Walking in African Metropolises: the case of Yaoundé
Notice bibliographique
Résumé
African cities facing urban disorder have to deal with the exclusion of the poor from motorised movements, conflicts between all the kind of road users and an increased feeling of insecurity explained by pedestrians. This observation, in a context where there is a progressive inclusion of sustainable urban mobility planning, justifies the question of facilitating walking in the city of Yaoundé, the political capital of Cameroon. This paper aims to analyse factors which can lead to adopt walking, by using qualitative data obtained from a stratified random survey of 100 pedestrians, in the districts surrounding the city centre. Through a binary Logit model, we evaluate the quality level of those factors. The main results indicate that pedestrians are inclined to choose walking because of the travel time, the proximity of their destination, the level of security linked to their route, the presence of recreation areas along it and street lighting. On the contrary, higher is the frequency of trips, lower is the use of walking. Les métropoles africaines font face au désordre urbain avec pour corollaires l’exclusion des pauvres des déplacements motorisés, la conflictualité entre les usagers de la route et le sentiment d’insécurité des piétons. Ce constat, associé à la prise en compte progressive du paradigme de mobilité durable, met en exergue la question de la facilité de la marche à pied dans la ville de Yaoundé, capitale du Cameroun. L’objectif de cet article est d’analyser les facteurs qui sont associés à la marche à pied, à partir des données d’une enquête auprès d’un échantillon aléatoire stratifié de 100 individus dans les communes de la première ceinture du centre-ville. A l’aide d’un modèle Logit binaire qui affecte un niveau de qualité aux variables, nous arrivons à montrer que le temps de trajet, la proximité de la destination, le niveau de sécurité attribué à l’itinéraire emprunté, la présence d’espaces de détente et l’éclairage public favorisent la marche à pied. A contrario, la fréquence des déplacements influence négativement le choix de la marche à pied.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».