Le partage du financement des services de l’agglomération de Montréal en 2020: État des lieux, analyse et éléments de comparaison
Bibliographic record
Abstract
Ce texte se divise en quatre parties. La première présente l’agglomération de Montréal, ses dépenses et ses mécanismes de financement. L’agglomération crée en 2006 couvre le territoire administratif de l’île de Montréal. Ce territoire englobe la Ville de Montréal (qui regroupe 88% de la population) et 15 municipalités de banlieue. En 2020, les principales dépenses de l’agglomération comprennent les services policiers (28%), le transport en commun (25%), le service d’incendie (16%) et le service d’eau (10%). Son financement se fait par quotes-parts. Ces dernières reflètent à plus de 90 % la répartition de la richesse foncière entre les municipalités membres. Les municipalités de banlieue s’exprimant par leur association jugent leur contribution au financement des dépenses d’agglomération trop élevée. La deuxième partie du rapport présente les grands principes pouvant être utilisés pour choisir le mode de financement des services publics. On y examine comment les services de l’agglomération génèrent plus ou moins d’externalités et correspondent plus ou moins à la notion de bien collectif. La troisième partie présente des exemples de formule de partage des coûts entre municipalités pour cinq services publics : police, incendie, transport en commun, matières résiduelles et eau. La dernière partie indique que l’insatisfaction des banlieues ne s’explique pas par une détérioration de leur situation à travers le temps. L’utilisation de la population dans le calcul des quotes-parts ne constitue pas une pratique plus équitable que les valeurs foncières, mais peut représenter un compromis advenant un nouveau partage de la charge fiscale entre les municipalités.
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 | 0.002 | 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 | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".