MétaCan
Menu
Retour à la cohorte
Enregistrement W2142156492

Productivity Trends in the Coal Mining Industry in Canada

2004· preprint· en· W2142156492 sur OpenAlexaboutno aff
Jeremy Smith

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2004
Typepreprint
Langueen
DomaineEngineering
ThématiqueMining Techniques and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProductivityGold miningEconomicsMining industryNatural resource economicsAgricultural economicsBusinessEngineeringEconomic growthMining engineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The purpose of this report is to uncover the factors behind what has been a very strong productivity performance from the coal mining industry in Canada over the past four decades. It is found that real price movements have had a substantial impact on productivity growth in the coal mining industry in Canada. The real price of coal increased sharply in the 1970s due to higher demand caused by the oil price shock. This increased the profitability of sites of marginal quality and thereby lead to operations on less productive sites than those in production at that point. This had the effect of lowering the average productivity of the overall industry. However, since the 1970s, the real price of coal has fallen steadily, reversing this effect and hence contributing to the high productivity growth of the 1980s and 1990s. Another factor in this impressive productivity performance, at least in the 1980s, was the gradual closing of underground coal mines and the concentration of production on open surface mines. Surface mines typically have higher levels of labour productivity than underground mines, so this effect reinforced the price effect in increasing the average productivity of the industry. The 1990s saw the computerization of several stages of the production process, from site planning to extraction. Despite having the image of an old-fashioned industry, the coal mining industry in Canada is actually among the most intensive users of advanced technologies, and this certainly appears to have contributed to the industry’s strong productivity performance as well.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
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 enseignants0,634
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,038
Tête enseignante GPT0,284
Écart entre enseignants0,246 · 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 tête enseignante, pas un consensus.

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

Citations3
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetMining Techniques and EconomicsTravaux en français237 207