Using CFS Data to Guide Regional Transportation Policy and Investment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Commodity Flow Survey (CFS) data has played a significant role to help set the context for regional transportation policy and investment decisions in the Portland–Vancouver region. Data from the CFS has been a primary input into the region’s Commodity Flow Forecast (1997) and the update in 2002. The CFS has also provided data that has helped answer business community questions about freight flows and engaged them in policy discussions regarding the Columbia River crossing as part of the Interstate 5 Trade Corridor project. Both directly and indirectly, the CFS has been very helpful in helping us set the context for freight movement and to put freight issues on the regional transportation agenda. CFS data gives us the ability to frame the issues, convey the order of magnitude of freight’s importance, and to identify areas where further data is needed. Ultimately, we would like to be able to use the data at a project level, but the CFS doesn’t provide enough detail. That is to say, we would like to have the data at detail level sufficient to help make the case for a specific investment or to prioritize among competing investments. However, even at current levels of detail, the CFS has been useful. Due in part to CFS data in our Commodity Flow Forecast, we have secured $500,000 in regional funding for a freight data collection project that will provide us with some of the detail we need to make specific investment decisions, such as origin–destination and time of day data. This presentation showed how and why our region has successfully used CFS data, identified where we have found gaps and problems, and suggested alternatives for making CFS data more accessible and more useful at a regional level.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle