Economies d'agglomeration: estimations de panel de microdonnees du secteur canadien de la fabrication
Bibliographic record
Abstract
La productivité et les salaires ont tendance à être plus élevés dans les villes. L'explication courante de ce phénomène repose sur les économies d'agglomération, qui font augmenter le rendement associé au fait d'occuper un emplacement urbain. Les arguments parallèles axés sur la spécialisation et sur la diversité viennent étayer cette explication proposée. Depuis longtemps, la recherche empirique s'efforce de confirmer l'existence de telles économies d'agglomération et de trancher entre, d'une part, les modèles de Marshall, Arrow et Romer (MAR), qui avancent que les avantages de la proximité sont en grande partie confinés à des industries particulières, et d'autre part l'argument de Jacobs (1969) voulant que de tels avantages découlent de l'accroissement général de la densité de l'activité économique dans un emplacement donné et profitent à l'ensemble des occupants de cet emplacement. L'objet premier de la présente étude est de déterminer les principales sources de la hausse du rendement en région urbaine, dans la foulée des travaux de Marshall (1920). L'examen de la distance sur laquelle se manifestent les externalités entre entreprises appartenant à une même industrie constitue un deuxième objectif. Afin d'étudier ces questions, nous utilisons des données au niveau des établissements, structurées sous forme de panel pour les années 1989 et 1999. Les données de panel permettent d'éliminer le biais d'échantillonnage découlant de l'hétérogénéité non observée au niveau des établissements, cette hétérogénéité étant constante au fil du temps. Les
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".