L’effet des prélèvements fiscaux et des transferts aux particuliers sur la pauvreté au Québec et au Canada
Bibliographic record
Abstract
Dans cet article, nous estimons la contribution des principales sources de revenu (positives ou négatives, comme le revenu du marché, les transferts aux particuliers, les impôts, les taxes, etc.) à la réduction de la pauvreté au Québec et au Canada. Les contributions des différents éléments sont départagées grâce à un produit de la taille de chacun et de son efficacité relative par dollar dépensé. Cet exercice pose un problème important, puisque l’ordre selon lequel on classe les différentes composantes du revenu peut considérablement influencer la part de la réduction de la pauvreté attribuée à chacune. Comme il est généralement arbitraire de privilégier un ordre plutôt qu’un autre, nous utilisons une règle de partage qui attribue à chaque composante une part de la réduction totale indépendante de l’ordre choisi. Nous faisons également des tests de sensibilité pour mesurer la sensibilité des résultats obtenus aux choix, souvent critiquables, du seuil et de l’indice de pauvreté. Les résultats révèlent d’une part que les programmes sociaux les plus généreux (comme les pensions de retraite) ne sont pas toujours les plus efficaces en matière de réduction de la pauvreté par dollar dépensé, et d’autre part que les mesures fiscales les moins généreuses (comme les prestations provinciales pour enfants) peuvent être parmi les plus efficaces en matière de réduction de la pauvreté par dollar dépensé. Par ailleurs, on constate que, en comparaison avec le reste du Canada, le Québec a des programmes sociaux plus généreux et plus efficaces en termes de réduction de la pauvreté, mais que, en contrepartie, la fiscalité y est plus lourde et plus coûteuse.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".