Unions and hazard pay for COVID‐19: Evidence from the Canadian Labour Force Survey
Notice bibliographique
Résumé
In this article, we examine whether (and by how much) workers in Canada have been compensated for the 'novel' risks associated with COVID-19. We create a unique dataset from a system that scores occupations in the US O*NET database for COVID-19 exposure. We then combine those COVID exposure scores with Canadian occupational data contained in the Public Use Microdata File of the Labour Force Survey. This allows us to categorize Canadian occupations based on COVID-19 exposure risk. We find a long-tailed distribution of COVID-19 risk scores across occupations, with most jobs at the lower end of the risk spectrum and relatively few occupations accounting for most of the high COVID-19 exposure risk. We find that workers who are already more vulnerable in the labour market (i.e. youth, women and immigrants) are also more likely to be employed in occupations with high COVID-19 exposure risk. When we look at the relationship between high-COVID exposure risks in occupation and wages, we find negative compensating differentials both at the mean (negative 8%) and across the earnings distribution. However, when workers are covered by a union, they enjoy a sizeable hazard pay premium (11.7% on average) as compared to their non-union counterparts. Furthermore, we find that the moderating effects of unionization for workers at high risk of COVID exposure to be largest at the bottom of the earnings distribution (i.e. the 10th percentile of unionized earners receives a 12.3% risk premium for high-COVID exposure, whereas the 90th percentile receives only a 2%).
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 | 0,002 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».