Police Funding and Crime Rates in 20 of Canada's Largest Municipalities: A Longitudinal Study
Bibliographic record
Abstract
Tandis que la littérature évaluant diverses pratiques et reformes policières continue de s’accroitre, il y a présentement peu de recherche qui examine le financement de la police au Canada. Pour décrire la situation présente du financement de la police au Canada, nous recueillissions et publions des données sur les dépenses municipales de services policiers de 2010 à 2021 de 20 des municipalités urbaines les plus peuplées au Canada. Notre analyse décrit le changement du financement de la police au cours du temps et la variation entre les différentes régions, et examine la corrélation entre le financement et les taux de crime. Les dépenses sur les services policiers sont extraits des budgets municipaux, et les données sur les populations et sur l’indice de gravité de la criminalité sont extraits des bases de données de Statistique Canada. En 2019, les services policiers étaient la plus grande dépense de fonctionnement dans une majorité des municipalités. Les montants des dépenses par habitant en dollars constants sur les services policiers augmentent dans 16/20 municipalités entre 2010 et 2020. Il y a des différences marquées entre les dépenses des municipalités : en 2019, en dollars 2020, Vancouver a dépensé $495.84 par habitant pendant que la Ville de Québec a dépensé $217.05 par habitant. Il n’y a pas de corrélations uniformes entre les dépenses policières et les taux de crime des municipalités. Cependant, des augmentations nettes de dépenses par habitant ne sont pas associées avec des réductions plus importantes de taux de crime. Ces résultats décrivent la grande variation locale des tendances de fonds policiers, et indiquent la complexité des interactions entre les taux de crime et les fonds policiers.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.010 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".