MétaCan
Menu
Retour à la cohorte
Enregistrement W1870902076 · doi:10.5744/ftr.2016.1808

Big Data and Tax Haven Secrecy

2018· article· en· W1870902076 sur OpenAlex
Arthur J. Cockfield

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueFlorida Tax Review · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueTaxation and Compliance Studies
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésTax havenMoney launderingSecrecyFinancial transactionPoliticsTax avoidanceEconomicsIncentiveDouble taxationFinancial intermediaryFinanceLaw and economicsBusinessDatabase transactionPolitical scienceLawMarket economy

Résumé

récupéré en direct d'OpenAlex

While there is now significant literature in law, politics, economics, and other disciplines that examines tax havens, there is little information on what tax haven intermediaries—so-called offshore service providers— actually do to facilitate offshore evasion, international money laundering, and the financing of global terrorism. To provide insight into this secret world of tax havens, this Article relies on the Author’s study of big data derived from the financial data leak obtained by the International Consortium for Investigative Journalists (ICIJ). A hypothetical involving Breaking Bad’s Walter White is used to explain how offshore service providers facilitate global financial crimes. A transaction cost perspective assists in understanding the information and incentive problems revealed by the ICIJ data leak, including how tax haven secrecy enables elites in nondemocratic countries to transfer their monies for ultimate investment in stable democratic countries. The approach also emphasizes how, even in a world of perfect information, political incentives persist that thwart cooperative efforts to inhibit global financial crimes.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,328
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,003

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 Opus0,166
Tête enseignante GPT0,290
Écart entre enseignants0,124 · 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