Variation de productivité et rendements d'échelle en DEA : l'intégration de la réglementation
Bibliographic record
Abstract
Ce mémoire est une analyse à la fois théorique et empirique de la méthode du Data Envelopment Analysis (DEA) en présence de réglementation. Deux aspects de cette méthode sont explorés, l'indice de productivité de Malmquist et les rendements d'échelle. Dans un premier temps, nous nous sommes attardés à décrire la mesure conventionnelle de la productivité présentée par Solow en y ajoutant différents facteurs l'influençant, soit les rendements d'échelle non-constants, l'inefficience, les intrants quasi-fixes, l'investissement et la réglementation. Nous y dérivons aussi l'équation faisant le lien théorique entre les rendements d'échelle technologiques et les rendements d'échelle réglementés en s'assurant de bien différencier les deux concepts. Dans un deuxième temps, nous présentons un indice empirique de la mesure de productivité, l'indice de productivité de Malmquist. Suivant la chronologie de la littérature existante, nous intégrons l'inefficience, les intrants quasi-fixes, l'investissement, les rendements d'échelle non-constants et finalement, un pas en avant dans la littérature, la réglementation. Dans un troisième temps, la méthode du DEA est présentée brièvement dans ses qualités et ses défauts. Dans un quatrième temps, nous nous penchons sur le calcul des rendements d'échelle par la méthode du DEA et sur les implications, à la fois méthodologiques et au niveau de l'interprétation, de l'intégration de l'investissement et de la réglementation. Finalement, nous procédons à une analyse de la productivité des transporteurs aériens canadiens en rapport avec la déréglementation du secteur au fil des ans. La réglementation a joué un rôle important dans l'industrie des transporteurs aériens au Canada en ralentissant la croissance de l'efficacité de près de 10 % en moyenne en empêchant l'ajustement optimal des intrants. Le mécanisme par lequel cette diminution de réglementation s'est opérée par le biais de la variation de l'inefficience, i.e. de la gestion des intrants (quasi-fixes et variables). De plus, nous avons montré que la taille optimale de l'industrie fut atteinte avant même la vague de fusion au milieu des années 80, ce qui tend à montrer que ces fusions ne furent pas faite pour profiter de rendements d'échelle encore croissants.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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 teacher head, 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".