Les grappes du secteur manufacturier canadien : localisation et colocalisation
Bibliographic record
Abstract
Ce mémoire étudie la localisation et la colocalisation des grappes industrielles du secteur manufacturier canadien. Il identifie ces grappes à l’aide d’une méthode d’identification pouvant à être mise en oeuvre pour des espaces économiques assez fins. Après avoir construit les grappes pour le secteur manufacturier canadien, il considère la distance bilatérale entre les grappes comme mesure de colocalisation pour analyser les déterminants de la colocalisation des grappes. En particulier, il utilise le partage d’intrants et de sortants, le partage de main d’oeuvre et les citations de brevets pour expliquer la colocalisation des grappes. Les grappes du secteur manufacturier canadien appartiennent à dix groupes d’industries et sont en moyenne de trois cent cinquante par an entre 2001 et 2019. Elles sont hétérogènes selon l’emploi et le nombre d’établissements dans les grappes, avec en majorité des grappes ayant peu d’entreprises et/ou peu d’emploi. La classification selon l’emploi ou le nombre d’entreprises dans les grappes permet d’obtenir trois groupes d’industries correspondant à différents niveaux d’intensité technologique à savoir faible, moyenne et haute. Le partage de main d’oeuvre et le partage d’intrants et de sortants ont un effet positif sur la colocalisation des grappes. L’effet de ces variables varie avec le niveau d’intensité technologique des paires de grappes considérées. Lorsqu’on se restreint aux paires de grappes de faible intensité technologique ou de moyenne intensité technologique, on obtient des coefficients d’amplitude en valeur absolue plus faible, ce qui laisse penser à une moindre importance de ces déterminants pour la colocalisation de ces types de grappes. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : colocalisation, grappes, mécanismes d’agglomération
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.082 | 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 teacher head, 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".