MétaCan
Menu
Retour à la cohorte
Enregistrement W4400280001 · doi:10.54932/ppqx7706

Les effets du crédit d’impôt pour la prolongation de carrière sur l’emploi et les revenus

2024· report· fr· W4400280001 sur OpenAlexaboutno aff
Samy Gallienne, Guy Lacroix

Notice bibliographique

Revuenon disponible
Typereport
Languefr
DomaineEconomics, Econometrics and Finance
ThématiqueLabor market dynamics and wage inequality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhilosophy

Résumé

récupéré en direct d'OpenAlex

En 2012, le gouvernement du Québec a introduit le Crédit d’impôt pour la prolongation de carrière (CIPC), une mesure fiscale touchant les travailleurs de 65 ans et plus (60 ans et plus depuis 2019). Le crédit vise à éliminer l’impôt à payer sur une partie du revenu de travail des travailleurs expérimentés afin de les inciter à demeurer ou à retourner sur le marché du travail. Cette mesure a été bonifiée chaque année depuis 2015 de sorte que le coût de la mesure est passé d’un modeste 46 M$ en 2012 à plus de 342 M$ en 2019. En utilisant les microdonnées de panel de l’Étude longitudinale et internationale des adultes (ÉLIA) de 2012 à 2020, les auteurs proposent une série d’approches méthodologiques pour évaluer l’impact du crédit sur les comportements d’offre de travail. Les estimations fondées sur la méthode la plus efficiente d’un point de vue statistique suggèrent que le CIPC a eu un impact significatif sur les revenus d’emploi, en particulier pour les femmes. Toutefois, les effets ne surviennent qu’à partir de la quatrième ou cinquième année suivant de l’implantation du crédit, soit les années de forte bonification du crédit. Les auteurs soulignent qu’au-delà de son efficacité avérée, la question de l’efficience du crédit — soit l’impact réel d’une possible participation accrue au marché du travail sur les revenus imposables, et conséquemment sur les recettes fiscales du gouvernement — reste toutefois à démontrer.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,357
Score d'incertitude au seuil0,709

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,028
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0190,002

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,269
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLabor market dynamics and wage inequalityTravaux en français237 207