Infrastructure, specialization, and economic growth
Notice bibliographique
Résumé
We introduce infrastructure as a cost‐reducing technology in Romer's (1987) model of endogenous growth. We show that infrastructure can promote specialization and long‐run growth, even though its effect on the latter is non‐monotonic, reflecting its resource costs. We provide evidence using data from the U.S. Census of Manufactures that suggests that the degree of specialization is positively correlated with core infrastructure, as predicted by the model. We also provide evidence from cross‐country regressions, using physical measures of infrastructure provision, that shows a robust non‐monotonic relationship between infrastructure and growth. JEL Classification: 041,050 Les auteurs introduisent l'infrastructure en tant que technologie réduisant les coûts dans un modèle de croissance endogène à la Romer (1987). On montre que l'infrastructure peut promouvoir la spécialisation et la croissance en longue péride, même si ses effets sur la croissance ne sont pas monotones et reflètent ses coûts en ressource. On montre, en utilisant les données du recensement des manufactures des Etats Unis, que le degré de spécialisation est relié positivement à l'infrastructure de base, comme le suggère le modèle. On montre aussi à l'aide de régressions transversales, utilisant des mesures physiques de l'infrastructure, qu'il existe une relation non monotone mais robuste entre infrastructure et croissance.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».