Tobacco and alcohol excise taxes for improving public health and revenue outcomes: marrying sin and virtue ?
Notice bibliographique
Résumé
Excise taxes on alcohol and tobacco have \n long been a dependable and significant revenue source in \n many countries. More recently, considerable attention has \n been paid to the way in which such taxes may also be used to \n attain public health objectives by reducing the consumption \n of products with adverse health and social impacts. Some \n have gone further and argued that explicitly earmarking \n excise taxes on alcohol and tobacco to finance public health \n expenditures—marrying sin and virtue as it were—will make \n increasing such taxes more politically acceptable and \n provide the funding needed to increase such expenditures, \n especially for the poor. The basic idea—tax “bads” and do \n “good” with the proceeds—is simple and appealing. But \n designing and implementing good “sin” taxes is a \n surprisingly complex task. Earmarking revenues from such \n taxes for health expenditures may also sound good and be a \n useful selling point for new taxes. However, such earmarking \n raises difficult issues with respect to budgetary rigidity \n and political accountability. This note explores these and \n other issues that lurk beneath the surface of the attractive \n concept of using increased sin excises on alcohol and \n tobacco to finance “virtuous” social spending on public health.
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 | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,012 | 0,017 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».