Production et rationalisation des intermédiaires financiers: Leçons à tirer de l’expérience des Caisses Populaires Acadiennes
Bibliographic record
Abstract
Resume Nous mesurons à l’aide du DEA (Data Envelopment Analysis) l’efficacité des caisses populaires acadiennes en utilisant la valeur des produits d’intermédiation ainsi que le nombre de transactions réalisées par chaque caisse entre 1997 et 2000, au moment où un important programme de fusions et de réingénierie financière était mis en place. Cette analyse permet d’établir plusieurs résultats. Tout d’abord, l’inclusion des produits transactionnels réduit environ de moitié l’inefficacité technique et économique par rapport à l’inefficacité obtenue lorsque l’output des caisses est limité seulement aux produits transactionnels. Un algorithme d’auto‐amorçage permet de vérifier que ce résultat est statistiquement significatif. Ensuite, nous montrons que le programme de fusions a touché surtout les caisses moins efficaces et a permis d’augmenter de façon importante leur efficacité grâce à une baisse du nombre d’employés en équivalent temps complet. Finalement, nous montrons que d’importants progrès technologiques ont été réalisés entre 1997 et 2000 en raison de l’accroissement du nombre de transactions informatisées. Des gains additionnels de productivité ont été rendus possible grâce à l’amélioration de l’efficacité des caisses ayant participéà une fusion tandis que les caisses n’ayant pas fusionné, bien que plus efficaces au départ que les autres, n’ont pas réalisé de gains d’efficacité.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".