Eviction filings during bans on enforcement throughout the COVID-19 pandemic: an interrupted time series analysis
Notice bibliographique
Résumé
OBJECTIVE: Bans on evictions were implemented to reduce the spread of COVID-19 and to protect vulnerable populations during a public health crisis. Our objective was to examine how three bans on eviction enforcement impacted eviction filings from March 2020 through January 2022 in Ontario, Canada. METHODS: Data were derived from eviction application records kept by the Ontario Landlord and Tenant Board. We used segmented regression analysis to model changes in the average weekly filing rates for evictions due to non-payment of rent (L1 filings) and reasons other than non-payment of rent (L2 filings). RESULTS: The average number of weekly L1 and L2 applications dropped by 67.5 (95% CI: 55.2, 79.9) and 31.7 (95% CI: 26.7, 36.6) filings per 100,000 rental dwellings, respectively, following the first ban on eviction enforcement (p < 0.0001). Notably, they did not fall to zero. Level changes during the second and third bans were insubstantial and slope changes for L2 applications varied throughout the study period. The L1 filing rate appeared to increase towards the end of the study period (slope change: 1.3; 95% CI: 0.1, 2.6; p = 0.0387). CONCLUSION: Our findings suggest that while the first ban on eviction enforcement appeared to substantially reduce filing rates, subsequent bans were less effective and none of them eliminated eviction filings altogether. Enacting upstream policies that tackle the root causes of displacement would better equip jurisdictions during future public health emergencies.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».