Comment les regions du Canada sadaptent-elles a un marche nord-americain plus grand et plus integre?
Bibliographic record
Abstract
Le présent rapport porte sur deux questions trop peu étudiées, mais qui deviennent de plus en plus importantes, à savoir la mesure de l'intégration régionale et les avantages régionaux de l'intégration économique nord américaine. L'objectif est d'évaluer l'intégration des diverses régions du Canada et des États-Unis dans le secteur de la fabrication et d'étudier, au niveau régional, l'effet de l'intensification de l'intégration commerciale sur la croissance de la productivité et sur certaines autres variables du rendement économique. Notre étude montre que l'intégration du commerce de produits manufacturés entre les États-Unis et le Canada et chacune de ses régions s'accentue, mais qu'elle est beaucoup plus importante en Ontario que dans le reste du Canada. Bien qu'elle se soit traduite dans toutes les régions par un accroissement de la productivité, une hausse des salaires et une plus forte croissance de la production, l'Ontario a été le principal bénéficiaire. Nous ne dégageons aucune preuve qu'une plus grande intégration du commerce de produits manufacturés avec les États-Unis a eu d'autres conséquences que des pertes d'emplois à court terme résultant d'un ajustement. Le Canada et chacune de ses régions ont vu augmenter leur part de la fabrication nord américaine, résultat fort différent des conjectures voulant que ce soit les États-Unis et non le Canada qui voient croître leur part de la production nord américaine (Krugman, 1980).
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.005 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.008 | 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".