Vieillissement démographique et participation des personnes âgées au financement des dépenses de santé et des dépenses sociales
Bibliographic record
Abstract
L'apport des personnes âgées au financement des dépenses sociales est loin d'être négligeable dans les pays où ce financement est principalement assuré par les fonds généraux des gouvernements. Au Québec, la contribution moyenne d'une personne âgée atteint ainsi la moitié de celle d'une personne d'âge actif en 1993, et cette contribution est à la hausse. Elle pourrait par contre se stabiliser si les salaires reprenaient leur mouvement de croissance. Lorsqu'on considère cet apport, l'accroissement des charges sociales dû aui vieillissement démographique passe de 19 % à 12 % en 2016, et de 67 % à 44 % en 2041. Si on suppose de plus qu'il progresse (passant de 0,5 à 0,65 fois celui d'une personne d'âge actif), l'accroissement atteint 8 % en 2016 et 35 % en 2041. Les dépenses de santé et de soins de longue durée représentent la moitié de cette augmentation. Outre les changements touchant la nature de ces programmes, leurs coûts unitaires et leur mode de financement, les principaux facteurs qui viendront moduler cette évolution sont le mode d'indexation des transferts publics, la croissance économique, les avoirs financiers des personnes âgées et l'âge à la retraite.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".