Corporate Tax Planning: Impact of COVID-19 and Transfer Pricing: Approaches for Comparability Adjustments
Notice bibliographique
Résumé
The impact of the COVID-19 pandemic has varied significantly across market sectors and companies, and the disruptions generated by the pandemic have had major implications for the transfer-pricing practices of many multinationals. The COVID-19 crisis has challenged the efficiency of traditional benchmarking of profit margins and markups on the basis of the profitability of comparable companies. In this article, we provide a framework for addressing two key questions: (1) how to ensure that the data used for setting or testing transfer-pricing results are appropriate in terms of comparability and that they adequately reflect economic reality for the tested party; and (2) what adjustments need to be made if the tested party's results fall below the arm's-length range. Given the extraordinary circumstances, we cannot rely on a simple analysis of historical data to adjust for the impact faced by businesses as a result of COVID-19. For example, in situations where the taxpayer's results have been affected by the COVID-19 pandemic to a greater extent than the results of comparable companies, the approaches outlined in this article will provide the taxpayer with an estimated arm's-length range of profitability for the comparable companies that is calibrated to the impact of the pandemic on the tested party's results. These approaches are aligned with the transfer-pricing guidance for COVID-19 adjustments issued by the Organisation for Economic Co-operation and Development in December 2020.
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 | 0,124 | 0,408 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».