Besoin de revoir les mesures de soutien du revenu? Effets sur l’incitation au travail
Bibliographic record
Abstract
Toute forme de soutien au revenu fait face à un triangle d’impossibilité : elle ne peut être à la fois généreuse pour les plus démunis (sans revenus d’emploi), peu coûteuse pour les trésors publics, et inciter au travail. Il est impossible de réaliser tous ces objectifs à la fois. Un difficile équilibre doit être trouvé. Par exemple, une étude de Godbout et St-Cerny montre que les mesures en lien avec la pandémie ont eu pour effet d’augmenter le revenu minimum effectif au Québec pour les travailleurs à faible revenu. Ils notent par ailleurs les effets négatifs potentiels sur l’incitation au travail. Alors qu’on a passé les dernières années à discuter de revenu minimum garanti, la pandémie a vu, de facto, une certaine forme de revenu garanti s’installer, en particulier par le biais de la Prestation canadienne d’urgence (PCU) et de sa version étudiante, la PCUE. Par exemple, la PCU est généreuse pour ceux n’ayant aucun revenu de travail, mais puisqu’elle est versée seulement si le travailleur gagne moins de 1000$ par mois, elle décourage potentiellement le retour au travail et une augmentation du nombre d’heures qui ferait gagner au travailleur plus de 1000$ par mois. Se sont greffées à ces prestations des bonifications au crédit pour la TPS et à l’Allocation canadienne pour enfants, et des mesures comme le Programme incitatif pour les travailleurs des services essentiels (PIRTE). Alors que plusieurs indices suggèrent que ces ajouts au filet social pourraient décourager au travail, notre équipe a voulu réaliser une analyse qui intègre ces mesures dans le système fiscal québécois (provincial et fédéral) afin de produire des mesures d’incitations connues des économistes, soit le taux effectif marginal d’imposition (TEMI) et son petit cousin le TEPI (ou taux effectif d’imposition à la participation, traduction de participation tax rate). De plus, il convient d’analyser comment ces nouvelles mesures peuvent affecter le coût des mesures existantes. Nous présentons dans cette note un casillustratif alors que des analyses plus détaillées sont en cours.
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 | 0.006 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.028 | 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".