Bibliographic record
Abstract
Em nível elementar, mas rigoroso, desenvolve-se o conceito de retornos àescala. Argumenta-se que retornos crescentes ou constantes não são compatíveis com aexistência de mercados competitivos, pois se convergiria para um número pequeno deempresas, o que contradiz o mundo observado. A tese é que a curva de custo médiotenha forma de U. À direita do mínimo, prevalecem retornos crescentes, no mínimoretornos constantes, e à direita, retornos decrescentes. Em regime de competição, livrede imperfeições de mercado, a firma converge para o ramo de retorno crescente. Quando,no mundo real, se detecta retorno crescente ou constante, tem-se um sinal claro queas firmas estão enfrentando restrições devidas a imperfeições de mercado, as quais asimpedem de mover para o ramo de retornos decrescentes da curva de custo médio. Poristo, os resultados de modelos econométricos que detectam retornos crescentes ouconstantes devem levar o estudioso a indagar quais imperfeições de mercado fundamentamesses retornos. Além disso, o conhecimento das imperfeições de mercado é básicoà formulação de políticas econômicas que visem ao desenvolvimento econômico, numcontexto de oportunidades iguais para todo. Os dados disponíveis cobriram seis culturase mostraram um padrão de muitos produzindo muito pouco, e de poucos produzindomuito, padrão mais visível nas culturas modernas, como a soja. Os resultados revistosde um modelo econométrico indicaram que o grupo mal sucedido, de dois grupos depequenos produtores, tem retornos crescentes à escala e não pode expandir a produção,dadas as restrições.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.002 | 0.012 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".