Taxation des multinationales : quelques propositions pour améliorer l’équité fiscale en période de crise
Bibliographic record
Abstract
Dans la foulée de la crise de la COVID-19, les gouvernements ont engagé des sommes colossales pour venir en aide au secteur privé. Certaines entreprises qui bénéficient de cette aide tirent profit de stratégies d’optimisation fiscales et sont présentes dans les paradis fiscaux. Au cours des dernières années, le gouvernement du Canada n’a que très timidement agi contre l’évitement fiscal des entreprises multinationales. Fondée sur l’espérance d’une plus grande coordination entre pays, l’approche canadienne s’est avérée plus patiente que celle de nombre de nos partenaires commerciaux. Plusieurs facteurs expliquent pourquoi les grandes entreprises multinationales bénéficient d’un rapport de force favorable face à nos gouvernements. La mobilité du capital et des biens s’étant substantiellement accrue avec les grands accords de libre-échange, les grandes entreprises sont jugées crédibles lorsqu’elles menacent de quitter le Canada. Dans l’espace commercial nord-américain, la concurrence fiscale s’est aussi accrue. Cette grande élasticité de l’assiette fiscale de l’impôt des sociétés, du moins à long terme, militait en faveur de recourir disproportionnément à l’impôt sur le revenu des particuliers et aux taxes sur la valeur ajoutée pour financer les grandes missions de l’état. Depuis le milieu des années 1990, les taxes sur le capital sont d’ailleurs pratiquement disparues du paysage. Étant donné les circonstances exceptionnelles engendrées par la COVID-19, nous croyons utile de proposer des avenues pour taxer les profits des entreprises multinationales présentes dans les paradis fiscaux. Nous identifions trois pistes de réflexion : la taxation des profits excédentaires, l’établissements de taux effectifs minimaux et imposer des conditions supplémentaires à l’aide financière de l’État.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".