Contrats de travail et segmentation du marché du travail dans le secteur manufacturier camerounais
Bibliographic record
Abstract
L’objectif de cet article est d’étudier les différentiels de salaires entre les différents contrats de travail observés dans les entreprises formelles du secteur manufacturier camerounais en utilisant une technique économétrique qui traite les statuts contractuels comme une variable endogène, discrète et multinomiale. La particularité du marché du travail camerounais est prise en compte à travers le caractère écrit ou verbal du contrat de travail. Les données utilisées ont été collectées dans le cadre du projet sur « Les conditions de travail dans le secteur manufacturier camerounais » réalisée en 2006. Les analyses économétriques basées sur un échantillon de 1809 employés permettent de montrer que : (i) les contrats de travail constituent une base de la segmentation du marché du travail, (ii) le différentiel salarial entre les employés sous contrat verbal et ceux sous contrat à durée déterminée est expliqué par la différence des caractéristiques entre les deux groupes d’employés alors que le différentiel salarial entre les employés sous contrat à durée indéterminée et ceux sous contrat à durée déterminée est mieux expliqué par la précarité de l’emploi c’est-à-dire le fait d’être sur le marché secondaire.
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 | 0.000 |
| Bibliometrics | 0.002 | 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) | 0.007 | 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".