The Impact of Leased and Rented Assets on Industry Productivity Measurement
Notice bibliographique
Résumé
Leasing is an important means of gaining access to assets, of obtaining finance, and of reducing a lessee?s exposure to the risks inherent to asset ownership. A lease can be either a financial lease (capital lease) or an operating lease (capital rental). A financial lease is one where the legal owner of an asset (lessor) passes the economic ownership to the user of the asset (lessee), who then accepts the operating risks and receives the economic benefits from using the asset in a productive activity. Under an operating lease, the lessor is both the legal owner and the economic owner of the asset leased (rented), bearing the operating risks and receiving the economic benefits from the asset. The lessor transfers only the right to use the asset to the lessee. Leasing offers firms the possibility to acquire the right to use capital assets under terms that differ from those prevailing through other financial instruments. The recording of leased assets in the Canadian System of National Accounts is ownership-based rather than user-based. The separation of capital ownership, in particular legal ownership, from the use of capital assets poses challenges to productivity measurement. To obtain consistent productivity measures at an industry level, leased and rented capital assets must be reallocated from owners? accounts to users? accounts. By using the General Index of Financial Information (GIFI) corporate balance sheets and detailed input-output tables, this paper tests the robustness of existing practices of data collection on leased and rented capital.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».