Measuring Changes in the Bilateral Technology Gaps between China, India and the U.S. 1979 - 2008
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Popular literature suggests a rapid narrowing of the technology gap between China and the U.S. based on large percentage increases in Chinese patent applications, and equally large increases in college registrants and completed PhDs (especially in sciences) in China in recent years. Little literature attempts to measure the technology gap directly using estimates of country aggregate technologies. This gap is usually thought to be smaller than differences in GDP per capita since the later reflect both differing factor endowments and technology parameters. This paper assesses changes in China's technology gaps both with the U.S. and India between 1979 and 2008, comparing the technology level of these economies using a CES production framework in which the technology gap is reflected in the change of technology parameters. Our measure is related to but differs from the Malmquist index. We determine the parameter values for country technology by using calibration procedures. Our calculations suggest that the technology gap between China and the U.S. is significantly larger than that between India and the U.S. for the period before 2008. The pairwise gaps between the U.S. and China, and the U.S. and India remain large while narrowing at a slower rate than GDP per worker. Although China has a higher growth rate of total factor productivity than India over the period, the bilateral technology gap between China and India is still in India's favor. India had higher income per worker than China in the 1970's, and China's much more rapid physical and human capital accumulation has allowed China to move ahead, but a bilateral technology gap remains.
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.
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 | 0,024 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle