Une évaluation de l’effet du crédit d’impôt pour prolongation de carrière sur l’emploi et le taux d’activité des travailleurs de 60 ans et plus au Québec
Bibliographic record
Abstract
En 2012, le gouvernement du Québec, à l’instar de la Suède et de l’Australie qui l’avaient précédé, mettait en place le Crédit d’impôt pour les travailleurs d’expérience afin d’inciter les travailleurs âgés à demeurer ou à revenir sur le marché du travail. Ce programme est devenu le Crédit d’impôt pour prolongation de carrière (CIPC) en 2019. Le présent article évalue l’effet de ce crédit d’impôt sur le taux d’activité et d’emploi des travailleurs âgés par la méthode des différences dans les différences, en s’appuyant sur les microdonnées à grande diffusion de l’ Enquête sur la population active de Statistique Canada et en prenant l’Ontario comme groupe de référence. L’analyse probit indique un effet positif et significatif du CIPC sur la probabilité d’emploi ou d’activité dans la plupart des sous-groupes d’âge et de sexe des personnes de 60 ans et plus. Au total, sur la période de 2012 à 2019, les auteurs estiment que cette politique a contribué à maintenir ou à combler un peu moins de 27 000 emplois en moyenne par année chez les 60 ans et plus, à un coût annuel moyen de 4 800 $ par emploi, ce qui place le Québec dans une position avantageuse par rapport à des pays qui ont adopté des politiques semblables. Ainsi, un programme qui cible les classes d’âge et de revenu peut améliorer significativement la performance de cet outil fiscal.
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 | 0.011 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| 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".