MétaCan
Menu
Retour à la cohorte
Enregistrement W28596172 · doi:10.1161/circresaha.117.310584

Plans de déplacements d'entreprise : exemple empirique à Laval.

2011· article· fr· W28596172 sur OpenAlexaboutno aff
Stéphanie Roubaty

Notice bibliographique

RevueCirculation Research · 2011
Typearticle
Languefr
DomaineEngineering
ThématiqueUrban and Freight Transport Logistics
Établissements canadiensnon disponible
Organismes subventionnairesNational Heart, Lung, and Blood Institute
Mots-clésHumanitiesPolitical sciencePhilosophy

Résumé

récupéré en direct d'OpenAlex

Dans un contexte où l’explosion de l’utilisation de la voiture individuelle cause de plus en plus de problèmes pour les collectivités, les pouvoirs publics se tournent vers des politiques de gestion de la demande en transport, comme les plans de déplacements d’entreprise (PDE). Cet outil permet aux organismes d’inciter leurs employés à effectuer un transfert modal de la voiture individuelle vers les transports alternatifs, tout en réglant leurs problèmes liés aux transports. Ce rapport de stage comporte deux volets. Premièrement, nous avons créé un guide présentant les étapes à suivre pour mettre en place un PDE ainsi que les pistes de solutions possibles pour que les
\norganismes lavallois puissent inciter leurs employés à effectuer ce transfert modal. Deuxièmement, un exemple empirique à Laval a été effectué. Nous avons sélectionné une entreprise pharmaceutique lavalloise, Sanofi-aventis, afin de diagnostiquer leur « transport », pour ensuite leur proposer des recommandations quant aux meilleures mesures à mettre en place. Chaque volet de notre recherche comporte sa propre méthodologie. Premièrement, nous avons
\nprincipalement eu recours à la recherche documentaire pour créer le guide. En effet, nous nous sommes basés sur différents guides existants provenant du Canada et d’Europe. Deuxièmement, en ce qui concerne l’exemple empirique, nous avons créé un questionnaire pour les employés de l’entreprise afin d’analyser leur mobilité (part modale, raisons de ce choix, problèmes rencontrés avec les transports alternatifs et ouverture sur ces derniers) ainsi qu’une grille d’entrevue semi-dirigée pour
\nl’administration de Sanofi-aventis afin de connaître les mesures déjà mises en place. Finalement, nous avons collecté des données à caractère géographique afin d’analyser la provenance des employés, la distance séparant leurs lieux de domicile et l’entreprise, le pourcentage d’employés résidant à une distance de l’entreprise faisable en transports actifs ainsi que les arrêts de transport en commun localisés à distance de marche de l’entreprise.
\nConcernant les résultats, nous avons obtenu pour notre questionnaire un taux de réponse de 30 % sur les 600 employés. La part modale pour les déplacements domicile-travail est dominée par la voiture individuelle, alors qu’elle l’est moins pour les déplacements professionnels locaux. Parmi les mesures que nous avons proposées, les plus appréciées par les employés sont les aides financières ainsi que l’amélioration des réseaux de transport en commun et des pistes cyclables. En ce qui concerne l’analyse à caractère géographique, les employés résident principalement à Laval, sur l’île de Montréal et sur la Rive-Sud. De plus, 31.5 % des employés habitent à une distance faisable en vélo, ce qui en fait des utilisateurs potentiels. Finalement, cinq lignes d’autobus se situent à distance de marche de l’entreprise. Pour terminer notre propos, nos objectifs ont été atteints, bien que notre recherche comporte quelques limites que nous présentons en conclusion <br /><br /> In a context where the explosion in the use of private cars is causing more and more problems for the communities, governments are turning to management policies for the transportation demand, such as Commute Trip Reduction Program. This tool allows organizations to encourage their employees to make a modal shift from private cars to public transport alternative, while addressing their transport problems. This internship report has two components that meet as many objectives. First, we create a guide 
\noutlining the steps to establish a Commute Trip Reduction Program as well as possible solutions for Laval organizations to encourage their employees to do this modal shift. Second, we present the results of an empirical example in Laval, where we selected a pharmaceutical company: Sanofi-aventis, to establish the portrait of their employee’s mobility and then make recommendations on the best measures to be implemented under a Commute Trip Reduction Program. Each component of our research has its own methodology. First, we mainly relied on documentary
\nresearch to create the guide. Indeed, we relied on several existing guides from Canada and Europe. Concerning the empirical example, we created a questionnaire for the employees of the company and a grid for a semi-structured interview to know the measures already in place. We also collected data to analyze the geographical origin of employees, the distance between their places of residence and business, the percentage of employees residing at a feasible distance by active transport as well as transit stops located within walking distance of the business.
\nRegarding the results, we obtained a 30% response rate for our questionnaire. The modal share for journeys to work is dominated by private cars, while it is less for local business travel. Among the measures we have proposed, the most valued by employees are financial aid and improved networks of transit and bicycle lanes. The measures implemented by Sanofi-aventis, mainly carpooling and bike,
\ndid not seem to have any problems. Regarding the analysis of geographical nature, employees reside mainly in Laval, on the island of Montreal and on the South shore. In addition, 31.5 % of employees live within a cycling feasible distance, which makes them potential users of this alternative mode. Finally, five bus routes are within walking distance of the business. To complete our discussion, our goals were achieved, although our research has some limitations that we present in conclusion.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,439
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,233
Tête enseignante GPT0,336
Écart entre enseignants0,103 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCirculation ResearchMême sujetUrban and Freight Transport LogisticsTravaux en français237 207