L’impact du couvre-feu de janvier 2021 sur la criminalité à Montréal : une analyse spatio-temporelle
Bibliographic record
Abstract
Le contexte particulier de la pandémie de la COVID-19 a engendré pour tous des bouleversements sociaux et économiques et plusieurs mesures exceptionnelles ont été mises en place, dont celle du couvre-feu, imposée au Québec en date du 9 janvier 2021 à 20 h 00. Les politiques adoptées pour atténuer la propagation de la COVID-19 constituent une expérience sociale sans précédent. La théorie des activités routinières prédit que les mesures qui influencent les activités sociales auront un impact certain sur la criminalité. Le couvre-feu a considérablement réduit les probabilités d’un tel regroupement, du moins pendant une période définie (par exemple, de 20 h 00 à 5 h 00). Il est possible que le couvre-feu ait pu avoir un impact sur la délinquance, mais aussi sur son déplacement dans l'espace et dans le temps. L’objectif de cette recherche est d’évaluer l’impact du couvre-feu imposé en janvier 2021 sur la criminalité dans la ville de Montréal. Plus spécifiquement, ce mémoire vise à évaluer : (1) s’il y a eu une augmentation ou une diminution de la criminalité, tout en examinant l’impact sur les différents types de crimes, (2) les heures de commission des délits et les types de lieux affectés par ces variations. Les analyses de type spatio-temporelles sont basées sur les données officielles de la criminalité du Service de police de la ville de Montréal (SPVM). Alors que la plupart des études disponibles jusqu'à présent se sont penchées sur l'impact du COVID sur le nombre de crimes (enregistrés), celle-ci recherche spécifiquement l'existence de déplacement dans l'espace et dans le temps. Ce mémoire apporte donc une contribution importante à la littérature sur les impacts d’un couvre-feu sur le crime. En effet, les résultats indiquent que la criminalité diminue initialement à la suite de l’imposition du couvre-feu, cependant cette perturbation est temporaire uniquement. De plus, un déplacement temporel est constaté puisque les taux de crimes sont plus élevés dans les heures où la mesure n’est pas en vigueur. Au niveau géographique, il n’y a pas de déplacement spatial de la criminalité observé à la suite du couvre-feu. Il est intéressant pour les décideurs de connaître les impacts de ce type de mesure sur la criminalité.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".