MétaCan
Menu
Retour à la cohorte
Enregistrement W3167326842 · doi:10.18235/0003029

Firm-Embedded Productivity and Cross-Country Income Differences

2021· report· en· W3167326842 sur OpenAlexaff
Vanessa Alviarez, Javier Cravino, Natalia Ramondo

Notice bibliographique

Revuenon disponible
Typereport
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Policies and Impacts
Établissements canadiensUniversity of British ColumbiaUniversity of British Columbia Hospital
Organismes subventionnairesnon disponible
Mots-clésProductivityMultinational corporationSample (material)Competition (biology)Developing countryBusinessVariance (accounting)Measure (data warehouse)Cross countryCapital (architecture)Industrial organizationLabour economicsEconomicsInternational economicsMacroeconomicsEconomic growthFinance

Résumé

récupéré en direct d'OpenAlex

We measure the contribution of firm-embedded productivity to cross-country income differences. By firm-embedded productivity we refer to the components of productivity that differ across firms and that can be transferred internationally, such as blueprints, management practices, and intangible capital. Our approach relies on micro-level data on the cross-border operations of multinational enterprises (MNEs). We compare the market shares of the exact same MNE in different countries and document that they are about four times larger in developing than in high-income coun-tries. This finding indicates that MNEs face less competition in less-developed coun-tries, suggesting that firm-embedded productivity in those countries is scarce. We propose and implement a new measure of firm-embedded productivity based on this observation. We find a strong positive correlation between our measure and output per worker across countries. In our sample, differences in firm-embedded productivity account for roughly a third of the cross-country variance in output per worker.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), 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 enseignants0,350
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
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 Opus0,068
Tête enseignante GPT0,290
Écart entre enseignants0,223 · 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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEconomic Policies and ImpactsTravaux en français237 207