Une analyse des taux marginaux effectifs d’imposition au Québec
Bibliographic record
Abstract
Cet article dresse un portrait de la situation des taux marginaux effectifs d’imposition (TMEI) sur le revenu de travail au Québec. Il vise à permettre une meilleure compréhension de l’impact des politiques gouvernementales sur le comportement des agents économiques sur le marché de la main-d’oeuvre. À l’aide d’un modèle de microsimulation comptable reproduisant les systèmes d’impôts et de transferts au Québec pour 2002, nous mesurons les TMEI qui résultent de l’interaction des mécanismes de perception et de redistribution. En outre, nous en évaluons la répartition au sein de la population. L’analyse de ces taux démontre, entre autres, que la politique familiale du gouvernement, dont l’aide est ciblée vers les familles à faible revenu, engendre des TMEI élevés attribuables à la réduction généralement rapide des transferts avec le revenu de travail Ainsi, plus du quart des chefs de famille monoparentale ont un TMEI pouvant atteindre, et même excéder, 80 %. Quant aux familles biparentales, elles font majoritairement face à un TMEI qui approche 50 %. Nous montrons l’importance de tenir compte de l’hétérogénéité, à la fois selon les types de familles et selon les niveaux de revenu, de manière à bien évaluer la variabilité des TMEI à travers la population.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| 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) | 0.008 | 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".