Bibliographic record
Abstract
Comme le remarque Phelps (1992), le traitement théorique de l’assurance-chômage n’est pas entièrement satisfaisant. En effet, il est généralement supposé que tous les chômeurs en bénéficient et ce, indépendamment des causes de la perte de leur emploi. Or, il est bien connu que, dans les systèmes existants, les allocations peuvent être refusées aux travailleurs qui quittent volontairement leur emploi ou qui sont licenciés pour faute. Supposant que les allocations sont refusées aux agents licenciés pour « paresse » (donc pour faute), Atkinson (1995) montre que l’assurance-chômage a un effet d’incitation à l’effort qui est favorable à l’emploi. L’objet de cet article est d’étudier l’influence des indemnités de chômage dans un modèle qui s’inspire de Phelps (1970) et Salop (1979). Suivant cette version de l’hypothèse du salaire efficient, les entreprises qui supportent les coûts de rotation de leur personnel, ont avantage à éviter les démissions. Les salaires sont alors soumis à une condition de no quitting qui explique le chômage. Supposant que les travailleurs démissionnaires ne perçoivent pas d’allocations, on montre que l’assurance-chômage diminue le chômage. En effet, les allocations deviennent ainsi une des caractéristiques des emplois et leur augmentation les rend plus attractifs.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.036 | 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".