MétaCan
Menu
Retour à la cohorte
Enregistrement W2510921317 · doi:10.1787/5jlv23k891r8-en

Boosting productivity through greater small business dynamism in Canada

2016· paratext· en· W2510921317 sur OpenAlexaffabout

Notice bibliographique

RevueOECD Economics Department working papers · 2016
Typeparatext
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésDynamismBoosting (machine learning)ProductivityBusinessEconomicsArtificial intelligenceComputer scienceEconomic growth

Résumé

récupéré en direct d'OpenAlex

Small business dynamism is a feature of an SME sector that contributes to overall productivity growth, not an end in itself. Such dynamism increases productivity growth by reallocating resources towards more productive firms and strengthening the diffusion of new technologies. Small business dynamism in Canada has declined in recent decades, as in other OECD countries, but overall it remains in the middle of the range, with some indicators above average and others below. Framework economic policies are generally supportive of small business dynamism, especially labour regulation, but there is scope to reduce regulatory barriers to product market competition. Canada has many programmes to support small businesses. Some of the largest programmes are not well focused on reducing market failures. Focusing support more on reducing clear market failures would increase the contribution of these programmes to productivity growth and living standards. This would likely entail redirecting support from small businesses in general to start-ups and young firms with innovative projects, which would boost small business dynamism. This Working Paper relates to the 2016 OECD Economic Survey of Canada (www.oecd.org/eco/surveys/economic-survey-canada.htm)

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,113
Score d'incertitude au seuil0,818

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,005
Études des sciences et des technologies0,0040,001
Communication savante0,0040,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,194
Écart entre enseignants0,159 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations7
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOECD Economics Department working papersMême sujetFirm Innovation and GrowthTravaux en français237 207