MétaCan
Menu
Retour à la cohorte
Enregistrement W2920883536

Productivity Growth in Canada and the United States: Recent Industry Trends and Potential Explanations

2018· article· en· W2920883536 sur OpenAlexaffabout
Wulong Gu, Michael Willox

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Productivity
Établissements canadiensStatistics Canada
Organismes subventionnairesnon disponible
Mots-clésProductivityAgricultural economicsEconomicsEconomic geographyPolitical scienceRegional scienceInternational tradeGeographyEconomic growth
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Labour productivity growth in Canada was weaker than that in the United States from the mid-1980s to 2010, leading to a decline in Canada’s relative productivity level. This situation was mainly due to the lower multifactor productivity (MFP) growth experienced in most Canadian industries in that period. After 2010, however, the pattern reversed itself as labour productivity growth in Canada exceeded that of the United States. Higher labour productivity growth in Canada for the 2010-2014 period was due to a relatively larger capital deepening effect and relatively higher MFP growth. Both these developments were associated with stronger output growth and stronger demand in Canada. In addition, the contributions of ICT producing and ICT intensive using industries to U.S. labour productivity growth waned after 2010. For Canada, ICT producing industries contributed little to overall labour productivity before and after 2010, while ICT intensive using industries exhibited stronger productivity growth after 2010. The latter may reflect the more moderate ICT investment in Canada compared to the United States in the 1990s and early 2000s and the more gradual realization of benefits of ICT usage.

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)0,002
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 enseignants0,037
Score d'incertitude au seuil0,266

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,019
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,032
Tête enseignante GPT0,252
Écart entre enseignants0,220 · 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

Citations1
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetEconomic Growth and ProductivityTravaux en français237 207