MétaCan
Menu
Retour à la cohorte
Enregistrement W2883724786 · doi:10.1080/10438599.2018.1500105

Measuring ‘indirect’ investments in ICT in OECD countries

2018· article· en· W2883724786 sur OpenAlexaboutno aff
Gilbert Cette, Jimmy Lopez, Giorgio Presidente, Vincenzo Spiezia

Notice bibliographique

RevueEconomics of Innovation and New Technology · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueICT Impact and Policies
Établissements canadiensnon disponible
Organismes subventionnairesAgence Nationale de la Recherche
Mots-clésInformation and Communications TechnologyEconomicsBusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

ICT components, such as microprocessors, may be embodied in other capital goods not recorded as ICT in National Accounts. We name ‘indirect ICT investment’ the value of embodied ICT components in non-ICT investment. The paper provides estimates of ‘indirect ICT investment’ based on detailed and unpublished Supply-Use tables (SUT) in 12 OECD countries: Australia, Belgium, Canada, Chile, Czech Republic, Denmark, France, Germany, Japan, Israel, Mexico, New Zealand, the United Kingdom, and the United States.Our main finding is that ICT investment appears significantly higher when considering its indirect component, the average increase being about 35%. The inclusion of indirect ICT investment, excluding software (for which firms’ expenditures are difficult to measure), changes significantly the relative position of countries with respect to the ICT intensity of their investments. The inclusion of software further increases indirect ICT investment but the increase is smaller (in percentage) than without this inclusion. A final result, but concerning only three countries, it that the diagnosis of a stabilisation, or even a decrease, of ICT investment in percentage of GDP or of total investment, observed from the beginning of the century, is not modified if we take into account the indirect ICT investment.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

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
Bibliométrie0,0060,009
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,029
Tête enseignante GPT0,232
Écart entre enseignants0,203 · 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

Citations10
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconomics of Innovation and New TechnologyMême sujetICT Impact and PoliciesTravaux en français237 207