MétaCan
Menu
Retour à la cohorte
Enregistrement W4313210124 · doi:10.31107/2075-1990-2022-6-8-24

Regional Tax Competition in Canada, the United States and Russia: Assessment of Regulatory Experience

2022· article· en· W4313210124 sur OpenAlexaboutno aff
Michael Alexeev, Andrey Korytin

Notice bibliographique

RevueFinancial Journal · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLocal Government Finance and Decentralization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTax competitionLegislationValue-added taxPublic economicsRevenueBusinessCompetition (biology)Ad valorem taxTax reformTax revenueEconomic policyEconomicsInternational economicsInternational tradePolitical scienceAccounting

Résumé

récupéré en direct d'OpenAlex

Recent changes in the Russian tax legislation aimed at weakening the tax powers of the federal subjects in relation to profit tax open the question of a reasonable degree of limitation of the fiscal autonomy of Russian regions, as well as the regulation of regional tax competition. This article discusses the peculiarities of regulation of domestic tax competition in Canada and the United States on the basis of an analysis of the provisions of the tax legislation related to the fiscal powers of regional jurisdictions (provinces, states). The article focuses on approaches to limiting harmful tax practices that affect the economy or budget revenues of other regions. Empirical studies confirm the existence of negative effects of domestic tax competition, as well as the relevance of measures to restrict it. The considered countries make efforts to limit domestic tax competition both at the level of interregional agreements and at the level of central authorities. However, practice shows that it is difficult to ensure actual implementation of agreements at the regional level, so regulation by the central government is of key importance. Based on this result, recommendations are given for taking measures against harmful tax competition between the regions of Russia.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,094
Score d'incertitude au seuil0,244

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0070,004
Communication savante0,0030,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,014
Tête enseignante GPT0,265
Écart entre enseignants0,252 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFinancial JournalMême sujetLocal Government Finance and DecentralizationTravaux en français237 207