L’incorporation des médecins. Analyse exploratoire d’une stratégie fiscale
Bibliographic record
Abstract
Cette note de recherche s’intéresse au phénomène de l’incorporation chez les médecins du Québec, une pratique permettant aux membres des ordres professionnels d’exercer leurs activités professionnelles au sein d’une société en nom collectif ou d’une société par actions. S’appuyant sur les données de recensement de 1996, 2006 et 2016, elle s’intéresse à deux des avantages de l’incorporation, soit l’impôt différé et le fractionnement du revenu avec des membres ayant atteint l’âge de la majorité dans la famille, plus spécifiquement les conjoints. De manière plus précise, elle examine le taux de prévalence et les modalités de l’incorporation chez les médecins et explore les conséquences de cette pratique sur leur revenu déclaré et celui de leur conjoint. L’analyse permet de confirmer l’attrait de l’incorporation chez les médecins du Québec et ses effets sur leurs revenus déclarés. Elle révèle également que, parallèlement, les revenus déclarés par les conjoints des médecins incorporés étaient plus élevés et constitués d’une part plus importante de revenus de placements. Cela tend à confirmer l’idée selon laquelle l’incorporation des médecins répond à une stratégie d’optimisation fiscale. Cette stratégie n’est toutefois pas intéressante pour l’ensemble des médecins.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 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".