Valorisation des investissements ultra-longs et dÉveloppement durable
Bibliographic record
Abstract
En faisons-nous assez pour les générations futures? Cette question est sous-jacente à de nombreuses questions économiques actuelles, comme celles de la réduction de la dette, de la réforme des retraites, de la lutte contre le changement climatique, de la préservation des ressources naturelles, des investissements d’infrastructure ou de la fiscalité de l’épargne par exemple. Notre responsabilité sociale envers les générations futures se traduit en termes économiques par le taux d’actualisation, qui donne une valeur au futur relativement au présent, et qui détermine l’arbitrage présent/futur des agents économiques. Si on reconnaît qu’une société court-termiste utilise un taux d’actualisation trop élevé, comment déterminer le niveau désirable de ce taux? Dans cet article, je synthétise les importants développements scientifiques récents sur ce sujet. Étant donné la baisse tendancielle de nos anticipations de croissance et les fortes incertitudes sur les évolutions longues de notre société, je recommande un taux sans risque de deux fois le taux de croissance anticipé de la consommation (pour actualiser des cash flows engendrés sur les horizons inférieurs à 20 ans) à 1 % (pour des maturités au-delà de 100 ans). La prime de risque devrait aussi avoir une structure par terme, s’étalant de 1 % à court terme jusqu’à 3 % pour le long terme.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".