MétaCan
Menu
Back to cohort
Record W2071959793 · doi:10.7202/051207ar

Retirement Plans and Pensions: An Empirical Study

2005· article· fr· W2071959793 on OpenAlexvenueaboutno aff
Andrew A. Luchak

Bibliographic record

VenueRelations industrielles · 2005
Typearticle
Languagefr
FieldSocial Sciences
TopicRetirement, Disability, and Employment
Canadian institutionsnot available
Fundersnot available
KeywordsPolitical scienceHumanitiesArt

Abstract

fetched live from OpenAlex

Il y a eu, durant la dernière décennie, quantité de recherches sur le rôle des régimes de pension payés par l'employeur dans la promotion des contrats de travail de longue durée. Le régime de pension occupationnel s'acquitte de ce rôle en offrant aux employés un droit à des bénéfices futurs de pension sujet à un rendement adéquat jusqu'à ce moment. Cependant, on ne peut faire que peu de généralisations au sujet de tels contrats, en partie à cause des faiblesses méthodologiques de ces recherches. Dans les études sur la retraite, par exemple, les modèles empiriques utilisés contrôlent peu l'aspect volontaire du choix de l'âge de la retraite par l'employé. De plus, on n'a pas réussi à expliquer comment la pension influence la retraite. Finalement, les explications alternatives et plausibles des effets de la pension n'ont pas toujours été contrôlées. Nous tentons de nous attaquer à certaines de ces faiblesses en examinant les effets incitatifs de la pension occupationnelle sur la planification de la retraite des employés. Nous nous attardons à l'expérience de 512 employés masculins et féminins travaillant à plein temps, âgés entre 20 et 64 ans, qui travaillent pour une grande entreprise syndiquée de service public en Ontario et qui jouissent d'un régime de pension à bénéfices définis. Nous avons sondés ces employés en 1988. Ils sont représentatifs de la population de quelque 17 000 personnes en termes de sexe, d'âge et d'années de service. Empiriquement, nous avons fait une régression de l'âge planifié volontairement de retraite en regard de différents déterminants de cette décision. Nous avons observé que cet âge était fortement influencé par des incitatifs à la préretraite. Plus particulièrement, plus la prime de préretraite est généreuse, plus l'âge planifié de retraite est bas. Ce résultat est important vu que les pensions représentent une option de planification de la gestion stratégique des ressources humaines. De façon opposée, d'autres instruments, tels les primes salariales au rendement et les bonus de paies de vacances n'ont pas beaucoup d'influence sur le choix de l'âge de retraite. Les projets de retraite sont aussi influencés par l'exactitude des informations fournies sur les caractéristiques des régimes de pension, par l'âge, par le sexe, par l'état de santé, par le statut civil et, surtout, par le statut d'emploi et de pension du conjoint. D'un point de vue de politique générale, le fait que les personnes mal informées sur les caractéristiques de leur fond de pension aient tendance à prendre leur retraite plus tôt est troublant puisque cela suggère que telles décisions cruciales et irréversibles peuvent être prises erronément. S'assurer d'une information adéquate est donc nécessaire à une décision rationnelle. Notre étude soutient quelque peu l'hypothèse quant au rôle positif des pensions dans la promotion des conventions de travail de longue durée. Plus spécifiquement, les bénéficiaires des régimes de pension supportés par l'employeur répondent positivement aux effets incitatifs inscrits à leurs régimes de pension et, de façon plus particulière, adaptent leur date préférée de retraite à la générosité des bénéfices de préretraite. Cela est vrai, même après avoir contrôlé les autres variables déterminantes de l'âge planifié de retraite, incluant ces facteurs influençant le volontarisme de cette décision, tels la probabilité de mise à pied ou de recherche volontaire d'emploi et ces autres programmes de ressources humaines créant des incitatifs aux contrats de travail de longue durée.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesInsufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.663
Threshold uncertainty score0.999

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0010.001
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0020.000

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.

Opus teacher head0.339
GPT teacher head0.455
Teacher spread0.116 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations4
Published2005
Admission routes2
Has abstractyes

Explore more

Same venueRelations industriellesSame topicRetirement, Disability, and EmploymentFrench-language works237,207