Le territoire est-il un bon instrument de la redistribution ? Le cas de la réforme de l’intercommunalité en France
Bibliographic record
Abstract
Le morcellement politique de l’espace est souvent considéré comme l’un des facteurs qui favorisent la ségrégation socio-spatiale et entraînent un cloisonnement entre les territoires « riches » et les territoires « pauvres ». En France, une réforme votée en 1999 incite les communes à se regrouper et à partager les taxes locales, de façon à « lutter contre l’apartheid social », c’est-à-dire à faire en sorte que la solidarité fiscale unisse les communes riches et les communes pauvres. L’étude des effets de cette réforme permet d’éclairer certains aspects contre-intuitifs de la relation entre équité sociale et équité spatiale : tout d’abord, les regroupements de communes suscités par la loi sont le plus souvent homogènes; ensuite, ils procèdent à l’institutionnalisation, au sein des grandes métropoles, des différences sociales inscrites dans l’espace; et enfin, il n’est pas certain que le partage de la fiscalité locale avantage véritablement les populations les plus précaires. Au total, il se pourrait bien que l’on aboutisse, avec cette loi, à l’effet inverse de celui qui était recherché à l’origine. Ce constat permet de s’interroger sur la pertinence de l’instrument territorial dès lors qu’il s’agit d’équité et de redistribution.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.007 | 0.011 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".