Villes et croissance: niveaux de gains selon les regions urbaines et rurales au Canada: le role du capital humain
Bibliographic record
Abstract
À l'aide de données du Recensement de 2001, nous étudions dans quelle mesure l'écart urbain-rural entre les gains des travailleurs occupés est influencé par la composition du capital humain et les économies d'agglomération. Ces facteurs ont tous deux été associés théoriquement et empiriquement aux différences de gains entre régions urbaines et rurales. Les économies d'agglomération, c'est-à-dire les effets de la concentration géographique des travailleurs et des entreprises favorables à la productivité, pourraient être à la base de ces différences car elles sont peut-être plus importantes dans les grands centres urbains. Cependant, la composition du capital humain pourrait également déterminer l'écart entre les gains des travailleurs des régions urbaines et ceux des régions rurales si les travailleurs dont le niveau d'études ou d'expérience est plus élevé sont proportionnellement plus nombreux dans les villes. L'analyse révèle que la composition du capital humain explique jusqu'à la moitié des différences de gains entre les régions urbaines et rurales. Elle démontre aussi que les économies d'agglomération liées à la taille de la ville sont associées aux niveaux de gains, mais que leur influence est réduite significativement lorsqu'on introduit dans le modèle des contrôles pour le capital humain.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".