Exploring the global and local patterns of income segregation in Toronto, Canada: A multilevel multigroup modeling approach
Notice bibliographique
Résumé
Residential income segregation is a spatial manifestation of social inequality and is an important factor that influences access to resources, services, and amenities. In general, past research analyzing income segregation has applied index-based methods to describe the separation of low-income households at one spatial scale; however, existing studies have not yet considered how income segregation varies across multiple income classes, spatial scales, and local contexts. This study applies a multilevel multigroup modeling approach to explore the global and local patterns of income segregation between dissemination areas (micro-scale), census tracts (meso-scale), and neighborhoods (macro-scale) in Toronto, Canada. A global model that estimates the overall multiscale segregation of five income classes finds that the most affluent families had the highest levels of segregation and that the segregation of all income classes was strongest at the macro- and micro-scales. A local model that allows the micro-scale segregation measures to vary geographically shows that higher-income families were less segregated in the city center than in the inner suburbs, that middle-income families were highly segregated in areas serviced by public transit, and that almost all income classes had high levels of segregation in disadvantaged neighborhoods prioritized for investment by local policymakers. The methodological and substantive contributions of this study for understanding the complex patterns of income segregation are discussed.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».