MétaCan
Menu
Retour à la cohorte
Enregistrement W3136036163 · doi:10.1080/02723638.2020.1832376

Gentrification in large Canadian cities: tenure, age, and exclusionary displacement 1991-2011

2021· article· en· W3136036163 sur OpenAlexafffundabout
Alan Walks, E. M. Hawes, Dylan Simone

Notice bibliographique

RevueUrban Geography · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrbanization and City Planning
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésGentrificationMetropolitan areaRentingStock (firearms)Housing tenureDemographic economicsLabour economicsEconomicsGeographyEconomic growthPolitical science

Résumé

récupéré en direct d'OpenAlex

This paper contributes to the gentrification literature by asking how tenure changes, housing stock changes, and generational shifts might be related to gentrification as identified by household income growth in the inner cities of Canada’s three largest metropolitan areas. We use a modified shift-share analysis of changes in tenure, housing stock, and age-tenure cohorts between 1991 and 2011 to examine these questions in Toronto, Montreal, and Vancouver, Canada’s largest metropolitan areas. We find that in each case, gentrification is associated with an absolute decline in non-condo private-sector rental units, and that construction of non-market/social housing units has not been sufficient to compensate for the private-sector units lost to gentrification. Our analysis demonstrates that changes in the class structure of households, more than generational or age-cohort composition shifts, are at the heart of inner-city transformations in tenure and income among households. The big story is the absolute loss of affordable rental units in each inner city, and the concomitant exclusionary displacement of lower-income households that has resulted.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,260

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,006
Études des sciences et des technologies0,0050,002
Communication savante0,0020,001
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,013
Tête enseignante GPT0,248
Écart entre enseignants0,235 · 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'étudeObservationnel
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

Citations27
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueUrban GeographyMême sujetUrbanization and City PlanningTravaux en français237 207