MétaCan
Menu
Back to cohort
Record W2921993833

Planification fiscale des sociétés québécoises et recours aux paradis fiscaux

2018· article· fr· W2921993833 on OpenAlexaboutno aff
Julien Martin

Bibliographic record

VenueCIRANO Project Reports · 2018
Typearticle
Languagefr
FieldBusiness, Management and Accounting
TopicCorporate Taxation and Avoidance
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPolitical sciencePhilosophy
DOInot available

Abstract

fetched live from OpenAlex

Les entreprises peuvent utiliser différentes dispositions fiscales pour réduire leur impôt sur le revenu. Ces dispositions prévues par le législateur poursuivent différents objectifs économiques. Par exemple, la législation fiscale prévoit un crédit d’impôt à la recherche et développement pour stimuler les activités d’innovation. D’autres dispositions fiscales peuvent être utilisées de façon concomitante avec les dispositions énoncées dans des législations fiscales de pays tiers pour s’insérer dans des stratégies de planification fiscale controversées. Ces stratégies peuvent répondre à la lettre des législations fiscales concernées mais pas nécessairement à leur esprit ou leur intention. Ces stratégies sont alors considérées comme de l’évitement fiscal. L’évitement fiscal a pour conséquence de fragiliser l’assiette fiscale des gouvernements et de diminuer les revenus fiscaux perçus par l’État nécessaires au financement des services publics. C’est le cas notamment du recours aux paradis fiscaux examiné dans le présent rapport. Pour évaluer l’ampleur du phénomène du recours aux paradis fiscaux par les entreprises, deux approches sont mobilisées. La première approche consiste à calculer le taux effectif de taxation supporté par les sociétés. La seconde approche repose sur une quantification macroéconomique de l’importance des paradis fiscaux parmi les différentes stratégies fiscales visant à réduire le montant d’impôt à payer par les entreprises. Selon les estimations, entre 25 % et 30 % des profits des entreprises canadiennes réalisés à l’étranger le sont dans des paradis fiscaux. Les calculs montrent que ce type de planification fiscale permet d’alléger l’impôt sur le revenu des entreprises canadiennes d’environ 7 %. Les estimations apportent des chiffres plus bas pour le Québec : le recours aux paradis fiscaux permet aux entreprises d’alléger leur impôt sur le revenu d’environ 5 %. Ainsi, près de 12 % de l’écart entre le taux statutaire de taxation applicable aux sociétés québécoises et le taux de taxation effectivement payé par ces sociétés est expliqué par le recours aux paradis fiscaux. Il convient de noter que ces chiffres cachent une forte hétérogénéité dans l’utilisation de stratégies d’évitement fiscal par les entreprises. Ainsi, les entreprises actives dans certains secteurs d’activité semblent avoir des stratégies de planification beaucoup plus agressives que d’autres – c’est le cas par exemple dans les secteurs de la finance et de l’assurance. Par ailleurs, le recours au paradis fiscaux est utilisé par un nombre très restreint de très grandes entreprises. Comme dans toute étude, les résultats présentés dans ce rapport doivent être pris avec précaution. La méthodologie reprise ici s’appuie sur des études scientifiques rigoureuses et éprouvées. Néanmoins, les données sur l’activité des sociétés à l’étranger – en particulier dans les paradis fiscaux – sont extrêmement limitées au Canada et quasi inexistantes au Québec. Face au manque de données, la collecte de données détaillées sur l’activité internationale des entreprises par des organismes statistiques et leur analyse rigoureuse semblent impératives. Ces outils permettront d’appréhender plus finement les pratiques de recours aux paradis fiscaux par les multinationales et ainsi guider les choix législatifs relatifs à ces pratiques.

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.004
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Qualitative · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.254
Threshold uncertainty score0.510

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0020.004
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0020.002
Science and technology studies0.0060.002
Scholarly communication0.0050.002
Open science0.0010.002
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0230.002

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 head0.100
GPT teacher head0.353
Teacher spread0.253 · 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 source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designQualitative
Domainnot available
GenreEmpirical

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

Citations1
Published2018
Admission routes1
Has abstractyes

Explore more

Same venueCIRANO Project ReportsSame topicCorporate Taxation and AvoidanceFrench-language works237,207