Taxing high‐net‐worth individuals in Nigeria: Challenges and opportunities for policy‐makers from a preliminary investigation
Notice bibliographique
Résumé
Abstract Motivation Nigeria ranks third in Africa for the number of US dollar millionaires, but whether these high‐net‐worth individuals (HNWIs) are contributing their fair share to domestic revenue mobilization is open to question. Although there have been various attempts to improve tax collection in recent years, including the establishment in 2023 of a presidential committee to harmonize fiscal policy across the country's 36 states, some of which are developing compliance strategies for wealthy individuals, very little is known about the impact of these reforms. Purpose To understand what approaches are currently prevalent to improve HNWI compliance across Nigeria and whether they are perceived to be effective. Methods The study is based on 12 semi‐structured interviews with public and private stakeholders from North East Nigeria, analysis of federal and state‐level legislation, data collected from 10 State Boards of the Internal Revenue Service from all Nigerian geopolitical zones in preparation for a two‐day workshop on HNWIs, and discussions with the 26 participants in the workshop. Findings Despite the great diversity in the economic and social structures of the states of Nigeria, legal, administrative, and political challenges faced by the State Boards of the Internal Revenue Service are very similar. Different states have passed subnational legislation that introduces requirements over and above those present in federal legislation to collect the information required to identify HNWIs. However, enforcement is made complex by low tax morale amongst the citizenship and political interference in tax administrative processes. These trends are then discussed in more depth for the particular case of Borno State. Policy implications Given the similarities between the obstacles faced by State Boards of the Internal Revenue Service in taxing HNWIs, there is scope for promoting regional approaches coordinated by the Nigerian Joint Tax Board. More evidence needs to be gathered on the effectiveness of policy measures implemented by particular states and the sharing of experiences across State Boards of the Internal Revenue Service needs to be facilitated.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».