Межстрановые Различия В Душевых Ввп И Производительности Труда: Роль Капитала, Уровня Технологий И Природной Ренты [International differences in per capita GDP and labor productivity: role of capital, technological level and resource rent]
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
Using level accounting methodology this article examines sources of per capita GDP and labor productivity differences between Russia and developed and developing countries. Analysis concentrates on the assessment of role of the following determinants in per capita GDP gap: per hour labor productivity, number of hours worked per worker and labor-population ratio. The task of quantitative assessment of the role of such factors as human capital, capital-labor ratio and technological level (multifactor productivity) in Russia-to-developed-countries labor productivity gap is solved for the first time in literature. It is shown that labor productivity difference is the main reason of Russia`s lagging behind. Next, it is found that 41-49% of 3-time labor productivity gap between Russia and developed countries (US, Canada, Germany) is explained by lower capital-to-labor ratio and the latter 47-57% of gap is due to lower technological level (multifactor productivity, MFP). Human capital level in Russia is almost the same as in developed countries, so it explains only 2-5% of labor productivity gap. Exclusion of resource rent from GDP leads to more pessimistic estimates of Russian productivity: labor productivity drops from 35% to 27% to US level, while technological level (MFP) drops from 55% to 43% to US level in 2011 year. Methodological developments in data used (such as data on hours worked, human capital, resource rent and current PPPs) result in more precise estimates of Russian labor productivity and technological level.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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