Immigrant–native pay gap driven by lack of access to high-paying jobs
Notice bibliographique
Résumé
Immigrants to high-income countries often face considerable and persistent difficulties in the labour market1–6, whereas their native-born children typically experience economic progress6–9. However, little is known about the extent to which these immigrant–native earnings differences stem from unequal pay when doing the same work for the same employer versus labour market processes that sort immigrants into lower-paid jobs. Here, using data from nine European and North American countries, we show that the segregation of workers with immigrant backgrounds into lower-paying jobs accounts for about three-quarters of overall immigrant–native earnings differences. Although within-job pay inequality remains notable for immigrants in several countries, our results demonstrate that unequal access to higher-paying jobs is the primary driver of the immigrant–native pay gap across a range of institutionally and demographically diverse contexts. These findings highlight the importance of policies aimed at reducing between-job segregation, such as language training10–13, job training13–15, job search assistance programmes13,15, improving access to domestic education13,16,17, recognizing foreign qualifications18,19, and settlement programmes aimed at enhancing access to job-relevant information and networks13,20,21. Policies that target employer bias in hiring and promotion decisions are also likely to be effective, whereas measures aimed at ensuring equal pay for equal work may have more limited scope for further progress in closing the immigrant–native pay gap22–28. Data from nine European and North American countries reveal that the disparity in earnings between immigrants and natives is largely a result of segregation of immigrant workers into lower-paying jobs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».