Les ratios financiers liés aux ressources humaines
Bibliographic record
Abstract
Résumé La mesure réalise une percée dans les services des ressources humaines à la suite de pressions que ceux-ci subissent de leurs directions générales, qui recherchent l’efficience et l’efficacité. Cet article rend compte d’une étude effectuée au sein des grandes banques canadiennes, portant sur cinq ratios financiers RH compilés sur une période de 10 ans, soit la rémunération moyenne par personne, les revenus par personne, les bénéfices avant impôts par personne, les coûts de la main-d’œuvre en proportion des revenus et le rendement de l’investissement en capital humain. Le secteur bancaire présente un intérêt particulier car il emploie 249 000 personnes au Canada et 36 750 à l’étranger et il totalisait 12 milliards de dollars de bénéfices en 2005. Observer à travers des ratios la gestion du capital humain qui produit de tels résultats financiers nous paraît digne d’intérêt. L’étude donne des résultats fort surprenants : bien que les banques étudiées aient une réglementation identique, un accès aux mêmes marchés du travail et une politique macroéconomique semblable, leurs ratios financiers RH prennent des valeurs différentes, dans le temps et entre les banques. Cela nous amène à penser que, même si beaucoup de choses sont «égales d’ailleurs» dans le secteur des grandes banques canadiennes, celles-ci gèrent leur capital humain de manière assez différente, d’où l’intérêt pour les professionnels des ressources humaines de suivre l’évolution de ces ratios dans leur propre organisation.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".