Technologies de l’information, productivité et croissance des entreprises : résultats basés sur de nouvelles microdonnées internationales
Bibliographic record
Abstract
La relation entre les technologies de l’information (TI), la productivité et la croissance économique a été établie au niveau agrégé. Cependant, les mécanismes par lesquels l’effet se manifeste au niveau de l’entreprise restent à préciser. Les organismes statistiques ont élaboré des indicateurs de l’aptitude des entreprises à utiliser les technologies de l’information (p. ex. l’infrastructure des technologies de l’information, la diffusion de technologies particulières) et certains indicateurs de l’utilisation réelle (p. ex. buts et fréquence d’utilisation). L’étape suivante consiste à produire des estimations de l’impact de l’utilisation des technologies de l’information. Une étude menée récemment par l’OCDE visait à résoudre cette question en utilisant des données agrégées pour les pays membres de l’OCDE, ainsi que des microdonnées pour l’Allemagne et les États‑Unis. Une deuxième phase de l’étude de l’OCDE consistera en une série de projets, regroupant deux ou trois pays, réalisée au moyen de nouvelles microdonnées obtenues récemment pour une douzaine de pays environ. Le présent article décrit l’un de ces projets, destiné à évaluer l’effet des technologies de l’information au Danemark, au Japon et aux États‑Unis. Chacun de ces pays a recueilli récemment de nouvelles données sur l’utilisation des technologies de l’information au niveau de l’entreprise et procédé à l’analyse préliminaire de celles-ci. En outre, chaque pays se distingue des autres par sa structure de marché et sa structure institutionnelle. La prochaine phase du projet consistera à élaborer des estimations de l’effet de l’utilisation des technologies de l’information fondées sur ces nouvelles microdonnées, ainsi qu’à émettre et à tester des hypothèses qui tiennent compte des différences entre les structures de marché et les structures institutionnelles de ces pays.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| 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".