MétaCan
Menu
← Retour à la cohorte
Enregistrement W4253036948 · doi:10.32920/ryerson.14663274

The costs and risks of Brownfield redevelopment versus Greenfield development : a private sector perspective on the effectiveness of community incentive packages. A case study of Waterloo, Ontario

2021· preprint· en· W4253036948 sur OpenAlexaffabout
Brandon Green

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésBrownfieldRedevelopmentBusinessIncentivePrivate sectorGovernment (linguistics)Environmental planningGreenfield projectFinanceEngineeringCivil engineeringEconomicsEconomic growthGeography

Résumé

récupéré en direct d'OpenAlex

Traditionally, there has been minimal interest on behalf of developers, land owners as well as private sector stakeholders to redevelop brownfields (De Sousa, 2000). The fears of real or perceived contamination have made the redevelopment project too expensive and risky to develop profitably. Limited government funding and assistance to the private sector for brownfield redevelopment further complicates brownfield redevelopment. This research investigated Ontario’s Community Improvement Plans with brownfield provisions and how they quantitatively aid investor returns. Hypothetical scenarios for a multifamily residential development were generated for both hypothetical brownfield and greenfield sites where brownfield incentives could be implemented. The pro forma analysis revealed that a full exemption from regional development charges (RDC) had the greatest effect on investor returns (NPV and IRR) followed by the joint TIEG offered in the City of Waterloo. Greenfield development is the most financially feasible option with no added costs or risks from contamination.

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)0,004
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,491
Score d'incertitude au seuil0,987

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,112
Tête enseignante GPT0,280
Écart entre enseignants0,169 · 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'étudeÉtude de cas
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

Citations0
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetHousing Market and Economics→Travaux en français237 207→