L’impact des nouvelles technologies de l’information sur la croissance française, 1980-2001
Bibliographic record
Abstract
Cet article évalue la contribution des technologies de l’information à la croissance française au niveau macroéconomique. Nous mettons l’accent sur le rôle de la qualité du travail dans l’évolution de la productivité, notamment sur la période 1982-2001 et analysons les facteurs qui favorisent ou au contraire détériorent cette qualité. L’une des raisons, pour lesquelles la France et l’Allemagne restent en retrait des États-Unis et du Royaume-Uni en matière de contribution du capital lié aux technologies de l’information, est à rechercher non pas dans les taux de croissance mais dans les parts de l’investissement en technologies de l’information, la part américaine dans les investissements non résidentiels totaux étant deux fois plus élevée que les parts française et allemande. La contribution des technologies de l’information à la croissance de la productivité horaire s’est sensiblement élevée entre 1990-1995 et 1995-2001. Cette accélération, qui se double d’une hausse de la productivité multifactorielle ne s’est pas accompagnée d’une amélioration de la qualité du travail. Celle-ci a régulièrement augmenté en France jusqu’à la période 1990-1995, grâce à la contribution de l’éducation. Cependant, sur la dernière période, la baisse de la qualité du travail français est concomitante à la hausse des heures travaillées des catégories de travailleurs moins bien rémunérés, en particulier les jeunes. La différence d’accélération de la productivité multifactorielle entre la France et les États-Unis, favorable à la France sur la dernière période, témoigne de l’emploi accru aux États-Unis des intrants. La baisse du chômage des non-qualifiés tend par ailleurs à y modérer la contribution des diplômes à la qualité du travail sur la décennie quatre-vingt-dix par rapport à la décennie précédente.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".