MétaCan
Menu
Retour à la cohorte
Enregistrement W4312081217 · doi:10.1111/1475-5890.12314

Projecting the fiscal impact of immigration in the European Union

2022· article· en· W4312081217 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueFiscal Studies · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMigration and Labor Dynamics
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésEuropean unionImmigrationNet migration rateEconomicsWelfare stateMicrosimulationPopulation ageingFiscal policyWelfareMember statesEu countriesPopulationDemographic economicsInternational economicsDevelopment economicsPolitical sciencePopulation growthMacroeconomicsDemographySociology

Résumé

récupéré en direct d'OpenAlex

Abstract The increasing flow of immigrants into Europe over the last decade has generated a range of considerations in the policy agenda of many receiving countries. One of the main considerations for policymakers and public opinion alike is whether immigrants contribute their ‘fair’ share to their host country's tax and welfare system. In this paper, we assess the net fiscal impact of intra‐EU and extra‐EU migration in 27 European Union (EU) Member States. We find that migrants in the EU, on average, contribute more than natives to welfare states. However, when we take an age‐specific life‐cycle perspective, we find that natives generally show a higher net fiscal contribution than both groups of migrants. Among migrants, extra‐EU migrants contribute less than intra‐EU migrants. We then use a demographic microsimulation model to project the potential net fiscal impact of migration in the EU into the future. We show that despite the fact that intra‐EU migration contributes to reduce the strong negative impact of population ageing, its contribution is not sufficient to offset the negative fiscal consequences.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,347
Score d'incertitude au seuil0,984

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,044
Tête enseignante GPT0,355
Écart entre enseignants0,311 · 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