Notice bibliographique
Résumé
This paper analyses the levels and trends of regional disparity and convergence in the two American macro-regions, NAFTA and MERCOSUR. In the case of NAFTA, 95 micro-regions were analysed (12 in Canada; 32 in Mexico; 51 states in the US). In MERCOSUR, the regions are represented by four countries (Argentina, Brazil, Paraguay and Uruguay). The analysis covers the period 2000-2008 (or rather 2000 to 2005 for Mexico).The regional disparities were calculated with the Gini coefficient based on nominal GDP, GDP per capita and GDP per capita PPS. Convergence analysis was done with the Disparity Range Coefficient (DRC), the Average Disparity Range Coefficient (ADRC), σ-convergence and β-convergence.The results of regional disparity were as follows. Based on the nominal GDP, it was at high levels in both macro-regions, with a Gini coefficient above 0.55. With the disparities calculated on GDP per capita, the level of regional disparity in both macro-regions was lower at 0.36 in NAFTA and 0.28 in MERCOSUR in 2000. Based on GDP per capita in PPP, the levels were lower than based on the GDP per capita analysis starting at 0.31 in NAFTA and 0.16 in MERCOSUR. The disparities further decreased by half in NAFTA while slightly increasing in MERSCOSUR.The convergence analysis results based on the DRC analysis showed that neither NAFTA nor MERCOSUR regions converged. The speed of divergence varied significantly. The disparities among the richest and poorest regions in GDP per capita increased 6.26 times more than the average GDP per capita in PPP in NAFTA as a whole. It was only 0.52 in MERCOSUR. The ADRC analysis also resulted in divergence trends for both macro-regions but with lower rates. Convergence calculated with the σ-convergence analysis confirmed that both macro-regions diverged. The divergence rate for NAFTA was 1.41% and for MERCOSUR 0.74. Calculated with the β-convergence analysis, the NAFTA region showed a status quo (convergence of 0.01%) and a divergence trend was registered for MERCOSUR (0.99%). At the country level, the micro-regions in Canada were diverging (1.62% per year) while the ones in the US and Mexico converging (0.02% and 0.77%, respectively).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».