Le mécanisme de sélection des firmes est-il efficace? Une approche en termes de coût d’opportunité
Bibliographic record
Abstract
La littérature récente a toujours attribué au phénomène dit de « sélection naturelle » – selon lequel, seules les firmes les plus efficientes survivent alors que les autres sont éliminées par le jeu de la concurrence – un rôle crucial dans la croissance de l’efficience agrégée. En supposant, dans le cadre d’un modèle théorique que les firmes différent non seulement par leurs niveaux d’efficience mais aussi par leurs valeurs de réservation, nous montrons ici que le rôle du mécanisme de sélection dans la croissance de l’efficience agrégée peut être remis en cause notamment lorsque les sortants sont plutôt les firmes les plus efficientes. Un autre résultat important consiste à montrer, qu’à l’équilibre stationnaire, les firmes efficientes et inefficientes peuvent coexister. Ce faisant, le modèle développé permet de rendre compte de la persistance des firmes inefficientes et de la grande dispersion des niveaux d’efficience constatée dans plusieurs études empiriques.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".