Informal work and how to measure it: A formal consensus at the 100th International Conference of Labour Statisticians
Notice bibliographique
Résumé
Over the past fifty years, interest in and analysis of informality at work has burgeoned. Informal employment, including but not limited to un-declared work, is a core concern for unions worldwide. In 2019, nearly 2 billion workers (about 6 in every 10) were in informal employment. Informal employment is found in all countries, but its prevalence is inversely proportional to income being highest in low income countries at around 90 per cent of total employment, and lowest in high-income countries at less than 20 per cent of total employment. The share of women in informal employment exceeds that of men in most countries.1 Statistics on informal employment are vital for describing the structure and extent of informal employment. They are essential to identify groups of persons in employment most represented and at risk of informality, and to provide information on exposure to economic and personal risks, decent work deficits and working conditions. For unionists and policy makers, there is a need to measure the prevalence of informality across jobs, economic units and activities; the distribution of informal and formal jobs by socio-demographic characteristics; the percentage of persons with informal main jobs in the informal and formal sectors; levels of protection for those in informal and formal employment; and contextual vulnerabilities, including poverty, inequalities, discrimination, access to land and natural resources, household composition, access to social protection. These data provide the evidentiary base to push for and implement policies that can improve the working lives of those in informal employment. (...)
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».