La modélisation des avantages au personnel : complexité et limites du modèle actuariel,le rôle majeur des comportements humains
Notice bibliographique
Résumé
L’étude porte sur la modélisation financière d’avantages accordés au personnel d’une entreprise. Elle montre, en plusieurs étapes, la manière de construire un modèle actuariel dont l’objectif est de calculer le poids financier des engagements sociaux accordés par une entreprise. La finalité est de comptabiliser, à sa juste valeur, les provisions financières correspondantes en vertu des normes comptables internationales (IFRS) définissant les avantages au personnel (IAS 19). Elle est illustrée par un exemple concret, celui de l’accord collectif de cessation progressive d’activité mis en place à la SNCF en 2008 ( source : Conseil d’Orientation des Retraites, document n°10, 11/02/2009 ). Il s’agit de mettre en lumière la complexité inhérente d’une telle modélisation à la fois en termes de méthode et au choix de modélisation, ainsi que les limites issues des hypothèses retenues (formalisation théorique et calibration). La complexité et le rôle majeur de la connaissance des comportements humains sont soulignés au regard de l’appréciation de la confiance à accorder aux estimations financières obtenues.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».