Police Funding and Crime Rates in 20 of Canada's Largest Municipalities: A Longitudinal Study
Notice bibliographique
Résumé
Tandis que la littérature évaluant diverses pratiques et reformes policières continue de s’accroitre, il y a présentement peu de recherche qui examine le financement de la police au Canada. Pour décrire la situation présente du financement de la police au Canada, nous recueillissions et publions des données sur les dépenses municipales de services policiers de 2010 à 2021 de 20 des municipalités urbaines les plus peuplées au Canada. Notre analyse décrit le changement du financement de la police au cours du temps et la variation entre les différentes régions, et examine la corrélation entre le financement et les taux de crime. Les dépenses sur les services policiers sont extraits des budgets municipaux, et les données sur les populations et sur l’indice de gravité de la criminalité sont extraits des bases de données de Statistique Canada. En 2019, les services policiers étaient la plus grande dépense de fonctionnement dans une majorité des municipalités. Les montants des dépenses par habitant en dollars constants sur les services policiers augmentent dans 16/20 municipalités entre 2010 et 2020. Il y a des différences marquées entre les dépenses des municipalités : en 2019, en dollars 2020, Vancouver a dépensé $495.84 par habitant pendant que la Ville de Québec a dépensé $217.05 par habitant. Il n’y a pas de corrélations uniformes entre les dépenses policières et les taux de crime des municipalités. Cependant, des augmentations nettes de dépenses par habitant ne sont pas associées avec des réductions plus importantes de taux de crime. Ces résultats décrivent la grande variation locale des tendances de fonds policiers, et indiquent la complexité des interactions entre les taux de crime et les fonds policiers.
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 | 0,001 | 0,003 |
| 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) | 0,001 | 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 ».