MétaCan
Menu
Retour à la cohorte
Enregistrement W2591266707 · doi:10.1515/fiqf-2016-0146

THE IMPACT OF THE TAX SYSTEM STRUCTURE ON THE NARROWING OF INCOME DISPARITIES IN OECD COUNTRIES

2017· article· en· W2591266707 sur OpenAlexaboutno aff
Małgorzata Mazurek-Chwiejczak

Notice bibliographique

RevueFinancial Internet Quarterly · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFiscal Policy and Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesPolska Akademia NaukEuropean Commission
Mots-clésEuropean unionEconomicsTax revenueIncome taxEconomic inequalityRevenueDemographic economicsInequalityDevelopment economicsInternational economicsPublic economics

Résumé

récupéré en direct d'OpenAlex

Social disparities have a common and consistent character in the vast majority of contemporary countries. The level of income inequality in OECD countries has grown in the past 30 years and is still rising. Taxes and tax systems, aside from social transfers, are fiscal instruments widely used in compensation policy. The aim of the article is to define the optimal structure of tax systems (i.e. the share of different tax categories in tax revenues) in terms of narrowing income disparities. To achieve this aim, scatter diagrams have been used. For the purpose of the article a tentative hypothesis has been formulated that the optimal tax system in terms of narrowing income disparities is characterised by a relatively large share of Personal Income Tax and at the same time a relatively low share of consumption taxes in tax revenues. The detailed analysis is focused on the countries for which the full data is available. The group of countries covers some “old” member states of the European Union (Austria, Belgium, Finland, Greece, Ireland, Italy, Luxembourg and the United Kingdom), the South- -East European countries (the Czech Republic, Estonia, Poland, the Slovak Republic and Slovenia) as well as non-EU countries (Canada and Iceland). These countries represent different levels of socio-economic development and, as a result, the variety of situations concerning the distribution of income.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,656
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 ouverte0,0010,000
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 Opus0,016
Tête enseignante GPT0,226
Écart entre enseignants0,210 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFinancial Internet QuarterlyMême sujetFiscal Policy and Economic GrowthTravaux en français237 207