Assessing the Impact of Demographic Composition on Productivity
Bibliographic record
Abstract
Le présent article traite de l'effet des facteurs démographiques sur la production potentielle et s'attarde sur les conséquences de la répartition selon l’âge de la population active et de la dépendance aux personnes âgées sur la productivité globale. S'inspirant du travail de James Feyrer, les chercheurs soulignent que l'apport à la productivité globale varie selon le groupe d’âge, les personnes d’âge moyen (âgées de 40 à 49 ans) étant les plus productives. Selon leur analyse, les changements à la composition démographique pourraient expliquer certaines des tendances à la productivité observées en Chine, aux États-Unis et au Canada, ce qui démontre l'importance de tenir compte des effets de la répartition démographique pour estimer la production potentielle. Notamment, les facteurs démographiques devraient réduire l’écart des tendances de croissance de la productivité (TCP) entre la Chine et les États-Unis de près de un point de pourcentage au cours du reste de la décennie (de 2024 à 2030). En moyenne, la croissance des TCP en Chine pourrait diminuer de 0,8 point de pourcentage, tandis que celle des États-Unis pourrait augmenter de 0,1 point de pourcentage. Les facteurs démographiques canadiens mènent à la même conclusion qu'aux États-Unis. Après avoir calculé une moyenne d'environ un point de pourcentage par année entre 2010 et 2019, les facteurs démographiques favorables devraient se dissiper pleinement pendant les années 2020, une tendance qui pourrait signaler un risque de hausse des TCP canadiennes.
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 | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".