MétaCan
Menu
Retour à la cohorte
Enregistrement W2807999071 · doi:10.55671/0160-4341.1073

Rethinking the Fiscal Relationship Between Public Lands and Public Land Counties: County Payments 4.0

2018· article· en· W2807999071 sur OpenAlexaff
Mark Haggerty

Notice bibliographique

RevueHumboldt Journal of Social Relations · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLocal Government Finance and Decentralization
Établissements canadiensHeadwaters Health Care Centre
Organismes subventionnairesnon disponible
Mots-clésPaymentPublic landLand ValuesGeographyNatural resource economicsLand usePolitical scienceEconomicsFinanceLaw

Résumé

récupéré en direct d'OpenAlex

In 1908, Congress authorized payments to local governments, including counties and school districts, to compensate for the non-taxable status of the newly established forest reserves within their boundaries. The original program shared revenue generated from commercial activities on public lands, e.g. timber harvesting, not anticipating the major changes in the volume and types of activities on National Forest lands, particularly in the Pacific Northwest, that have played out over the past century. Two subsequent reforms – the appropriated Payments in Lieu of Taxes (PILT) in 1976 and ‘transition’ payments made between 1990 and 2018, including payments associated with the Northwest Forest Plan and the Secure Rural Schools and Community Self-Determination Act (SRS) – have yet to deliver a permanent or effective policy solution that matches county payments to local governments’ economic needs or forest management objectives. This paper analyzes three policy options: a status quo option of PILT and revenue sharing payments; reauthorization of SRS; and the creation of a new permanent trust fund at the federal level. The paper concludes that the trust option (‘County Payments 4.0’) could resolve key challenges by stabilizing and growing revenue over time, eliminating the need for cycles of conditional appropriations, and providing flexibility to address economic and forest management needs in public land counties.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,004
Communication savante0,0080,006
Science ouverte0,0010,005
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,083
Tête enseignante GPT0,324
Écart entre enseignants0,242 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHumboldt Journal of Social RelationsMême sujetLocal Government Finance and DecentralizationTravaux en français237 207