Mobile Money Taxation and Informal Workers: Evidence from Ghana’s E-Levy
Notice bibliographique
Résumé
The use of digital financial services, including money transfers and mobile money, have expanded widely in lower-income countries in the past decade; 47 per cent of the population of sub-Saharan Africa (548 million) had a registered mobile money account in 2020, with 29 per cent of those accounts representing active users (Andersson-Manjang and Naghavi 2021: 8). Among lower-income countries for which data is available, the average number of mobile money accounts is more than double the number of commercial bank accounts. In many lower-middle-income countries, mobile money usage is the same or more than commercial bank usage (Bazarbash et al. 2020). Alongside this growth, governments have increasingly sought to tax DFS, rooted in deeper discussions about the role that technology can play in increasing tax revenue and strengthening overall state capacity (Fan et al. 2020; Okunogbe and Santoro 2021). While capturing revenue from DFS can come from many sources, mobile money taxes in particular have often been introduced due to the untapped revenue potential and the relatively convenient and easy nature of the tax handle (Lees and Akol 2021a) – particularly in relation to, say, corporate income taxes on financial service providers. As noted above, the search for revenue is often closely linked to a desire to capture revenue from workers in the informal economy, who are often framed as tax evaders.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,008 | 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 ».