MétaCan
Menu
Retour à la cohorte
Enregistrement W1601984892 · doi:10.1093/jeea/jvz022

Relative Prices and Sectoral Productivity

2019· article· en· W1601984892 sur OpenAlexaff
Margarida Duarte, Diego Restuccia

Notice bibliographique

RevueJournal of the European Economic Association · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFiscal Policy and Economic Growth
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésProductivityRelative priceIncome elasticity of demandEconomicsTertiary sector of the economyAggregate incomeLabour economicsEconometricsService (business)Elasticity (physics)MicroeconomicsMacroeconomicsIncome distributionEconomy

Résumé

récupéré en direct d'OpenAlex

Abstract The relative price of services rises with development. A standard interpretation of this fact is that productivity differences across countries are larger in manufacturing than in services. The service sector comprises heterogeneous categories and we document that many disaggregated service categories feature a negative income elasticity of relative prices. We divide service industries into two broad categories based on the income gradient of its relative price: traditional services with positive income elasticities and nontraditional services with negative income elasticities of relative prices. Using an otherwise standard multisector development accounting framework extended to include an input–output structure, we find that the cross-country income elasticity of sectoral productivity is large in nontraditional services (1.15), smaller in manufacturing (1.05), and much smaller in traditional services (0.67). Eliminating cross-country productivity differences in nontraditional services reduces aggregate income disparity by 58%, a 7.9-fold reduction in aggregate productivity differences. Heterogeneity between traditional and nontraditional services also has a substantial impact on aggregate productivity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,015
Tête enseignante GPT0,189
Écart entre enseignants0,174 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations72
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the European Economic AssociationMême sujetFiscal Policy and Economic GrowthTravaux en français237 207