Mobilités quotidiennes des résidents des quartiers prioritaires en France : l’influence des unités urbaines
Notice bibliographique
Résumé
Il existe plusieurs manières de mesurer la mobilité des personnes. Selon l’indicateur choisi, la faible mobilité des résidents des quartiers prioritaires ne va pas de soi. En France, en réalité, les résidents des quartiers prioritaires consacrent autant de temps que les autres à leurs déplacements et sortent de chez eux autant de fois par jour. Ils sont donc mobiles même si la portée des déplacements est moins importante. Ils se déplacent simplement moins vite. Nous explorons dans cet article la mobilité des habitants de Quartiers de Politique de la Ville (QPV) à travers une base unifiée des Enquêtes Mobilité Certifié Cerema (EMC²). L’enjeu est d’offrir un angle original d’observation en comparant les QPV selon différentes tailles d’unité urbaine. L’objectif est de comprendre si les différences éventuelles de mobilité sont plus importantes au sein d’une même agglomération (selon que les individus résident au sein d’un QPV ou hors QPV) ou entre les quartiers de différentes tailles d’agglomérations. Il s’avère que les unités urbaines où s’observe une relative égalité (plus faibles différences de niveau de mobilité entre les quartiers) sont celles où l’utilisation de la voiture est la plus faible. La réduction des différences d’accès au volant ne passe pas par un accroissement de l’accès à la voiture des résidents des quartiers prioritaires, mais par une baisse de celui des résidents des autres quartiers. Au final, notre analyse montre qu’il existe une réelle hétérogénéité dans les pratiques de mobilité dans les quartiers prioritaires suivant les unités urbaines. Il n’est dès lors pas possible de faire abstraction des spécificités de chaque territoire pour définir une politique de mobilité à même d’améliorer la situation des habitants de ces quartiers.
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 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,028 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».