Les effets du crédit d’impôt pour la prolongation de carrière sur l’emploi et les revenus
Bibliographic record
Abstract
En 2012, le gouvernement du Québec a introduit le Crédit d’impôt pour la prolongation de carrière (CIPC), une mesure fiscale touchant les travailleurs de 65 ans et plus (60 ans et plus depuis 2019). Le crédit vise à éliminer l’impôt à payer sur une partie du revenu de travail des travailleurs expérimentés afin de les inciter à demeurer ou à retourner sur le marché du travail. Cette mesure a été bonifiée chaque année depuis 2015 de sorte que le coût de la mesure est passé d’un modeste 46 M$ en 2012 à plus de 342 M$ en 2019. En utilisant les microdonnées de panel de l’Étude longitudinale et internationale des adultes (ÉLIA) de 2012 à 2020, les auteurs proposent une série d’approches méthodologiques pour évaluer l’impact du crédit sur les comportements d’offre de travail. Les estimations fondées sur la méthode la plus efficiente d’un point de vue statistique suggèrent que le CIPC a eu un impact significatif sur les revenus d’emploi, en particulier pour les femmes. Toutefois, les effets ne surviennent qu’à partir de la quatrième ou cinquième année suivant de l’implantation du crédit, soit les années de forte bonification du crédit. Les auteurs soulignent qu’au-delà de son efficacité avérée, la question de l’efficience du crédit — soit l’impact réel d’une possible participation accrue au marché du travail sur les revenus imposables, et conséquemment sur les recettes fiscales du gouvernement — reste toutefois à démontrer.
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 | 0.009 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.002 |
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".