If it Matters, Measure it: Unpacking Diversification in Canada
Notice bibliographique
Résumé
Will greater diversification benefit our economy? While many think it will, few are explicit about what they mean by diversification or what an “ideal” level would be. Even fewer recognize that favoured policies to promote diversification could actually do more harm than good. There are many ways to measure diversification in Canada, and each measure tells a different story. Canada’s GDP and employment, for example, are more diverse than many other countries, including the U.S. Employment is also more diversified today than at any point in its recent history, even in resource-rich provinces. Perhaps surprisingly, Alberta and Saskatchewan lead the country in employment diversity. Even accounting for non-resource jobs that are indirectly linked to resources does not reveal resource-rich provinces to be less diverse than others. To be sure, by other measures they are less diverse and more volatile, so we gather and analyze a wealth of data to paint a full, nuanced, and sometimes surprising picture of diversification in Canada. But does diversification even matter? Economists, for centuries, have found gains from specializing in areas where we have a comparative advantage. Subsidizing certain selected industries therefore risks causing economic damage by distorting activity and displacing workers and investment from more valuable uses. Policy-makers should therefore focus on neutral policies: create a favorable investment climate, facilitate adjustment and re-training, encourage savings (including by government), and so on. We discuss the pros and cons of various options. At the end of the day, responsible governments must define their objectives clearly, and recognize the costs of policies meant to achieve those objectives. We cannot hope to have a sensible debate on economic policy without full and complete information. If it matters, measure it.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,019 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».