MétaCan
Menu
Retour à la cohorte
Enregistrement W3014786447 · doi:10.32721/ctj.2020.68.1.zeli

The Evaluation of Job Tax Incentives: An Analysis of a Regional Tax

2020· article· en· W3014786447 sur OpenAlexvenueno aff
Alessandro Zeli

Notice bibliographique

RevueCanadian Tax Journal/Revue fiscale canadienne · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDisadvantagedIncentiveBeneficiaryTax incentiveOrder (exchange)Tax deductionLabour economicsBusinessPublic economicsTax creditEconomicsTax policyTax reformDemographic economicsState income taxGross incomeEconomic growthFinanceMicroeconomics

Résumé

récupéré en direct d'OpenAlex

An employment tax deduction is frequently used as a public policy tool to stimulate economic growth and recovery. Analysis of the impact of such provisions adopted in the recent past may shed light on the effects of current tax policies. This article aims to estimate the effects of a tax deduction for Italy's imposta regionale sulle attivit‡ produttive (regional tax on productive activities), or IRAP, granted to firms that increased their personnel between 2005 and 2007. The main objectives of the analysis are to assess the increase in, and the permanence of, new employment; to detect any changes in the employment structure of beneficiary firms; and to evaluate the effectiveness of different deduction amounts granted to firms in disadvantaged regions in order to reduce the employment gap. The results of the analysis using a difference-in-difference model indicate that firms enjoying IRAP incentives registered more significant and more enduring changes in the selected indicators as compared with firms not taking the deduction, thus verifying the effectiveness of the provision. The adopted measure provided for larger deductions for disadvantaged regions of southern Italy, but the results do not register a larger increase in employment in those regions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,970
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,066
Tête enseignante GPT0,226
Écart entre enseignants0,160 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Tax Journal/Revue fiscale canadienneMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207