Shadow Economy in France: What Factors Matter?
Notice bibliographique
Résumé
Nous utilisons une approche dynamique structurelle pour évaluer l’importance relative de l’économie souterraine en France sur la période 1990-2019. Notre stratégie est fondée sur une analyse systématique des sources potentielles, légales et illégales, de l’économie souterraine. Nous montrons que l’écart entre les taux de croissance de consommation d’électricité et du PIB réel, sont les principaux moteurs de l’économie souterraine. Cependant, les infractions liées à la drogue ou les envois nets de billets à l’étranger ont aussi des effets significatifs sur les activités souterraines, même si leurs effets sont de moindre ampleur. L’économie souterraine reste importante en France, mais, rapporté au PIB, son poids a considérablement baissé dans les années 2000. Enfin, on observe de fortes relations entre l’indicateur d’économie souterraine et dénominations des billets. Ainsi, les tests de concordance montrent une synchronisation forte entre les indicateurs de l’économie souterraine (globale et légale) et les émissions nettes de billets (notamment les émissions nettes totales et les émissions nettes des coupures de 50 et 200 euros). En outre, les indicateurs de l’économie souterraine et de l’activité réelle (PIB réel, travailleurs indépendants) sont synchronisés. Nous observons également des corrélations positives entre les composantes cycliques des émissions nettes totales de billets de banque et des indicateurs estimés de l’économie souterraine. Par ailleurs, il existe des relations de causalité bidirectionnelles entre tous les indices de l’économie souterraine et la demande globale d’espèces. Toutefois, il n’existe qu’une causalité unidirectionnelle entre ces indices et la demande de petites dénominations (5, 10 et 20 euros). Classification JEL: C32, C51, O17
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,020 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».