Des monnaies locales pour le développement territorial ? Une application de la théorie de la base économique aux monnaies locales convertibles
Bibliographic record
Abstract
Dans cet article, nous analysons le fonctionnement des monnaies locales convertibles (MLC) au travers de la théorie de la base économique. Nous mettons ainsi en évidence les mécanismes des MLC pouvant favoriser le développement de l’économie territoriale, notamment l’internalisation de la demande de leurs membres. Les utilisateurs des MLC ne représentent qu’une fraction des acteurs du territoire. Les MLC soutiennent donc le développement de sous-communautés spécifiques, mais dont la croissance peut transformer les économies territoriales. L’analyse des données de transaction numérique de la SoNantes et l’Eusko dévoile les sphères économiques empiriquement soutenues par les MLC. Ainsi, ces deux MLC françaises s’implantent essentiellement dans les secteurs domestiques et si, la SoNantes intègre des entreprises dédiées au soutien à des activités productives, les deux MLC irriguent majoritairement des activités de distribution et de consommation courante à destination des ménages. La transmission des recettes perçues par ces secteurs à des activités productives demeure faible, limitant le réel potentiel de développement économique des MLC.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 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".