Disentangling neutral, directional, and complementarity effects of technological change: evidence from 32 OECD countries, 1994–2019
Notice bibliographique
Résumé
This paper develops and applies a novel growth-accounting methodology based on a Constant Elasticity of Substitution (CES) production function to disentangle the total effect of technological change on GDP into three components: neutral (level), directional (bias), and complementarity (substitution). While the neutral effect corresponds to Solow’s Total Factor Productivity (TFP), the directional effect captures changes in output elasticity, and the complementarity effect reflects variations in the elasticity of substitution between capital and labor. Applying the framework to a balanced panel of 32 OECD countries over 1994–2019 reveals that neutral technological change alone contributed little, and in many cases negatively, to GDP growth, in line with the ‘productivity paradox’. By contrast, the directional effect emerges as the dominant positive channel in nearly all countries, while the complementarity effect, though typically smaller, plays a substantial role in Canada, South Korea, and the UK; has been historically important in France, Italy, and Spain; and is increasingly salient in Australia, Japan, and the US. These results highlight the need to go beyond standard TFP measures to fully capture the economic impact of innovation, as well as the policy relevance of influencing both the direction and the complementarity of technological change.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».