,171  7397 

9  14,206,303  9973  1,253  9520  14,205,050  9973 

10  14,206,166  19432  2,628  17146  14,203,538  19432 

Source: HBS & microsimulation 

 

Table 2: Distribution of consumption before and after the oil shock  

Decile Final Distribution (Change in skill premia & change in consumption) 

1  2  3  4  5  6  7  8  9  10  Total 

Initial D

istribution 

1 13,531,

680  674,837  0  0  0  0  0  0  0  0 14,206,

517    95.25  4.75  0  0  0  0  0  0  0  0  10 

2  673,414 12,393,

454 1,139,4

61  0  0  0  0  0  0  0 14,206,

329    4.74  87.24  8.02  0  0  0  0  0  0  0  10 

3  1,716 1,131,4

88 11,744,

640 1,328,5

81  0  0  0  0  0  0 14,206,

425    0.01  7.96  82.67  9.35  0  0  0  0  0  0  10 

4  0  6,057 1,321,5

24 11,498,

668 1,382,0

21  0  0  0  0  0 14,208,

270    0  0.04  9.3  80.93  9.73  0  0  0  0  0  10 

5  0  0  3,347 1,373,2

15 11,511,

110 1,316,4

63  0  0  0  0 14,204,

135    0  0  0.02  9.67  81.04  9.27  0  0  0  0  10 

6  0  0  0  3,259 1,310,7

18 11,745,

368 1,167,9

51  0  0  0 14,227,

296    0  0  0  0.02  9.21  82.56  8.21  0  0  0  10 

7  0  0  0  0  2,293 1,141,9

70 12,093,

049  948,795  0  0 14,186,

107    0  0  0  0  0.02  8.05  85.25  6.69  0  0  10 

8  0  0  0  0  309  3,910  942,901 12,623,

029  635,540  0 14,205,

689    0  0  0  0  0  0.03  6.64  88.86  4.47  0  10 

9  0  0  0  0  0  0  926  641,484 13,333,

902  229,991 14,206,

303    0  0  0  0  0  0  0.01  4.52  93.86  1.62  10 

10  0  0  0  0  0  0  0  0  231,433 13,974,

733 14,206,

166    0  0  0  0  0  0  0  0  1.63  98.37  10 Total 

14,206,810 

14,205,836 

14,208,972 

14,203,723 

14,206,451 

14,207,711 

14,204,827 

14,213,308 

14,200,875 

14,204,724 

142063237 

   10  10  10  10  10  10  10  10  10  10  100 

Source: HBS & microsimulation 

31  

Table 3: Poverty rates before and after the oil shock 

Distribution of Consumption 

Poverty line 2.5 US $ per day 

All  Non Displaced  Displaced  Non shrinking  Shrinking 

Initial   0.554  0.553  3.345  1.401  0.271 

Change in Skill Premia  0.642  0.638  10.739  2.142  0.321 

Consumption variation  0.713  0.708  13.742  2.342  0.364 

   Poverty line 5 US $ per day 

Initial   5.872  5.866  23.514  13.123  3.893 

Change in Skill Premia  5.88  5.866  44.216  13.695  3.893 

Consumption variation  6.721  6.706  49.058  16.862  4.553 

   Poverty line 10 US $ per day 

Initial   29.713  29.703  57.503  44.985  23.5 

Change in Skill Premia  29.718  29.703  72.128  45.389  23.5 

Consumption variation  32.612  32.597  73.42  49.298  26.386 

* The macroeconomic shock causes a change in the composition (in terms of total population and individual's characteristics) of the 2 sectors 

Source: HBS & microsimulation 

 

Changes in the Labor Market 

The results obtained via the macro‐simulation are used as inputs in the micro‐simulation model to obtain 

the new allocation of workers across sectors and the new distribution of wages. 

The  simulation  proceeds  in  subsequent  steps.  First,  unskilled workers  are  reallocated  across  sectors 

according to the prediction of the CGE. For each individual i, we compute the probability of moving out 

the shrinking sector as a function of individual ( ) and household (  characteristics22.  

Pr 1 Pr  

Individuals are then ranked in a descending way according to the predicted probabilities and moved to 

the expanding sectors up  to  the point where  the macro‐prediction on sectoral reallocation of  labor  is 

satisfied.  

Once  workers  are  reallocated  across  sector,  the  changes  in  the  skill  premia23  determine  the  new 

distribution  of wage  across  sectors.  The wage  each worker  receives  is  computed  through  a Mincer 

                                                            22 The probability  is computed using a probit model; a  list of dependent characteristics  is presented  in the estimation’s result table in the Appendix.   23 The new skill premia, for skilled and unskilled in non‐farm activities, are computed with respect to the wage of unskilled workers employed in agricultural sector, as the model assumes that the mobility across the agricultural and non‐agricultural segments of the labor market is a function of the changes in the farm‐ and non‐farm wage premia (Bussolo, De Hoyos and Medvedev, 2010). 

32  

equation that estimates the earnings of in the agricultural and non‐agricultural sector; these wages are 

then rescaled to correct for the different distribution of unobservable factors in the two segment of the 

labor market (Agricultural and Non‐Agricultural).  

, , ∗,

, 

The resulting distribution of wage is rescaled to its original mean and then adjusted in order to match the 

“level effect” predicted by the CGE: 

, , , ,,

, _ 

With  , ,  representing the individual welfare obtained after all the distributional changes have 

taken place and is the percentage change in aggregate average income predicted by the CGE. 

 

Table 4: Results from the estimation of the probability of being employed and probability of being a displaced workers 

        

VARIABLES  Displaced   Employed  

        

gender  0.0742**  0.482*** 

  (0.0300)  (0.0004) 

age  0.0651***  ‐0.00187*** 

  (0.00677)  (0.0000) 

Education Level  ‐0.0349*  0.660*** 

  (0.0199)  (0.0002) 

HH size  0.00841  0.0147*** 

  (0.00999)  (0.0002) 

Constant  ‐3.097***  ‐2.836*** 

  (0.156)  (0.00123) 

        

Robust standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1 Source: HBS & microsimulation 

 

33  

Table 5: Returns to endowments in the expanding and shrinking sector 

        

VARIABLES  Expanding  Shrinking 

        

Household Head  0.0324*  0.1044*** 

  (0.0178)  (0.0031) 

Gender  0.0906***  0.0439*** 

  (0.0176)  (0.0031) 

age  ‐0.0249***  ‐0.0207*** 

  (0.0053)  (0.0007) 

age2  0.0004***  0.0003*** 

  (0.0001)  (0.0000) 

Education level  0.1099***  0.102*** 

  (0.0040)  (0.0007) 

Constant  7.6232***  8.0521*** 

  (0.1059)  (0.0157) 

  Observations  8,500  282,517 

R‐squared  0.102  0.082 

Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1 Source: HBS & microsimulation