MétaCan
Menu
Retour à la cohorte
Enregistrement W4406195439 · doi:10.1016/j.trpro.2024.12.195

Potential of Warehouse Sharing and Electric Bicycles Deliveries in the Montreal Region

2025· article· en· W4406195439 sur OpenAlexaffabout
François Sarrazin, Martin Trépanier, Matthieu Gruson

Notice bibliographique

RevueTransportation research procedia · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueUrban and Freight Transport Logistics
Établissements canadiensUniversité du Québec à MontréalPolytechnique MontréalUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésWarehouseCar sharingBusinessTransport engineeringElectric carsEngineeringAutomotive engineeringMarketing

Résumé

récupéré en direct d'OpenAlex

ABSTRACT: City logistics has become more important over the years as a greater share of the world's population lives in urban areas. This is especially true in an area of increasing use of e-commerce and greater awareness of the need to reduce transportation externalities to combat global warming. In this paper, we evaluate the potential for reducing costs and CO2 emissions in the courier delivery industry by sharing warehouses between different delivery companies. We also consider a greater use of cargo bikes (CBs), which are more mobile and eco-friendlier. We test a cost reduction optimization model on data for the delivery of courier in the metropolitan area of Montreal, Canada. Results show a cost and GHG emissions reduction (of over 30%) when warehouses are shared between different courier companies and when CBs are used. We define a ratio between the maximum distance between a pickup or delivery site and the depot (warehouse) used and the total distance travelled. Results show that such a ratio has a significant impact on the gains brought using CBs. The maximum speed of vehicles also has a significant impact on the results.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,170
Score d'incertitude au seuil0,342

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,276
Écart entre enseignants0,237 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTransportation research procediaMême sujetUrban and Freight Transport LogisticsTravaux en français237 207