La loi de Gibrat s’applique-t-elle à l’économie sociale urbaine ? Une note de recherche sur la croissance de l’économie sociale de Montréal
Bibliographic record
Abstract
La principale contribution de cette courte note de recherche est méthodologique. Notre article prolonge les travaux précédents par la prise en compte de la dynamique multidimensionnelle de l’économie sociale (bénévolat, emplois et revenus). Nous estimons un modèle de Cragg avec système d’équations de croissance simultanées et équation de sélection sur les deux éditions de l’enquête sur l’économie sociale de Montréal (2007 et 2012). Les résultats empiriques sont doubles : D’une part nous mettons en évidence un déclin moyen des revenus et de l’emploi et une croissance du bénévolat pour l’ensemble de la population. D’autre part nous rejetons la loi de Gibrat de croissance proportionnelle pour notre population d’économie sociale urbaine, en en soulignant une baisse de l’hétérogénéité. Les plus grandes organisations semblent ainsi avoir plus souffert que les plus petites. Deux processus différents sont à l’œuvre : l’un pour la survie et l’autre pour la croissance.
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 | 0.010 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".