Les disparitions du monde industriel: fermetures d'usines et retrait de capitaux
Bibliographic record
Abstract
Les disparitions d'usines sont une conséquence de l'échec des entreprises qui sortent d'un secteur. Ces disparitions sont également associées au renouvellement qui se produit lorsque les entreprises existantes ferment des usines et modernisent leurs installations de production et lorsqu'elles démarrent de nouvelles usines. Le taux de disparition d'usines a une incidence sur l'ampleur du changement qui se produit sur les marchés du capital et du travail. Les disparitions d'usines entraînent des pertes d'emplois et d'importants coûts sur le plan humain lorsque les employés sont obligés de chercher d'autre travail. Le processus de disparition entraîne également des pertes en capital, soit la perte de l'investissement fait par le système industriel dans la capacité de production. Nous nous fondons ici sur les données sur les disparitions d'usines pour fournir de nouveaux renseignements sur la durée de vie probable du capital investi dans les usines. Dans la présente étude, nous mesurons le taux de disparition de nouvelles usines dans le secteur canadien de la fabrication au cours d'une période de 40 ans. Nous élaborons un profil du taux de disparition des usines entrantes au fil du temps. En moyenne, 14 % des nouvelles usines disparaissent au cours de leur première année d'exploitation. Plus de la moitié des nouvelles usines disparaissent avant d'atteindre leur sixième anniversaire. Quinze ans après leur entrée, moins de 20 % demeurent en exploitation. Les usines de fabrication ont donc une durée de vie relativement courte. En moyenne, la durée de vie d'une nouvelle usine est de neuf ans seulement (17 ans si la moyenne est pondérée par l'emploi). Ces taux varient selon le secteur industriel. On observe la durée de vie la plus longue (13 ans) dans
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".