Estimation du taux de chômage naturel régional : le cas des régions administratives du Québec
Bibliographic record
Abstract
Une forte hétérogénéité caractérise les niveaux et les fluctuations du taux de chômage dans les régions du Québec. Par exemple, entre mars 1997 et décembre 2018, le taux de chômage moyen s'est respectivement établi à 6,3% et à 10,0% dans les régions de la Capitale-Nationale et du Saguenay-Lac-Saint-Jean ; un écart non négligeable de près de quatre points de pourcentage. Dans la mesure où ces inégalités sont inefficaces (Taylor, 1996) et qu'elles exacerbent les écarts de revenus (Macphail, 2000), il est primordial de déterminer les facteurs qui les sous-tendent. En ce sens, des travaux antérieurs ont permis de conclure à l'influence de la fiscalité et des institutions du marché du travail comme facteurs explicatifs des disparités du taux de chômage à travers les États. Ces éléments sont toutefois homogènes sur l'ensemble du territoire de la province du Québec et ne peuvent donc pas expliquer les différences du taux de chômage à travers les régions administratives québécoises. À partir de la définition de Friedman (1968), nous développons un modèle structurel du taux de chômage qui divise ce dernier en une portion structurelle et en une portion cyclique permettant, par le fait même, de mettre à l'épreuve de nouveaux facteurs explicatifs tels que la productivité régionale et la composition industrielle. En nous appuyant sur un panel de données sur les régions administratives du Québec, qui s'étend de mars 1997 à décembre 2018, nous procédons à cette décomposition à l'aide d'une estimation des moindres carrés ordinaire (MCO) à effets fixes robuste à l'autocorrélation et à l'intercorrélation ainsi qu'à une seconde évaluation des moindres carrés généralisés(MCG) à effets fixes qui considère la structure autorégressive du terme d'erreur. Nos résultats démontrent que la productivité et la composition industrielle régionale ont toutes les deux un effet significatif sur le taux de chômage régional. Finalement, nous utilisons les résultats pour mesurer le taux de chômage naturel de chaque région et discutons brièvement de son évaluation.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 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 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".