Three Essays on the Economics of Public Program Provision, Inequality and Health

The thesis is composed of three empirical chapters. The first concerns favoritism. Ethnic favoritism is a key aspect of development in Africa. Studies show that the ethno-regional homelands of prominent leaders experience stronger nighttime light illumination, reflecting intensified economic activity. Access to public services, such as healthcare and roads, is also greater in localities closer to powerful political actors. This study examines Ethiopia’s 20-year program of health sector expansion. By combining causal inference methods, such as the difference-in-differences strategy, with big data techniques, the findings provide strong evidence of the expansion of primary healthcare services in localities ethnically aligned with the government. The results are robust under a regression-discontinuity design near the border areas. The second chapter explores markers of social exclusion and government malpractices as factors shaping perceptions of redistributive taxation. The study employs a novel dataset from the 8th Afrobarometer survey, which introduced a range of redistribution questions for the first time. The findings indicate that social exclusion, corruption, and government mistrust are strongly linked to higher perceptions of the tax burden. These factors also shape both the demand for and willingness to support income redistribution. The third study employs machine learning techniques to examine the effect of trust in government regarding vaccine safety on vaccine hesitancy during COVID-19. It also explores how social media misinformation amplifies mistrust toward COVID-19 vaccines. The research design compares different machine learning prediction models using the recently released 9th Afrobarometer survey. The results show that government mistrust is the key universal predictor of vaccine hesitancy across countries. The influence of social media as a news source is weaker compared to trust. The findings also suggest that machine learning models, such as gradient boosting, random forests, and logistic regression, provide higher accuracy.

La tesi è composta da tre capitoli empirici. Il primo riguarda il favoritismo. Il favoritismo etnico è un aspetto chiave dello sviluppo in Africa. Gli studi mostrano che le terre etno-regionali dei leader prominenti sperimentano una maggiore illuminazione notturna, riflettendo un'intensificata attività economica. L'accesso ai servizi pubblici, come l'assistenza sanitaria e le strade, è anche maggiore nelle località più vicine agli attori politici potenti. Questo studio esamina il programma di espansione del settore sanitario in Etiopia della durata di 20 anni. Combinando metodi di inferenza causale, come la strategia delle differenze nelle differenze, con tecniche di big data, i risultati forniscono prove solide dell'espansione dei servizi di assistenza sanitaria primaria nelle località etnicamente allineate con il governo. I risultati sono robusti sotto un design di regressione-discontinuità nelle aree di confine. Il secondo capitolo esplora i marcatori di esclusione sociale e le pratiche governative scorrette come fattori che plasmano le percezioni della tassazione redistributiva. Lo studio utilizza un nuovo set di dati dell'8° sondaggio Afrobarometer, che ha introdotto per la prima volta una serie di domande sulla redistribuzione. I risultati indicano che l'esclusione sociale, la corruzione e la sfiducia nel governo sono fortemente legati a percezioni più alte del carico fiscale. Questi fattori plasmano anche la domanda e la disponibilità a sostenere la redistribuzione del reddito. Il terzo studio impiega tecniche di apprendimento automatico per esaminare l'effetto della fiducia nel governo riguardo alla sicurezza dei vaccini sulla esitazione vaccinale durante il COVID-19. Lo studio esplora anche come la disinformazione sui social media amplifichi la sfiducia nei confronti dei vaccini contro il COVID-19. Il disegno della ricerca confronta diversi modelli di previsione di machine learning utilizzando il recentemente rilasciato 9° sondaggio Afrobarometer. I risultati mostrano che la sfiducia nel governo è il principale predittore universale della riluttanza a vaccinarsi tra i vari paesi. Il ruolo dei social media come fonte di notizie è meno forte rispetto alla fiducia. I risultati suggeriscono anche che i modelli di machine learning, come il gradient boosting, il random forests e la regressione logistica, forniscono maggiore accuratezza.