Un modèle simple de concurrence fiscale où la mobilité des pauvres favorise la redistribution
Bibliographic record
Abstract
Cet article développe un modèle de concurrence fiscale entre deux pays identiques. Dans chaque pays la population se partage en trois classes de revenus et choisit sur base d’un vote majoritaire sa politique fiscale en anticipant correctement les mouvements migratoires qui en résultent. Les rendements décroissants du travail équilibrent les flux migratoires. À l’opposé de la littérature existante, nous mettons l’accent sur les interactions entre la mobilité des différentes classes. Notre modèle suggère que si l’électeur décisif retire un bénéfice élevé de la taxation, alors les pauvres préfèrent l’attrait d’une base imposable plus élevée et accompagnent les riches là où le taux de taxation est le moins élevé. En conséquence, la mobilité des pauvres a pour effet de réduire l’élasticité de la base imposable au taux de taxation et permet de soutenir un niveau de redistribution plus élevé à l’équilibre. Si à l’inverse l’électeur décisif retire un faible bénéfice de la taxation, alors les pauvres préfèrent migrer en sens contraire des riches là où le taux de taxation est le plus élevé, ce qui augmente l’élasticité de la base imposable au taux de taxation et diminue le niveau de redistribution à l’équilibre.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.002 |
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".