Mesure du revenu reel dans le Systeme de comptabilite nationale: une application aux economies nord-americaines
Bibliographic record
Abstract
Dans la présente étude, des statistiques sur la production et le revenu provenant du Système de comptabilité nationale sont utilisées pour examiner la performance dans les trois pays de l'Amérique du Nord. Ce faisant, l'étude s'appuie sur des recommandations formulées dans le Système de comptabilité nationale de 1993 (SCN de 1993) pour calculer des statistiques sur le revenu réel agrégé telles que le revenu national brut (RNB) et le revenu national disponible brut (RNDB) plutôt que des statistiques sur le produit intérieur brut (PIB) réel agrégé en vue de démontrer l'utilité d'autres mesures pour analyser la performance économique agrégée et le niveau de vie. Pour passer des estimations du PIB à celles du RNB et du RNDB, des corrections sont apportées aux variations des prix relatifs appelées « gain d'échange » (c.-à-d. l'effet combiné des variations des termes de l'échange et des variations du ratio des prix des biens échangés à ceux des biens non échangés), ainsi qu'aux écritures du compte courant ne faisant pas partie de la balance commerciale. L'étude compare les mesures de production et de revenu réels utilisées pour le Mexique, les États Unis et le Canada. Les différences entre les estimations du PIB et celles du RNDB illustrent la mesure dans laquelle des facteurs n'entrant pas dans la production, tels que les variations des prix relatifs, peuvent avoir une incidence sur la performance économique d'un pays par comparaison à celle d'autres pays ou en ce qui a trait à sa capacité d'acheter les biens et services que consomment ses citoyens. Elles illustrent aussi le bienfait d'utiliser plus d'une mesure pour comparer la performance économique
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 | 0.007 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".