Année d’imposition 2008 : une charge fiscale nette plus faible et des impôts sur le revenu plus élevés qu’ailleurs, est-ce possible?
Bibliographic record
Abstract
Récemment, il a été reproché à ceux qui affirment que les impôts sur le revenu sont élevés auQuébec de ne pas tenir compte du fait que nos travaux précédents indiquaient que la charge fiscale nette des Québécois, elle, ne le serait pas. Est-ce nécessairement contradictoire? Pour y voir plus clair, le présent cahier de recherche fait le point sur les plus récentes données fiscales et tente de concilier les deux affirmations. D’entrée de jeux, le graphique 1 confirme que le Québec utilise beaucoup plus que d’autres juridictions l’imposition du revenu comme source de recettes fiscales. Résultat : en 2008, les statistiques de l’Organisation de coopération et de développement économiques (OCDE) révèlent que le Canada avait réellement le plus haut poids des impôts sur le revenu mesuré en pourcentage du PIB de tous les pays du G7. En répétant cet exercice spécifiquement avec les recettes fiscales collectées au Québec, le résultat obtenu dépasse celui du Canada, faisant du Québec l’endroit au sein du G7 où le poids des impôts sur le revenu était le plus élevé. Il est donc vrai que les impôts sur le revenu sont plus élevés ici qu’ailleurs, et ce, malgré les réductions des impôts sur le revenu réalisées au cours des années 2000.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.024 | 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".