Shadow Economy in France: What Factors Matter?
Bibliographic record
Abstract
Nous utilisons une approche dynamique structurelle pour évaluer l’importance relative de l’économie souterraine en France sur la période 1990-2019. Notre stratégie est fondée sur une analyse systématique des sources potentielles, légales et illégales, de l’économie souterraine. Nous montrons que l’écart entre les taux de croissance de consommation d’électricité et du PIB réel, sont les principaux moteurs de l’économie souterraine. Cependant, les infractions liées à la drogue ou les envois nets de billets à l’étranger ont aussi des effets significatifs sur les activités souterraines, même si leurs effets sont de moindre ampleur. L’économie souterraine reste importante en France, mais, rapporté au PIB, son poids a considérablement baissé dans les années 2000. Enfin, on observe de fortes relations entre l’indicateur d’économie souterraine et dénominations des billets. Ainsi, les tests de concordance montrent une synchronisation forte entre les indicateurs de l’économie souterraine (globale et légale) et les émissions nettes de billets (notamment les émissions nettes totales et les émissions nettes des coupures de 50 et 200 euros). En outre, les indicateurs de l’économie souterraine et de l’activité réelle (PIB réel, travailleurs indépendants) sont synchronisés. Nous observons également des corrélations positives entre les composantes cycliques des émissions nettes totales de billets de banque et des indicateurs estimés de l’économie souterraine. Par ailleurs, il existe des relations de causalité bidirectionnelles entre tous les indices de l’économie souterraine et la demande globale d’espèces. Toutefois, il n’existe qu’une causalité unidirectionnelle entre ces indices et la demande de petites dénominations (5, 10 et 20 euros). Classification JEL: C32, C51, O17
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) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".