Application de la théorie de la taxation optimale à l'impôt québécois
Bibliographic record
Abstract
Nous appliquons la théorie de la taxation optimale sur le revenu de James Mirrlees (J.A. Mirrlees, « An Exploration in the Theory of Optimum Income Taxation » (1971) 38:2 Review of Economic Studies 175-208) aux données fiscales québécoises. Cette théorie nous fournit un guide normatif pour suggérer des réformes quant à la structure des taux marginaux effectifs d'impositions (TMEI). Contrairement aux taux d'imposition fédéraux et provinciaux, les TMEI permettent de prendre en compte l'ensemble des crédits d'impôt et programmes gouvernementaux, tels que, sans s'y limiter, l'aide sociale, les cotisations obligatoires à l'assurance-emploi, la prime au travail et le bouclier fiscal. Les TMEI traduisent ainsi à quel point le revenu disponible augmente en fonction d'une augmentation du revenu de travail. La question fondamentale de ce document est d'évaluer si l'on peut améliorer la structure des TMEI pour améliorer tantôt l'efficacité, tantôt l'équité de l'économie. Pour ce faire, nous utilisons les statistiques fiscales provenant de l'enquête canadienne sur le revenu de Statistique Canada de 2016 et dérivons des TMEI optimaux, que nous pouvons ensuite comparer aux vrais TMEI au Québec. Les simulations sont effectuées pour deux types de ménages, soit le couple avec deux enfants et l'individu seul. Notre recommandation la plus robuste pour le premier est de réduire ces taux dans la plage de revenu entre 40 000 $ et 50 000 $. Nous montrons également qu'il pourrait être efficient d'augmenter les taux d'imposition chez les parents à revenus plus élevés, selon que le gouvernement ait des préférences redistributives plus élevées, ou selon des paramètres comportementaux des travailleurs. Cette deuxième conclusion est moins robuste et requiert des travaux empiriques additionnels pour être qualifiée de définitive. Pour l'individu seul, l'ensemble des simulations impliquerait d'augmenter le niveau d'imposition dans la plage de revenu entre 60 000 $ et 100 000 $. Nous montrons aussi qu'il pourrait être efficient de diminuer les taux d'imposition pour la plage de revenu entre 35 000 $ et 55 000 $, selon les préférences pour la redistribution du gouvernement et les paramètres des consommateurs. Cette recommandation nécessiterait aussi des travaux empiriques additionnels.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| 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".