Food deserts, food mirages, and gentrification in Toronto, Canada
Notice bibliographique
Résumé
Few studies have explored links between retail food environments and gentrifying neighbourhoods across cities. As populations shift and commercial development continues, unpacking "food gentrification" processes in low-equity areas is important for ensuring healthy and equitable food access across cities. To further investigate this potential phenomenon, we used both primary (retailer consultations) and secondary (Canadian census, Toronto Public Health food inspection, land use zoning) data to explore cross-sectional links between food deserts and food mirages, four measures of gentrification in Toronto using the GENUINE gentrification tool, and Business Improvement Areas (BIAs). Food deserts represented about a tenth (9.3 %) of all dissemination areas in Toronto while food mirages represented only 4.5 %. Yet, nearly half (45 %) of all low-equity areas in Toronto were food deserts and food mirages (affecting approximately 516,000 residents). All gentrification measures employed, including BIAs, were also significantly associated with the existence of food deserts (between 2.5 and 14.5 times higher odds, respectively) while only two were associated with the existence of food mirages after adjusting for commercial zoning (between 1.6 and 2.7 times higher odds, respectively). Surprisingly, food deserts, not food mirages, were more strongly associated with gentrification. Longitudinal research is needed to better capture and monitor the evolution of food mirages.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».