La fiscalité minière au Québec. Analyse comparative des effets des régimes de redevances minières par la méthode du Modern Asset Pricing.
Bibliographic record
Abstract
De nombreuses études analysent la fiscalité dans le secteur minier en utilisant la méthode du cash-flow actualisé (Otto et al., 1997 ; 2006 ; Allaire,2013 ; Pricewaterhouse Coopers, 2013). Cette dernière est réputée avoir des limites pour actualiser correctement pour le risque inhérent au secteur. La méthode du Modern Asset Pricing, développée à partir du modèle Black-Scholes est considérée dans la littérature comme meilleure pour mener des tels travaux. Dans sa mise en application, cette méthode se limite cependant aux différents types de prix et contrats pour prédire les changements futurs des prix de matières premières. Nous utilisons une version révisée dudit modèle stochastique pour analyser le système fiscal minier québécois. Notre modèle intègre l’inflation mondiale ainsi que le taux de change entre le dollar US et l’euro pour prédire les changements futurs des prix. Nous l’utilisons pour analyser comparativement deux régimes de redevances minières du Québec selon trois critères : les rentrées fiscales, la rentabilité économique et le risque pour les parties prenantes. Nous construisons des scénarios pour notre analyse en faisant varier les paramètres de prix et de volatilité de prix du minerai dans le modèle de prévision. Les prix prédits pour ces scénarios sont ensuite utilisés dans un modèle de coût de mine pour construire le modèle financier. L’application des régimes de redevances à ce modèle financier permet ensuite de déterminer les revenus revenant aux différentes parties prenantes. Nous appliquons ces régimes aux données d’une mine d’or située dans la province et faisons aussi appel aux techniques de simulation de Monte-Carlo pour prendre en compte les non-linéarités induites notamment par l’environnement fiscal conformément à Samis et al., (2007). Nos résultats montrent que le nouveau régime de redevance est le plus efficace en ce qui concerne les rentrées fiscales pour le gouvernement, quel que soit le scénario de prix. L’ancien régime de redevance est celui qui favorise la rentabilité économique des projets miniers. Il génère également un taux d’imposition effectif moyen plus compétitif et favoriserait ainsi l’investissement minier. Nous ne trouvons pas de conclusion définitive pour le critère de partage de risque. Ces résultats sont robustes au choix du taux de variation dans nos différents scénarios.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.012 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".