Track Wear and Tear Cost by Traffic Class: Functional Form, Zero-Output Levels and Marginal Cost Pricing Recovery on the French Rail Network
Notice bibliographique
Résumé
We address the issue of the allocation of railway track maintenance (wear-and-tear) costs to traffic output classes and consider a very general function relating maintenance cost C to a set of technical production characteristics K used to produce traffic output vector T. We neglect other rail cost categories, such as traffic control and track renewal. The data base pertains to over 1500 sections of the French rail infrastructure in 1999, representing about 90% of the total network of 30000 km of lines in regular service. In addition to the maintenance cost C, it provides by track section 15 technical characteristics (both state S and quality Q) and 4 train traffic outputs T. Input prices, assumed to be uniform in space, disappear from the analysis, as in other national cross-sectional cases. With database subsets of approximately 1000 observations, several functional forms are tested: Linear, Log-Log, trans-Log and generalized Box-Cox. All are embedded in an unrestricted extension (U-GBC) of Khaled's seminal restricted generalized Box-Cox (R-GBC) functional specification. The U-GBC architecture, compared with its 4 principal nested variants, turns out to be by far the most appropriate, in particular when some observed zero traffic sample values are included - an issue rather neglected previously in the literature. It appears that several technical characteristics, such as maximum allowed speed and number of switches, are highly significant maintenance cost factors, which gives a hint that derived marginal costs are short term; also, the relation between maintenance costs and traffic is non linear and differs significantly by train category. Implications of different specifications for marginal infrastructure cost charges by traffic type are outlined.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».