MétaCan
Menu
Retour à la cohorte
Enregistrement W1547499626 · doi:10.3386/w8754

Why has the Employment-Productivity Tradeoff among Industrialized Countries been so strong?

2002· report· en· W1547499626 sur OpenAlexaff
Paul Beaudry, Fabrice Collard

Notice bibliographique

RevueNational Bureau of Economic Research · 2002
Typereport
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Productivity
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésProductivityDeveloped countryDemographic economicsDeveloping countryEconomicsLabour economicsBusinessEconomic growthDemographySociologyPopulation

Résumé

récupéré en direct d'OpenAlex

This paper is motivated by a set of cross-country observations on labor productivity growth among industrial countries over the period 1960-1997. In particular, we show that over this period, the speed of convergence among industrialized countries has decreased substantially while the negative effect of a country's own employment growth (or labor force growth) on labor productivity has increased dramatically. The main contribution of the paper is to show how these observations are consistent with the view that industrialized countries have been undergoing a particularly drastic technological revolution over the recent past. In effect, we show how the process of endogenous technological adoption, following the diffusion of a general purpose technology, can explain these observations by causing the emergence of an AK accumulation phase where demographic factors temporarily become an major determinant of labor productivity growth. Our estimation of the model implies that the AK phase has been in effect since the early to mid-seventies, but that this phase may now be coming to an end. An important contribution of the paper is to analyze growth experiences across advanced industrialized countries within an open economy framework and to evaluate the explanation by estimating a multicountry dynamic general model.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,900
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0170,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0020,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,492
Tête enseignante GPT0,428
Écart entre enseignants0,064 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetEconomic Growth and ProductivityTravaux en français237 207