Caractéristiques locales et individuelles : une analyse spatiale de la croissance des établissements en région non métropolitaine
Bibliographic record
Abstract
L’objectif de cet article est de vérifier si les caractéristiques locales et/ou individuelles influencent la croissance de l’emploi des nouveaux établissements dans la région non métropolitaine du Bas-Saint-Laurent (BSL) au Québec. À partir des microdonnées de nouveaux établissements créés entre 2008 et 2014, des indicateurs de concentration spatiale caractérisent le milieu des établissements dans un rayon de 1250 mètres. Une modélisation en deux étapes par la procédure de Heckman (1979) a permis, d’une part, de modéliser la survie (modèle probit) des nouveaux établissements et, d’autre part, de corriger le biais de sélection et d’estimer la croissance de l’emploi des nouveaux établissements (modèle SDM-Spatial Durbin Model). Les résultats montrent que les caractéristiques individuelles et locales influencent la survie des établissements. Quant à la croissance de l’emploi des nouveaux établissements, c’est en période de récession que le milieu fait la différence. En plus d’être influencée par les caractéristiques individuelles, la spécialisation industrielle relative au secteur du commerce & du transport et la variété reliée se présentent comme des milieux favorables à la croissance des établissements en période de récession.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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 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".