Salaire d’embauche, négociation du contrat de travail et intermédiaires du recrutement
Bibliographic record
Abstract
En France, le recul relatif de la négociation collective de branche dans la détermination du salaire, mais aussi le renouveau en droit de la figure du contrat du travail au cours de la fin des années 1980, ont redonné une marge de manoeuvre à l’employeur et à l’employé dans la détermination des termes du contrat, participant ainsi à un processus d’individualisation de la relation de travail. Les entreprises peuvent alors mieux prendre en compte les contraintes imposées par le marché du travail et, notamment, attirer des candidats compétents. Mais, pour cela, elles sont dépendantes le plus souvent des intermédiaires du placement qui ont une meilleure connaissance de l’état du marché. Or, le choix d’une stratégie de recrutement, en particulier l’arbitrage entre vitesse du recrutement et qualité de l’appariement, qui va amener à choisir un canal de recrutement ou un autre, a des conséquences sur la négociation des termes contractuels. L’objectif de ce texte est d’analyser l’effet des canaux de recrutement sur la détermination du salaire d’embauche, en examinant en particulier dans quelle mesure ils peuvent amener les agents à négocier les termes de leur contrat de travail. À partir d’une enquête statistique sur les pratiques de recrutement réalisée en 2005, auprès de 4 000 établissements français, nous estimons une équation de salaire d’embauche et montrons l’impact significatif de canaux de recrutement (comme les agences privées de placement) en plus des effets liés aux variables de « capital humain » (âge, genre, éducation, etc.) et aux caractéristiques des emplois et des entreprises. Cet impact ne serait pas simplement lié à des durées de recrutement plus longues, comme dans les modèles d’« affichage du salaire », mais au fait que certains canaux doteraient les candidats de capacités de négociation propices à la surenchère ou qu’ils amélioreraient la qualité des appariements sur le marché du travail.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.029 | 0.003 |
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".