Tuloverotuksen vaikutusten arviointi verotettavan tulon jouston menetelmällä : Suomen tuloverotuksen haasteet väestön ikääntyessä
Bibliographic record
Abstract
Verotuksen pääasiallisena tehtävänä on julkisen sektorin toiminnan rahoittaminen ja julkisten palveluiden mahdollistaminen. Suomessa väestön ikääntyminen muuttaa verorakennetta ja lisää julkisten palveluiden tarvetta, mikä tuo haasteita tulevien vuosien verosuunnitteluun. Tuloverotuksen vaikutusten arvioinnista on perinteisesti tehty taloustieteellista tutkimusta työn tarjonnan jouston avulla, mutta viimevuosina on siirrytty laajempaan tuloverotuksen vaikutusten arviointiin verotettavan tulon jouston menetelmää eli ETI-menetelmää hyödyntäen (the Elasticity of Taxable Income). Verotettavan tulon jousto mittaa kuinka paljon tuloverotuksen muutos eli muutos rajaveroasteessa vaikuttaa veropohjaan eli verotettavaan tuloon. Tämän tutkielman tavoitteena on esitellä verotettavan tulon jouston menetelmä ja selvittää tuloverotuksen vaikutuksia Suomessa verotettavan tulon jouston menetelmällä tehtyjen taloustieteellisten tutkimusten avulla. Verotettavan tulon joustosta on muodostunut kansainvälisesti keskeinen veropolitiikan parametri, mutta Suomessa verotettavan jouston menetelmällä on tehty tutkimusta vielä niukasti. Verotettavan tulon jousto tutkimusmenetelmänä vaatii käytännössä aina selkeän muutoksen rajaveroasteissa, mistä johtuen Suomessa tutkimus on ollut vähästä. Tässä tutkielmassa perehdytään kahteen Suomessa ETImenetelmän avulla tehtyyn tutkimukseen ja niiden tuloksiin. Ensimmäisessä tutkimuksesssa hyödynnetään kunnallisveroprosenttien muutoksia ja toisessa tutkimuksessa analysoidaan yrittäjien veromuutosten todellista vaikutusta taloudelliseen aktiviteettiin erottelemalla ETI-joustosta tulomuunnoksen osuus ansituloveron ja pääomatuloveron välillä. Suomessa ETI-menetelmällä tehtyjen tutkimusten tulosten perusteella ETI-joustoksi on saatu matalahkoja lukuja ja vaikutusmekanismit ovat aiemmista tutkimuksista poikkevia. Väestörakenteen muutokset huomioiden on pohdittava, ollaanko tulevaisuudessa valmiita hyväksymään korkeampi tuloverotaso vai luovutaanko korkeatasoisista julkisista palveluista. Uudistuksia Suomen tuloverotukseen kuitenkin kaivataan, etenkin keinottelumahdollisuuden vähentämiseksi veropohjien välillä.
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 | 0.001 | 0.003 |
| 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 | 0.008 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.069 | 0.015 |
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".