Estimation de l'élasticité prix de l'offre de logement au Canada
Bibliographic record
Abstract
Dans ce mémoire, nous analysons l'offre de logement dans les régions métropolitaines de recensement à l'aide de modèles déjà utilisés pour le marché du logement américain. Contrairement à la majorité des études empiriques réalisées sur l'offre de logement aux États-Unis, les données utilisées dans ce mémoire sont issues du marché canadien du logement. Notre cadre d'analyse s'appuie principalement sur les formulations du modèle de Green, Malpezzi et Mayo (2005), Mayer et Somerville (2000), et Maclennan et Malpezzi (2001). L'analyse comparative de ces trois modèles a révélé que seule la régression du modèle de Green, Malpezzi et Mayo (2005) a pu fournir des résultats robustes. Ce modèle nous a permis d'atteindre un double objectif. Le premier objectif est d'estimer l'élasticité prix de l'offre de logement pour chaque région métropolitaine. Les résultats obtenus démontrent, à l'instar du marché du logement américain, que l'offre de logement est élastique dans la plupart des régions métropolitaines du Canada. Cependant, il existe des écarts régionaux importants. Le deuxième objectif est d'expliquer les sources de disparité des élasticités entre régions métropolitaines. La plupart des facteurs déterminant ces sources sont significatifs à un niveau de 5%, à l'exception de la variation de la population. Les résultats montrent que les variables relatives à la densité, à la taille de la population, aux prix de logement, aux droits de cession et frais d'enregistrement, et au temps de déplacement sont utiles pour expliquer les disparités entre les régions. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Élasticité, Prix, Offre, Logement.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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 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".