MétaCan
Menu
← Retour à la cohorte
Enregistrement W1570615037 · doi:10.34989/swp-2002-21

Entrepreneurial Risk, Credit Constraints, and the Corporate Income Tax: A Quantitative Exploration

2021· preprint· en· W1570615037 sur OpenAlexaff
Césaire Meh

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2021
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésBusinessIncome taxCredit riskCorporate taxMonetary economicsEconomicsDouble taxationPublic economicsTax avoidanceFinance

Résumé

récupéré en direct d'OpenAlex

This paper describes the positive effect that corporate income tax has on capital formation in the presence of liquidity constraints and uninsurable risk. The author uses a dynamic general-equilibrium model in which individuals choose whether to become entrepreneurs or workers. Workers save by holding corporate equity and therefore are subject to double taxation, as the return on their savings is taxed at both the corporate and personal level. Entrepreneurs, on the other hand, save by investing in their businesses and are taxed only at the personal level. This differential tax treatment results in an increase in capital accumulation because entrepreneurs must save in response to liquidity constraints and uninsurable risk. A calibrated version of the model is used to quantify the consequences of eliminating the corporate income tax. Interestingly, the removal of the corporate income tax decreases capital formation: by eliminating double taxation, the return on workers' savings increases, which in turn reduces the number of entrepreneurs. Consequently, the stock of capital decreases, since entrepreneurs have a higher marginal rate of saving than workers, as they save not only for life-cycle motives but to self-insure against business risk and to start and finance their businesses.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,004
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,054
Tête enseignante GPT0,276
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in Economics→Même sujetCorporate Finance and Governance→Travaux en français237 207→