La dynamique spatiale du marché des bureaux dans la région métropolitaine de Montréal de 1987 à 2001
Bibliographic record
Abstract
Depuis les quinze dernières années, le paysage immobilier de la région métropolitaine de Montréal a subi de nombreuses transformations. Plusieurs facteurs peuvent expliquer ces transformations, mais la migration dune économie basée sur la production industrielle vers une économie basée sur le savoir et les nouvelles technologies de l’information et des télécommunications est probablement la principale cause de tous ces bouleversements. Cette recherche trace l’historique et l’évolution du marché immobilier montréalais. À l’aide d’exemples concrets, nous présentons les principaux acteurs qui font évoluer ce marché. Nous utilisons les données sur l’immobilier du commercialisateur Royal LePage, des données sur l’emploi de Statistique Canada pour la période 1981 et 1996, afin d’examiner la composition et l’évolution de pôles majeurs d’espaces à bureaux situés au centre-ville de Montréal et en périphérie de celui-ci. Le marché immobilier montréalais n’étant pas un marché autonome, il est grandement dépendant des investissements publics. En ce sens, de nombreuses initiatives publiques de projets immobiliers ont eu un succès parfois inespéré et d’autres fois assez controversées. Les politiques publiques ont influencé et influenceront de plus en plus le fonctionnement de ce marché qui n’est pas autosuffisant et fortement sous contrôle de capitaux étrangers, comparativement au marché immobilier de nombreuses métropoles américaines. Les résultats de cette recherche nous permettent de croire que cette transformation n’est pas encore terminée et que plusieurs bouleversements sont encore à venir. En effet, l’évolution constante des technologies de l’infomation et des communications liées à la globalisation des marchés promet de marquer profondément l’organisation spatiale des métropoles comme Montréal.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".