Comptabilité générationnelle et vieillissement démographique : les enseignements d’un modèle d’équilibre général calculable calibré pour la Belgique
Bibliographic record
Abstract
Dans la plupart des pays développés, un vieillissement démographique important s’annonce. À politique économique inchangée, ce vieillissement générera un accroissement important des charges supportées par les individus jeunes et actifs, présents et à venir, et donc une détérioration de la situation des générations futures. Dans ce débat, lacomptabilité générationnelled’Auerbachet al.(1991, 1994) et Kotlikoff (1992) occupe une place prépondérante. Elle permet, en effet, de comparer le bilan fiscal moyen des générations à venir avec la charge supportée par les générations actuelles. Nous proposons dans ce papier une extension immédiate de la comptabilité générationnelle d’Auerbachet al., qui consiste à estimer, de manière mécanique, la distribution de la charge léguée entre les générations futures. En supposant que la taxe sur les salaires équilibre le budget de l’État à chaque période, il ressort que ce sont les générations qui atteignent l’âge adulte entre 2020 et 2035 qui supportent la charge la plus forte. Les résultats sont établis sur base de données valables pour la Belgique. Puis nous comparons les enseignements de cette approche avec les résultats livrés par un modèle d’équilibre général dans lequel les agents ont une durée de vie incertaine. Ce type de modèle restitue un ensemble de grandeurs établies sur base d’hypothèses de comportement rationnel des individus et d’équilibre des marchés. Il nous montre que les écarts entre les charges supportées par les individus actuellement en vie et ceux à naître pourraient être beaucoup plus prononcés que ceux dégagés par une simple extrapolation mécanique. Cet effet est essentiellement dû à un rétrécissement des bases fiscales résultant d’une hausse du taux de taxation des salaires.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 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 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".