MétaCan
Menu
Retour à la cohorte
Enregistrement W3125430313 · doi:10.34989/swp-2005-12

Do Exchange Rates Affect the Capital-Labour Ratio? Panel Evidence from Canadian Manufacturing Industries

2021· preprint· en· W3125430313 sur OpenAlexaffabout
Danny Leung, Terence Yuen

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésDepreciation (economics)EconomicsLabour economicsRelative priceProductivityCapital (architecture)Liberian dollarExchange ratePanel dataCost of capitalMonetary economicsEconometricsHuman capitalCapital formationMacroeconomicsMicroeconomicsFinancial capitalMarket economy

Résumé

récupéré en direct d'OpenAlex

Using industry-level data for Canadian manufacturing industries from 1981 to 1997, the authors find empirical evidence of a negative relationship between the capital-labour ratio and the user cost of capital relative to the price of labour. A 10 per cent increase in the user cost of the machinery and equipment (M&E) relative to the price of labour results in a 3.3 per cent decrease in the M&E-labour ratio in the long run. Assuming complete exchange rate pass-through into imported M&E prices, the maximum effect of a permanent 10 per cent depreciation in the exchange rate is a 5.2 per cent increase in the user cost of M&E, and a 1.7 per cent decline in the M&E-labour ratio. This result implies that the cumulative growth of the M&E-labour ratio during the 1991–97 period would have been 2.3 percentage points higher had the dollar not depreciated. This may appear to be significant, but, considering that M&E as a share of total capital and capital's share of nominal output are both approximately one-third, in terms of a simple growth accounting framework, the effect on labour productivity is small.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,211
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,003
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 Opus0,109
Tête enseignante GPT0,301
Écart entre enseignants0,191 · 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 tête enseignante, pas un consensus.

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

Citations8
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetFirm Innovation and GrowthTravaux en français237 207