On the Usefulness of Tax Incentives for Business Angels and SME Owners: An empirical Analysis
Bibliographic record
Abstract
De nombreux gouvernements ont instauré des programmes fiscaux destinés à promouvoir le financement des petites et moyennes entreprises. Il existe toutefois très peu d'études de l'efficacité de ces initiatives. Nous analysons le programme de Société de placements dans l'entreprise québécoise (SPEQ), instauré au Québec pour améliorer la capitalisation des petites et moyennes entreprises. Les actionnaires de sociétés de portefeuille obtiennent d'importants crédits d'impôt lorsque ces sociétés financent des entreprises admissibles. Nous analysons en premier lieu le programme à la lumière des principes de base du financement des entreprises : l'asymétrie informationnelle, les problèmes d'anti-sélection et d'agence et la réticence à partager le contrôle. Comme le programme ne tient aucun compte de ces diverses dimensions, nous posons l'hypothèse qu'il ne permettra pas l'atteinte de l'objectif premier, qui était d'attirer des investisseurs providentiels dans l'actionnariat des entreprises. Nous supposons également que le programme devrait attirer principalement des entreprises de qualité médiocre, dont la performance après le placement sera faible. L'analyse de l'ensemble des SPEQ agréées entre 1998 et 2003 et des 83 sociétés financées pour lesquelles des données comptables sont accessibles permet de confirmer chacune de ces hypothèses. Le programme n'atteint pas ses objectifs et ne peut pas être considéré comme un succès. L'étude met en évidence l'importance de dessiner très soigneusement les programmes d'aide au financement des petites entreprises.
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 | 0.006 | 0.040 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".