Économies d’échelle et de gamme dans les coopératives de services financiers : une approche non paramétrique (DEA)
Bibliographic record
Abstract
Lorsque des économies d’échelle et de gamme sont simultanément présentes, le regroupement des établissements tend à réduire les coûts. Puisque de nombreuses études empiriques ont déjà établi que les coûts des banques tendent à devenir proportionnels au-delà d’une certaine taille, il y aurait une limite à ces économies d’échelle et de gamme dans l’industrie bancaire. Nous étudions si l’important processus de fusions des caisses Desjardins et des caisses acadiennes entrepris en 1998 les a poussées au-delà de leur seuil minimal d’efficacité. Une analyse initiale à l’aide du lissage exponentiel montre que le coût moyen d’opération cesse de diminuer lorsque l’actif d’une caisse atteint 250 millions de dollars. Nous effectuons cependant une analyse plus formelle à l’aide de la méthode du Data envelopment analysis (DEA) et utilisons un résultat de Fortin et Leclerc (2006) pour décomposer les économies de gamme en efficacité d’échelle et en une mesure de convexité de la fonction de production. En combinant cette décomposition avec les méthodes maintenant bien connues pour calculer l’efficacité d’échelle avec le DEA, nous montrons que la plupart des fusions ont amené la caisse fusionnée à une taille telle qu’elle se situe en situation de rendement d’échelle décroissant. La recherche de la taille optimale ne semble donc pas être la première préoccupation dans la décision de fusion.
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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".