Effect of E-Taxation on Revenue Generation in Nigeria A Pre-Post Analysis
Notice bibliographique
Résumé
The investigation analyzed the impact of e-tax assessment on income generation in Nigeria. The examination applied secondary data gotten from Federal Inland Revenue Service tax report and CBN Statistical release and Quarterly Economic Reports. These information were time arrangement information covers the period from first quarter of 2012 to second quarter of 2018 (that is, pre e-charge is from first quarter of 2012 to first quarter of 2015 while the post echarge is from second quarter of 2015 to second quarter of 2018). The information gathered were broke down utilizing Ordinary Least Square Method. The outcomes show an idealistic huge impact of pre (before the starter of e-tax assessment) company income tax and value added tax on income generation in Nigeria and a contrary immaterial impact of post organization annual duty income and value added assessment income on revenue generation in Nigeria (after the appearance of e-tax collection) at 5% level of critical. This implies E-tax collection has not contributed decidedly to both company income tax revenue and value added tax revenue generation in Nigeria; though there is an unwanted immaterial impact of pre and post capital gain charge income on income generation in Nigeria at 5% level of noteworthy. This implies Etax collection has not contributed decidedly to capital gain charge generation in Nigeria. The examination, along these lines among others prescribes that so as to amplify the foreseen positive impact of the activity, government through Federal Inland Revenue Services should work out modalities on the most proficient method to sharpen companies on the fundamentals of E-tax collection.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».