Would H.R. 463 Improve the Competitiveness of U.S. R&D Tax Incentives?
Notice bibliographique
Résumé
This report simulates effective research credit rates for a number of research-intensive firms over the 1998-2000 period using the research and development (R&D) tax incentive rules offered by the U.S., Canada, the U.K., France, Japan, India, and Singapore. Comparisons across these simulations demonstrate that the U.S. offers among the lowest rate of tax-based R&D-related incentives. Moreover, the simulated rates show that a number of major research-intensive firms get minimal levels of incentive under the U.S. credit formula. The proposed Internal Revenue Code section 41(c)(5) alternative of H.R. 463, now under consideration in the House (as is an identical bill in the Senate), would offer higher rates of credit than the existing section 41(c)(4) alternative. A number of firms receiving minimal levels of incentive under existing law would benefit from the section 41(c)(5) alternative of H.R. 463. Based on simulated rates for the 20 firms examined, H.R. 463 would raise the average credit rate from about 3.7 percent to about 4.8 percent of the amount spent on R&D. Considering the proposal to make the credit permanent and the increased credit rate, the authors conclude that H.R. 463 would represent a significant first step in helping to level the playing field with other major industrialized nations regarding making the U.S. a destination of choice for R&D investments.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».