Indicateurs annuels de santé et de sécurité du travail pour le Québec : étude de faisabilité
Bibliographic record
Abstract
Depuis plus de 25 ans, l’IRSST produit tous les 5 ans, à partir des données d’indemnisation de la CSST et de données de main-d’œuvre du recensement de la population du Canada, des indicateurs quinquennaux de fréquence et de gravité des lésions professionnelles indemnisées. Ces indicateurs sont très utiles pour établir les différences de risque et de gravité des lésions professionnelles indemnisées selon l’activité économique, la catégorie professionnelle, le genre ou l’âge. Comme il faut environ 3 années pour que les données sur les travailleurs soient disponibles et une année pour produire les analyses, il y a généralement un décalage de 4 ans entre les années de survenue des lésions indemnisées et la publication des indicateurs quinquennaux de santé et sécurité du travail (SST) produit par l’IRSST. Ainsi, les indicateurs quinquennaux se révèlent peu pertinents pour détecter les fluctuations à court terme et les tendances à moyen terme. Afin de pallier ces lacunes, la présente étude vise à évaluer la faisabilité de la production d’indicateurs annuels de surveillance statistique. Cette étude s’intéresse également à la possibilité de produire des indicateurs pour chacun des champs de recherche définis à l’IRSST (IRSST, 2010). Ainsi, la production d’indicateurs annuels par champ aurait l’avantage de détecter les changements relatifs aux risques ou à la gravité des lésions professionnelles et ils pourraient servir à orienter les recherches sur certains regroupements de travailleurs ou problématiques identifiées. Les différents indicateurs visés par la présente étude concernent la fréquence, la gravité, les coûts et la mesure combinée de fréquence-gravité des lésions professionnelles. Bien qu’elles comportent certaines limites, les données de la CSST constituent la source la plus complète sur les lésions professionnelles au Québec, ce qui en justifie l’utilisation. Les effectifs annuels de main-d’œuvre sont également nécessaires dans le calcul de certains indicateurs. Les sources de données explorées proviennent de trois enquêtes de Statistique Canada (EERH, EPA, EAMEF) et de la CSST (masses salariales assurables). Des indicateurs annuels peuvent être produits à partir de chacune de ces sources. Toutefois leurs valeurs ne seront pas identiques d’une source à l’autre. De plus, alors qu’une source permet de produire des indicateurs par âge et sexe, une autre permet la production d’indicateurs par industrie détaillée. La période de maturité des données est un aspect important à considérer dans la réalisation des indicateurs annuels. Cette maturité des données se définit comme étant la période écoulée entre la date de survenue de la lésion et la date de la dernière mise à jour des données. Suite à différentes méthodes de validation, il a été déterminé que cette durée moyenne devrait être de 18 mois (36 mois dans le cas des indicateurs quinquennaux). Les analyses montrent qu’une durée plus courte conduit à des indicateurs moins fiables et moins stables tandis qu’une durée plus longue crée un délai trop important entre l’année de survenue de la lésion et l’année de la production des indicateurs. Les indicateurs tels que le taux de fréquence, le taux de fréquence ETC, la proportion des lésions se situant dans un intervalle de durée d’indemnisation ou audessus d’une valeur seuil, la durée médiane d’indemnisation ainsi que le taux moyen et médian d’APIPP sont à privilégier puisqu’ils sont moins affectés par la durée de maturité de 18 mois. À l’inverse, la durée moyenne d’indemnisation, la fréquence-gravité, les débours moyen et la proportion de cas référés en réadaptation sont affectés par la période de maturité. Ils doivent donc être utilisés avec précaution. En somme, les résultats de cette étude de faisabilité montrent qu’il serait possible de produire des indicateurs annuels de lésions professionnelles, et ce, tant pour l’ensemble des lésions, que pour les lésions spécifiques à un champ de recherche. Toutefois, certains indicateurs comportent des limites importantes qu’il faut prendre en compte lors de l’analyse des résultats. Par ailleurs, il ressort que les indicateurs annuels de risque et les indicateurs combinés de risque-gravité ne pourront pas être produits en considérant la catégorie professionnelle, par activité économique, comme c’est le cas avec les indicateurs quinquennaux. Bien que l’on perde ici une dimension importante de ces indicateurs, ceux-ci permettront néanmoins de détecter des fluctuations à court terme et les tendances à moyen terme à l’échelle des secteurs d’activité économique.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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 teacher head, 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".