MétaCan
Menu
Retour à la cohorte
Enregistrement W2130430007 · doi:10.1093/alcalc/agv065

Assessing Patterns of Alcohol Taxes Produced by Various Types of Excise Tax Methods—A Simulation Study

2015· article· en· W2130430007 sur OpenAlexaff
Bundit Sornpaisarn, Chuthaporn Kaewmungkun, Jürgen Rehm

Notice bibliographique

RevueAlcohol and Alcoholism · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWine Industry and Tourism
Établissements canadiensPublic Health OntarioUniversity of TorontoCentre for Addiction and Mental Health
Organismes subventionnairesnon disponible
Mots-clésExciseAd valorem taxConsumption (sociology)EconomicsQuality (philosophy)Public economicsBusinessTax reform

Résumé

récupéré en direct d'OpenAlex

AIM: To examine patterns of tax burdens produced by specific, ad valorem, and various types of combination taxations. METHOD: One hundred unique hypothetical alcoholic beverages were mathematically simulated based on the amount of ethanol and perceived-qualities contained. Second, beverages were assigned values of various costs and tax rates, and third, patterns of tax burden were assessed per unit of ethanol produced by each type of tax method. RESULT: Different tax methods produced different tax burdens per unit of ethanol for different alcoholic beverages. The tax burden produced by the ad valorem tax resulted in a lower tax burden for low perceived-quality alcoholic beverages. The specific tax method showed the same tax burden for both low and high perceived-quality alcoholic beverages. However, high perceived-quality beverages benefited from a lower tax burden per beverage price. Lastly, the combination tax method resulted in a lower tax burden for medium perceived-quality alcoholic beverages. CONCLUSION: Under the oligopoly market, ad valorem taxation encourages consumption of low perceived-quality beverages; specific taxation encourages consumption of high perceived-quality beverages; and combination tax methods encourage consumption of medium perceived-quality beverages.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,117
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,095
Tête enseignante GPT0,362
Écart entre enseignants0,267 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations12
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAlcohol and AlcoholismMême sujetWine Industry and TourismTravaux en français237 207