Notice bibliographique
Résumé
Problem, research strategy, and findings The financialization of housing is a rapidly growing concern for planning researchers and policymakers, but the opacity of property ownership in most cities has hampered efforts to rigorously measure the phenomenon. Here we introduce a new approach based on big data methods. By combining web scraping of property assessment, business registry, and rental advertisement data, we reliably identified the networks of property ownership lurking behind anonymous numbered companies and established the extent of financialized rental housing ownership. We demonstrate the effectiveness of this approach with a quantitative case study of the financialization of rental housing in Montreal (Canada). Using spatial regression and clustering analyses, we found that there are two distinct types of financialized rental housing ownership in Montreal: one characterized by precarious and student tenants and another characterized by affluent tenants. In general, high proportions of financialized ownership are associated with higher levels of housing stress and dense housing typologies.Takeaway for practice By demonstrating meaningful differences in housing market outcomes across financialization status—which has not usually been readily accessible to either renters or planners—our findings show the importance of rental market information asymmetry. Planners should treat landlord data as one component of the information necessary to properly regulate a rental housing market. Municipalities should make property ownership information publicly accessible to facilitate public scrutiny of residential land use and more effective protection of tenant rights.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».