Inégalité et redistribution du revenu, avec une application au Canada
Bibliographic record
Abstract
L’utilité des courbes de Lorenz pour l’analyse de la répartition des revenus est bien connue depuis l’article influent d’Atkinson (1970). Nous indiquons dans le présent article comment l’usage combiné de ces courbes de Lorenz et des courbes de concentration des revenus, des impôts ou des transferts permet de résumer facilement et intuitivement l’impact de l’État sur la distribution des revenus. Nous nous intéressons plus particulièrement à la redistribution des revenus ainsi qu’à l’équité verticale et l’iniquité horizontale exercées par l’impôt direct et les politiques de transferts. En appliquant des poids « éthiques » à la distance entre les courbes de Lorenz et de concentration, l’on obtient des indices synthétiques d’inégalité, de redistribution et d’équité qui peuvent être facilement décomposés en contributions individuelles des différents types d’impôts et de transferts. Ces indices représentent une généralisation et une extension de l’indice d’inégalité bien connu de Gini. Cette approche est illustrée à l’aide de la distribution et de la redistribution des revenus au Canada au cours de la dernière décennie. On confirme le résultat bien connu que l’inégalité des revenus bruts s’est accrue de 1981 à 1990 alors qu’elle a chuté pour le revenu net. La redistribution opérée par le système fiscal s’est considérablement accrue au cours de cette décennie, au prix entre autres choses d’une plus grande iniquité horizontale. Le groupe de transferts reliés à la retraite et à la vieillesse est celui qui exerce de loin le plus d’impact sur la redistribution des revenus. L’impact redistributif de l’impôt direct est quant à lui très sensible au paramètre de subjectivité éthique utilisé.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".