L’immigration à la rescousse des finances publiques du Québec ?
Bibliographic record
Abstract
Depuis de nombreuses années, les gouvernements qui se succèdent au Québec cherchent par différents moyens à améliorer l’arrimage entre l’immigration et les besoins du marché du travail. Les solutions mises de l’avant consistent généralement à modifier le nombre d’immigrants accueillis sur le territoire ou les critères d’admissibilité, alors que d’autres miseraient plutôt sur l’intégration afin d’éliminer certains écarts, par exemple en matière d’emploi, entre les immigrants et la population d’accueil. Le gouvernement actuel s’est inscrit dans cette continuité en présentant en 2019 un projet de loi à travers lequel il propose diverses mesures liées à l’immigration au Québec. Cette étude a pour objectif de quantifier l’effet potentiel, à moyen terme (2040), sur le solde budgétaire de l’État québécois de différents scénarios en lien avec l’immigration. Pour ce faire, on utilise le modèle de microsimulation SIMUL qui permet d’en simuler les impacts au niveau démographique et sur les finances publiques. Les résultats illustrent que tout changement du nombre d’immigrants admis au Québec n’a que très peu d’effets sur le solde budgétaire à terme (en 2040). Par contre, nous démontrons qu’un scénario où les immigrants sont pleinement intégrés au marché du travail a un effet positif de 7 milliards de dollars sur les finances publiques (en 2040). Des scénarios plus réalistes, où les écarts en matière d’emploi et de revenu entre les immigrants et la population d’accueil ne sont pas entièrement résorbés, donnent tout de même des effets appréciables qui aident à atténuer les pressions provenant du vieillissement démographique.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".