Péréquation et comportement stratégique des provinces bénéficiaires : un contre-exemple intrigant
Bibliographic record
Abstract
Les travaux de Boadway et Hayashi (2001) et de Smart (2007) tendent à confirmer l’hypothèse selon laquelle des provinces bénéficiaires de paiements de péréquation adopteraient des comportements stratégiques en réduisant leur capacité fiscale pour accroître les montants reçus. Dans ce texte, nous analysons l’impact qu’une nouvelle redevance hydroélectrique payée par Hydro-Québec au Trésor québécois a sur les sommes reçues par cette province en péréquation ; pour ce faire, nous considérons les formules de péréquation appliquées avant 2004 et depuis 2007. Cette redevance, qui génère environ 600 millions de dollars par année, réduit les paiements de péréquation du Québec d’un peu plus de 100 millions de dollars selon l’une ou l’autre formule. En vertu de la formule actuelle de péréquation, le Québec perd 38 ¢ en droits de péréquation pour chaque dollar additionnel reçu en revenu de ressources naturelles. La nouvelle redevance hydroélectrique et la hausse du taux de dividende appliquées à sa société d’État ont permis au gouvernement québécois de profiter d’un transfert de 1,15 milliard ; par contre il perd 437 millions de dollars en paiements de péréquation. Il s’agit d’un contre-exemple important concernant le comportement stratégique d’une province bénéficiaire de la péréquation.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".