MétaCan
Menu
Back to cohort
Record W2298725233

Le Crédit d'impôt recherche en débat

2015· preprint· fr· W2298725233 on OpenAlexaboutno aff
Sarah Guillou, Evens Salies

Bibliographic record

VenueSPIRE (Sciences Po) · 2015
Typepreprint
Languagefr
FieldComputer Science
TopicCultural Insights and Digital Impacts
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPhilosophy
DOInot available

Abstract

fetched live from OpenAlex

Le Crdit d'impt recherche en dbat 1Sarah Guillou et Evens Salies La remise en cause du Crdit d'impt recherche (CIR) revient de faon rcurrente l'occasion des dbats plus gnraux sur les dductions fiscales accordes aux entreprises.Rcemment, ce dispositif de soutien de la R&D des entreprises a fait l'objet d'interrogations plus cibles sur son efficacit, au regard de son cot pour la collectivit qui a fortement augment depuis la rforme de 2008.Au mme moment, des dcisions de localisation de sites ddis la R&D en France par des entreprises trangres (Facebook, Intel) sont utilises comme des faire-valoir de l'utilit de la gnrosit du dispositif franais.Couvrant aujourd'hui prs de 15 000 entreprises, le CIR induit une crance sur l'tat estime 6,2 milliards d'euros en 2014, aprs plus de 5 milliards en 2013.Cette crance est quivalente 0,26 % du PIB alors qu'au Canada et aux tats-Unis, les crdits d'impts recherche quivalent 0,21 % et 0,05 % du PIB, respectivement.Si on observe une augmentation de la Dpense intrieure de R&D des entreprises (DIRDE) depuis 2008 (MENESR, 2015b), qui s'lve 31,2 milliards d'euros en 2014, la part dans le PIB de la R&D prive est toujours insuffisante relativement l'objectif europen de Lisbonne ; on peut lgitimement s'interroger sur l'impact de la gnrosit du CIR sur la DIRDE 2 .Par ailleurs, la mise en concurrence des dispositifs nationaux, alors que l'Asie est un attracteur de plus en plus puissant des dpenses en R&D, interroge sur la prennit du systme.Cette note tente de synthtiser l'tat des connaissances sur le CIR qui a fait l'objet de nombreux rapports et de plusieurs valuations sur des priodes diffrentes.Elle propose de clarifier les termes du dbat afin d'envisager le futur de ce dispositif dans un contexte qui associe une exigence de plus en plus forte de comptitivit hors-prix, des contraintes budgtaires qui renforcent la ncessit de l'valuation du dispositif et un processus d'internationalisation de la R&D. 1. Cette note a bnfici de discussions entre les membres du Dpartement Innovation et Concurrence de l'OFCE.Les auteurs remercient les chercheurs pour ces changes encourageants et moteurs, ainsi que Benot Masquin et Adric Aulbry pour leurs informations prcieuses.2. Les objectifs de Lisbonne sont dtaills plus bas.Pour des comparaisons europennes voir MENESR (2015d).f

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 imitation

Not 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.

metaresearch head score (Codex)0.004
metaresearch head score (Gemma)0.002
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Scholarly communication, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Theoretical or conceptual · Consensus signal: none
GenreCandidate signal: Other · Consensus signal: none
Teacher disagreement score0.707
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0040.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0000.002
Science and technology studies0.0010.002
Scholarly communication0.0060.005
Open science0.0050.004
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0000.002

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.

Opus teacher head0.677
GPT teacher head0.423
Teacher spread0.255 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designTheoretical or conceptual
Domainnot available
GenreOther

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".

Quick stats

Citations0
Published2015
Admission routes1
Has abstractyes

Explore more

Same venueSPIRE (Sciences Po)Same topicCultural Insights and Digital ImpactsFrench-language works237,207