Mobile money taxation and informal workers: Evidence from Ghana's E‐levy
Notice bibliographique
Résumé
Summary Motivation In recent years, governments in low‐income countries have increasingly introduced taxes on mobile money transfers. These are often explicitly promoted as a way of taxing informal economic activity, but critics have noted their potential negative impact on lower‐income groups and specifically those in the informal sector. Yet there is virtually no evidence base on the effects of mobile money taxes on informal workers. Purpose This article assesses how informal workers in Accra, Ghana, use mobile money and how they perceive Ghana's Electronic Transfer Levy (E‐levy), introduced in May 2022. This provides a particularly interesting case study to explore the equity implications of the tax, as the policy was explicitly justified as a way of taxing the informal economy but also includes measures to limit the tax burden on lower‐income groups. Methods and approach The article uses data from a survey of 2,700 self‐employed informal workers in the Accra Metropolitan Assembly to capture citizen perceptions of the policy and to examine the likely impact of the E‐levy on informal workers with reference to equity. Findings Overall, our results suggest that the E‐levy is highly regressive. Further, we show that most informal workers disapprove of the E‐levy, reflecting not just concerns about its equity impacts, but also disappointment with the government's performance. Policy implications Our findings suggest that taxes on digital financial services should be reconsidered from an equity perspective. While some policy measures, including those undertaken in Ghana, can protect low‐income earners, they are often insufficient to counteract overall regressive impacts. Where they are implemented, social spending from the revenue from these taxes should target low‐income populations in the informal economy, while governments should focus on building trust among informal workers with regard to revenue raising and spending.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».