Pénurie de main-d'oeuvre dans le marché canadien
Bibliographic record
Abstract
L’objectif de ce travail est d’analyser empiriquement les facteurs qui influencent la pénurie de main-d’oeuvre au Canada ces dernières années. La variable dépendante est le taux d’emploi vacant et les variables explicatives sont : la participation des personnes âgées sur le marché du travail, les salaires réels, le taux de syndicalisation, les heures supplémentaires et la proportion d’employés transitant de l’emploi vers le chômage. Nous utilisons la méthode d’estimation du Panel vector autoregression(PVAR) développée par Love et Zicchino (2006) pour un ensemble de onze industries et dix régions pour la période 2001-2019. Nos résultats montrent que la tension du marché, un indicateur pour la pénurie de main-d’oeuvre, est réduite par le taux de salaire horaire, le taux de syndicalisation et le taux de séparation. Nos résultats prévoient que les secteurs à hauts salaires recevront plus de candidatures pour combler les emplois vacants et que les salaires sur le marché du travail se comporteront comme des compléments stratégiques. Également, nos résultats montrent que la proportion de personnes âgées sur le marché de l’emploi explique une grande partie de la variance de l’erreur de prévision du taux d’emploi vacant et pourrait contribuer à la hausse des salaires réels. Enfin, les heures supplémentaires ont un impact significatif sur la réduction du taux d’emploi vacant à court terme et le taux de syndicalisation a pour conséquence le renforcement de la durée passée en emploi et vice-versa. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : pénurie de main-d’oeuvre, emploi vacant, chômage, vieillissement, PVAR
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".