MétaCan
Menu
Retour à la cohorte
Enregistrement W3017718492 · doi:10.1111/1911-3846.12613

Innovation and Corporate Tax Planning: The Distinct Effects of Patents and R&D*

2020· article· en· W3017718492 sur OpenAlexvenueno aff
Agnes Cheng, Peng Guo, Chia‐Hsiang Weng, Qiang Wu

Notice bibliographique

RevueContemporary Accounting Research · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Taxation and Avoidance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTax planningMultinational corporationCorporate taxBusinessEconomicsIncome taxMonetary economicsPublic economicsTax creditLabour economicsTax avoidanceFinance

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Using a large US sample, we find a significant and positive relation between patents and corporate tax planning, and the effect is incremental to the effect of R&D on tax planning. We employ a quasi‐natural experiment based on staggered industry‐level innovation shocks to identify the positive causal effect of patents on corporate tax planning. We also find that patents are not associated with tax planning for domestic firms, but their association with tax planning is concentrated in multinational firms, which have the ability to shift domestic income to low‐tax countries. Moreover, we find that the identified effect mainly exists in the post–check‐the‐box (CTB) rule period when shifting income among affiliates becomes more flexible and convenient. Finally, we use two income‐shifting models and find that patents, rather than R&D, facilitate tax planning through an income‐shifting channel. Overall, our results suggest that R&D and patents facilitate firms' tax planning in distinct ways: R&D facilitates tax planning as intended through tax credits and deductions, whereas patents are used by taxpayers to avoid taxes aggressively through income shifting.

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)0,002
score de la tête « metaresearch » (Gemma)0,013
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 enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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 Opus0,177
Tête enseignante GPT0,318
Écart entre enseignants0,141 · 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

Citations50
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetCorporate Taxation and AvoidanceTravaux en français237 207