Évolution de la distribution de la productivité des entreprises québécoises entre 2005 et 2019
Bibliographic record
Abstract
Dans quelle mesure l’augmentation des inégalités dans la productivité des entreprises se reflète-t-elle dans les inégalités de salaires ? La réponse dépend essentiellement du degré de transmission des différentiels de productivité en différentiels salariaux. Dans cette étude, les auteurs examinent cette question à partir des données de la Base de données canadienne sur la dynamique employeurs-employés (BDCEE) pour la période 2001-2019 et dégagent un ensemble de faits stylisés. De 2001 à 2019, on observe une hausse sans équivoque des inégalités de productivité entre les entreprises au Québec, un résultat conforme à ce qu'on observe dans plusieurs autres pays. Cette tendance à la hausse est plus importante au Québec qu'en Ontario. Il est intéressant de contraster cette hausse des inégalités de productivité à la baisse des inégalités de revenus. Une explication possible est que la transmission des différences de productivité en différences de revenus ait aussi diminué au cours de la période. Plusieurs possibilités pourraient expliquer cette diminution et l’une d’elles serait une diminution de la mobilité de la main-d’œuvre. Les auteurs examinent cette question en effectuant des décompositions de la croissance de la productivité pour le cas particulier du secteur manufacturier. Ils montrent que la croissance de la productivité dans ce secteur provient très majoritairement de la croissance de la productivité à l’intérieur de l’entreprise. La réallocation de main-d’œuvre et l’effet net d’entrée contribuent assez peu à la croissance de la productivité.
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 | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".