MétaCan
Menu
Retour à la cohorte
Enregistrement W2582637532 · doi:10.55016/ojs/sppp.v9i1.42613

Municipal Revenue Generation and Sprawl: Implications for the Calgary and Edmonton Metropolitan Regions Derived from an Extension of “Causes of Sprawl” (Technical Paper)

2016· article· en· W2582637532 sur OpenAlexaffabout
Melville McMillan

Notice bibliographique

RevueThe School of Public Policy Publications · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLocal Government Finance and Decentralization
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésUrban sprawlMetropolitan areaExtension (predicate logic)RevenueGeographyRegional scienceEconomic geographyEnvironmental planningTransport engineeringBusinessLand useComputer scienceEngineeringFinanceCivil engineeringArchaeology

Résumé

récupéré en direct d'OpenAlex

There are good reasons to expect that attributes of local public finance may impact urban land use and, specifically, sprawl. A detailed and novel investigation of U.S. metropolitan areas published in 20061 provides substantial insights into the causes of sprawl, but it overlooks the main characteristics of local public finance (taxes and user charges). Using a subset of the data matched to city public finance data, a parallel analysis gives insight into the impacts of local public finance on sprawl. There is evidence that greater reliance on local property taxes reduces sprawl. The evidence that user charges (primarily for water, sewerage and solid waste services) could have a similar effect is weak but suggestive. The combined effects of a high reliance on property taxes and user charges (compared to typical levels) might reduce sprawl by as much as one-third. For Calgary and Edmonton, this means that the current heavy reliance on property taxes in both cities reduces sprawl and that the adoption of alternative local taxes—that reduce reliance on property taxes—is expected to increase sprawl. Further analysis of the impacts of local public finance on urban sprawl is warranted.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,915
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,079
Tête enseignante GPT0,361
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe School of Public Policy PublicationsMême sujetLocal Government Finance and DecentralizationTravaux en français237 207