Que nous apprennent les données de branches sur les premiers effets du CICE ? Évaluation pour la période 2014-2015t2
Notice bibliographique
Résumé
What Do Branches Data Teach Us about the CICE’s Initial Effects ? Evaluation for the Period 2014 – Q2 2015. This paper aimsto highlight the potential effects of the Competitiveness and Employment Tax Credit (CICE) on the French economy over the period from 2014 to the end of the second quarter of 2015. It is based on information from quarterly national accounts by occupational sector. Beginning with an econometric analysis of panel data, we endeavour to find out whether the CICE has had effects on employment, wages and value-added prices. This method enables us to identify and quantify the CICE’s relative cross-sector effects on these variables, but does not allow macroeconomic effects to be deduced. Based on our estimates for 16 occupational sectors, the results show that for a tax credit equal to 1% ofwages and salaries, employment in a sectorwould rise by 0.5% compared to other sectors, and wages by 0.7%. Lastly, using the results of estimates carried out at the same time, we can quantify these relative cross-sector effects at 1.1% for wages and 120,000 jobs (either created or safeguarded).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».