Villes et croissance: niveaux de gains selon les regions urbaines et rurales au Canada: le role du capital humain
Notice bibliographique
Résumé
À l'aide de données du Recensement de 2001, nous étudions dans quelle mesure l'écart urbain-rural entre les gains des travailleurs occupés est influencé par la composition du capital humain et les économies d'agglomération. Ces facteurs ont tous deux été associés théoriquement et empiriquement aux différences de gains entre régions urbaines et rurales. Les économies d'agglomération, c'est-à-dire les effets de la concentration géographique des travailleurs et des entreprises favorables à la productivité, pourraient être à la base de ces différences car elles sont peut-être plus importantes dans les grands centres urbains. Cependant, la composition du capital humain pourrait également déterminer l'écart entre les gains des travailleurs des régions urbaines et ceux des régions rurales si les travailleurs dont le niveau d'études ou d'expérience est plus élevé sont proportionnellement plus nombreux dans les villes. L'analyse révèle que la composition du capital humain explique jusqu'à la moitié des différences de gains entre les régions urbaines et rurales. Elle démontre aussi que les économies d'agglomération liées à la taille de la ville sont associées aux niveaux de gains, mais que leur influence est réduite significativement lorsqu'on introduit dans le modèle des contrôles pour le capital humain.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».