Rich States, Poor States: Assessing the Design and Effect of a U.S. Fiscal Equalization Regime
Notice bibliographique
Résumé
Unlike most of the world’s federations – including Australia, Canada, Germany, India, South Africa and numerous others – the United States has no system of federal equalization grants in place to reduce fiscal disparities among its subnational governments. Only at the state level, through policies designed to mitigate property tax disparities among school districts, has equalization been tried in the United States. The federal government has never adopted, nor has it ever seriously considered, an equalization policy for the states. This article represents the first comprehensive scholarly treatment of a possible U.S. fiscal equalization regime. It reviews the most recent data relating to fiscal disparities among the U.S. states and reports the results of simulations showing the overall cost and distributive effects of adopting a Canadian-style equalization regime in the United States. Two alternative policies are examined, one based on the “representative tax system” methodology employed in Canada and a second, known as the “representative revenue system,” that employs a slightly broader measure of state fiscal capacity. Depending on the methodology employed, the cost of a U.S. equalization policy (based on 2005 data) would be in the range of $70-$110 billion per year, or roughly 1 to 1.5 times the annual cost of the current income tax deduction for state and local taxes. Under both methodologies, as well as alternative formulas adjusting for regional cost-of-living differences, the principal beneficiaries would be the so-called “red states” of the South. On a per capita basis, the main winners of a U.S. equalization policy would be Mississippi, Arkansas, and West Virginia. In terms of absolute payments, the largest beneficiary is by far Texas, accounting for approximately 15 percent of total equalization payments. The article considers arguments for and against adoption of an equalization policy and offers some preliminary comments on the politics of fiscal equalization in the U.S. context.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».