Inégalité et redistribution du revenu, avec une application au Canada
Notice bibliographique
Résumé
L’utilité des courbes de Lorenz pour l’analyse de la répartition des revenus est bien connue depuis l’article influent d’Atkinson (1970). Nous indiquons dans le présent article comment l’usage combiné de ces courbes de Lorenz et des courbes de concentration des revenus, des impôts ou des transferts permet de résumer facilement et intuitivement l’impact de l’État sur la distribution des revenus. Nous nous intéressons plus particulièrement à la redistribution des revenus ainsi qu’à l’équité verticale et l’iniquité horizontale exercées par l’impôt direct et les politiques de transferts. En appliquant des poids « éthiques » à la distance entre les courbes de Lorenz et de concentration, l’on obtient des indices synthétiques d’inégalité, de redistribution et d’équité qui peuvent être facilement décomposés en contributions individuelles des différents types d’impôts et de transferts. Ces indices représentent une généralisation et une extension de l’indice d’inégalité bien connu de Gini. Cette approche est illustrée à l’aide de la distribution et de la redistribution des revenus au Canada au cours de la dernière décennie. On confirme le résultat bien connu que l’inégalité des revenus bruts s’est accrue de 1981 à 1990 alors qu’elle a chuté pour le revenu net. La redistribution opérée par le système fiscal s’est considérablement accrue au cours de cette décennie, au prix entre autres choses d’une plus grande iniquité horizontale. Le groupe de transferts reliés à la retraite et à la vieillesse est celui qui exerce de loin le plus d’impact sur la redistribution des revenus. L’impact redistributif de l’impôt direct est quant à lui très sensible au paramètre de subjectivité éthique utilisé.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».