Assessing the Impact of Demographic Composition on Productivity
Notice bibliographique
Résumé
Le présent article traite de l'effet des facteurs démographiques sur la production potentielle et s'attarde sur les conséquences de la répartition selon l’âge de la population active et de la dépendance aux personnes âgées sur la productivité globale. S'inspirant du travail de James Feyrer, les chercheurs soulignent que l'apport à la productivité globale varie selon le groupe d’âge, les personnes d’âge moyen (âgées de 40 à 49 ans) étant les plus productives. Selon leur analyse, les changements à la composition démographique pourraient expliquer certaines des tendances à la productivité observées en Chine, aux États-Unis et au Canada, ce qui démontre l'importance de tenir compte des effets de la répartition démographique pour estimer la production potentielle. Notamment, les facteurs démographiques devraient réduire l’écart des tendances de croissance de la productivité (TCP) entre la Chine et les États-Unis de près de un point de pourcentage au cours du reste de la décennie (de 2024 à 2030). En moyenne, la croissance des TCP en Chine pourrait diminuer de 0,8 point de pourcentage, tandis que celle des États-Unis pourrait augmenter de 0,1 point de pourcentage. Les facteurs démographiques canadiens mènent à la même conclusion qu'aux États-Unis. Après avoir calculé une moyenne d'environ un point de pourcentage par année entre 2010 et 2019, les facteurs démographiques favorables devraient se dissiper pleinement pendant les années 2020, une tendance qui pourrait signaler un risque de hausse des TCP canadiennes.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».