Diplômes et croissance économique : quelques chaînons manquants
Notice bibliographique
Résumé
Depuis les années 1970 la connexion entre capital humain et croissance économique a été supposée évidente, et on a donc prôné l’augmentation du capital humain – plus spécifiquement les diplômés universitaires (OCDE, 2012) – comme moteur de croissance national et régional. Or, les études empiriques ne sont pas aussi robustes qu’elles paraissent : bien qu’il n’y ait aucun doute que dans chaque cohorte les diplômés tendent à gagner plus que les non diplômés, il y a de plus en plus de résultats qui montrent que le lien entre diplômé et croissance économique est désormais scindé. La connexion, si elle existe, dépend du contexte. Dans cet article je résume les arguments selon lesquels le capital humain – et plus spécifiquement les diplômés – entraîne la croissance, et je distingue les deux. Alors que le capital humain au sens large (connaissances et savoir-faire qui permettent d’obtenir un revenu) est évidemment lié à l’activité économique et aux processus de croissance, ce concept est difficile à cerner et à mesurer. Les politiques publiques qui découlent de cette théorie sont inefficaces car elles se focalisent sur un indicateur, le nombre de diplômés, dont il y a une suroffre. Les diplômes servent autant de marqueurs sociaux (ils indiquent le capital social et culturel du détenteur) et de droit d’entrée au marché du travail (le diplôme est nécessaire pour que la demande d’emploi soit considérée) que d’indicateurs du capital humain des détenteurs. Un exemple empirique tiré du Canada montre toute la difficulté à établir un lien clair entre croissance locale et la présence de diplômés locaux.=====Abstract \nIt is has been accepted as almost self-evident, at least since the 1970s, that human capital is related to economic growth, and that therefore increases in human capital – and specifically of degree holders (OECD, 2012) – is a prerequisite for regional and national growth. However, the empirical evidence for this is not as robust as it seems: whilst there is no doubt that in any cohort \ndegree holders tend to earn more than non-degree holders, there is evidence that higher numbers of degree holders are decreasingly associated with growth. Any connection, if it exists, is context dependent. In this paper I go over the arguments that relate human capital – and more specifically university degree holders – with growth, and I distinguish the two. Whilst human capital, in a broad sense (knowledge and know-how from which the holder derives income), is self-evidently associated with economic activity and growth processes, the concept is elusive and very difficult to measure. The policies derived from the theoretical insight linking human capital to growth are misguided because they are focussing upon an indicator (number of degree holders - of which there is increasingly an over-supply). Degrees serve as much as social markers (they demonstrate the social and cultural capital of the holder) and credentials (they are necessary just to be considered for a job) as they do for the human capital that they impart. An empirical example using Canadian data highlights the difficulty in establishing any clear connection between local human capital levels and growth.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».