Impôt foncier et territoire : équité environnementale et modèle social – Une étude de cas de la Ville de Québec
Bibliographic record
Abstract
Au Québec, l’impôt foncier proportionnel à la valeur de la propriété est la principale source de revenus des municipalités. Selon la théorie de la localisation résidentielle, théorisée notamment par William Alonso (1964), les valeurs foncières et la densité devraient être plus élevées à proximité du centre. Les contribuables des environnements denses paieraient donc davantage d’impôt foncier. Or plusieurs auteurs avancent que la concentration de plusieurs propriétés sur un même espace avec une quantité linéaire d’infrastructures donnée permet aux municipalités de faire des économies d’échelle par rapport à des environnements moins denses, avec moins de propriétés desservies par la même quantité linéaire d’infrastructures. Il semblerait y avoir iniquité si les contribuables des quartiers denses paient davantage que les contribuables des quartiers diffus pour des services qu’il coûte moins cher à pourvoir dans les environnements denses que dans les environnements diffus. Autrement dit, l’impôt foncier pénaliserait-il la densité ? Nous avons testé l’hypothèse pour la Ville de Québec. On observe que les ménages en périphérie sont beaucoup plus gourmands en espace. Ainsi, les ménages dans les environnements denses paient effectivement davantage en fonction de la superficie des terrains, de la superficie habitable et de la largeur des terrains. Une alternative qui tiendrait compte des coûts de l’étalement urbain est proposée.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".