Adéquation des transferts aux besoins des municipalités. Quelques réflexions sur les enjeux d’équité et d’efficacité
Bibliographic record
Abstract
Au cours de l’année 2014, ce sont plus de 2 milliards $ qui ont été versés par le gouvernement du Québec aux municipalités sous forme de paiements de transfert. De cette somme, un montant de 60 millions $ est consacré à la péréquation. Ces transferts proviennent d’un grand nombre de programmes répondant à divers objectifs, et la redistribution apparaît, parmi ces objectifs, comme une ambition relativement modeste. Dans ce contexte, les programmes de transferts aux municipalités du gouvernement du Québec génèrent-ils les bénéfices attendus en matière d’équité de d’efficacité? Pour répondre à cette question, ce rapport propose une démarche exploratoire visant l’estimation des besoins des municipalités du Québec par des modèles multivariées à partir de données financières. Ces estimations ont pour objectif de valider l’adéquation des besoins aux ressources nécessaires pour les financer. La recherche documente également l’usage des transferts à l’aide d’une série d’entrevues effectuées auprès de 9 responsables des finances de différentes municipalités du Québec. Notre démarche montre que le calcul des besoins des municipalités est relativement complexe et qu’il est vulnérable aux erreurs de mesure. La différence entre la péréquation des besoins et la péréquation des ressources n’est pas aussi importante que ce qui était attendu au départ. Les entrevues font également ressortir un faible intérêt des acteurs locaux pour la péréquation. Au final, ce ne sont donc pas les montants des transferts aux municipalités, ni les secteurs visés par ces transferts ou les inégalités qui représentent des enjeux importants pour les municipalités du Québec, mais plutôt la complexité administrative associée à la mise en œuvre de certains programmes de transferts.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".