Bibliographic record
Abstract
Comment les inégalités de revenu et de patrimoine ont-elles évolué en France au cours du xxe siècle, et comment rendre compte de ces évolutions ? Les impôts progressifs mis en place au début du xxe siècle ont-ils permis une réduction importante des inégalités sur longue période ? Telles sont les questions auxquelles nous avons tenté de répondre dans un ouvrage récent et dont nous reprenons ici les principales conclusions.Pour répondre à ces interrogations, il était indispensable de se situer à un niveau microéconomique. Il est en effet impossible d’appréhender correctement les inégalités et leur évolution en s’en tenant à des indicateurs globaux. Par exemple, ainsi que nous le verrons plus loin, la stabilité du partage global entre revenus du travail et revenus du capital au niveau macroéconomique peut masquer de profondes transformations dans la répartition de ces deux grandes masses de revenus au niveau individuel. De même, la contemplation d’indicateurs agrégés du poids de la fiscalité (part des recettes de l’impôt sur le revenu dans le PIB, décomposition des recettes en impôts « directs » et « indirects », etc.) peut conduire à de graves erreurs d’appréciation. Pour apprécier correctement le rôle redistributif joué par l’impôt, il faut commencer par étudier l’évolution de la répartition du prélèvement fiscal au niveau individuel, c’est-à-dire l’évolution des taux effectifs imposés aux différents fractiles de la hiérarchie individuelle des revenus et des patrimoines.[...]
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".