NEW ESTIMATES OF MULTIFACTOR PRODUCTIVITY GROWTH FOR THE CANADIAN PROVINCES
Notice bibliographique
Résumé
This article presents new estimates of multifactor productivity for the Canadian provinces for the 1997-2007 period. In contrast to earlier estimates, these estimates incorporate both changes in labour and capital composition or quality. Reflecting differences in labour productivity and capital productivity, multifactor productivity growth varies greatly by province. Newfoundland enjoyed the strongest multifactor productivity growth and Alberta the weakest. THE OBJECTIVE OF THIS ARTICLE is to present new estimates of multifactor productivity (MFP) or total factor productivity2 for the Canadian provinces. In contrast to previous estimates of MFP (e.g. CSLS, 2008), these esti-mates for the first time take account of changes in labour composition or quality and changes in capital composition or quality. The estimates have been prepared by Statistics Canada for the Centre for the Study of Living Standards (CSLS), which received financial support from Alberta Finance and Enterprise in producing this report. The estimates are posted on the CSLS website (www.csls.ca/data/mfp.asp) for free public access. This report is divided into three main sec-tions. The first section provides a brief overview of the methodologies and data sources used by Statistics Canada to construct the provincial multifactor productivity database. The third section presents the new estimates of labour productivity, capital productivity, multifactor productivity, labour composition or quality, and sources of growth by province. The third and final section concludes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,017 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».