Canada 2023 : décomposition du coin fiscal moyen
Bibliographic record
Abstract
Cette publication annuelle contient des informations détaillées sur les impôts payés sur les salaires dans les pays de l’OCDE. L'édition de cette année se concentre sur les incitations fiscales pour les seconds apporteurs de revenus dans l'OCDE et sur la façon dont la politique fiscale peut contribuer aux écarts entre les hommes et les femmes sur le marché du travail. Pour l'année 2023, le rapport couvre également les impôts sur le revenu et les cotisations de sécurité sociale payés par les salariés, les cotisations de sécurité sociale et taxes sur les salaires versés par leurs employeurs, et les transferts en espèces perçus par les travailleurs. L’objectif est de montrer comment ces taxes et prestations sont calculées dans chaque pays membre et d’examiner leurs impacts sur le revenu des ménages. Les résultats permettent aussi de faire des comparaisons internationales quantitatives des coûts de main-d’œuvre et de la situation globale vis-à-vis de l’impôt et des prestations des célibataires et des familles à différents niveaux de revenus. Cette publication présente des taux effectifs moyens et marginaux d’imposition sur les coûts de main-d’œuvre pour huit types de ménages représentatifs dont le niveau du salaire et la composition diffèrent (célibataires, parents isolés, couples avec un ou deux salaires et avec ou sans enfant). Les taux moyens d’imposition mettent en évidence le pourcentage de la rémunération brute ou des coûts de main-d’œuvre représenté par les impôts et les prélèvements sociaux, avant et après transferts en espèces, et les taux marginaux d’imposition correspondent à la partie d’une augmentation minime de la rémunération brute ou des coûts de main-d’œuvre reversée sous la forme d’impôts.Les informations détaillées par pays sont disponibles en anglais seulement.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.043 | 0.003 |
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".