Des baisses d'impôt : pour qui, comment et quand? Douze constats à prendre en considération avant de procéder à de nouvelles baisses d'impôt sur le revenu au Québec
Bibliographic record
Abstract
L'étude compare les paramètres de l'impôt sur le revenu du Québec comparativement à ceux qui prévalent dans la fédération canadienne et dans les pays du G7. Après avoir illustré une plus forte dépendance gouvernementale par rapport aux impôts sur le revenu au Québec, les auteurs montrent par une analyse rétrospective qu'à cet égard une légère amélioration de la situation s'est produite. De plus, en comparant l'effet sur les taux moyens de taxation des récentes réformes fiscales, ils constatent que le Québec se distingue par une réduction nettement supérieure à celle des pays du G7. L'étude illustre également que les paramètres de l'impôt sur le revenu au Québec prennent particulièrement en compte les besoins essentiels des contribuables ainsi que leur situation familiale. Par ailleurs, l'analyse démontre que les contribuables québécois de la classe moyenne sont plus durement frappés par les impôts sur le revenu. Dans l'ensemble, les auteurs dressent douze constats afin de guider le gouvernement du Québec dans l'éventualité d'une réduction de l'impôt sur le revenu. Plus précisément, l'étude cherche à répondre à ces questions : 1) quand devra-elle avoir lieu? 2) quel groupe de contribuables devrait en être le premier bénéficiaire? et 3) de quelle manière le gouvernement devrait-il procéder pour la réaliser?
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".