Network Connectivity, Commodities, and the Adoption of Heavy Axle Loading by Short-line Railroads in Canada
Notice bibliographique
Résumé
The implementation of heavy axle loading (HAL) by North America's freight railroads has improved productivity for Class I railroads, but these benefits are not necessarily realized by short-line railroads. This paper examines the potential impact of HAL on short-line railroads in Canada by analyzing two factors: connectivity to the Class I network and commodity type. Connectivity between a short-line and the Class I system is assessed in terms of a four-tier hierarchy, depending on whether the short-line is physically connected to the Class I network, and if so, the manner in which this connection occurs. In Canada, over half of the short-line mileage is connected to a Class I mainline and is therefore likely to be impacted by IIAL implementation. Of this mileage, the majority is owned by rail transportation management holding companies, but local rail operators and government also own a substantial proportion. The densities of commodities hauled by a short-line also influences the economic viability of HAL implementation. Based on available data on railcar weights, volumetric capacities, and commodity densities, the analysis shows that certain commodity-railcar pairings shift between cube-out and weigh-out conditions when moving to a 286k railcar. Moreover, of the 11 commodity-railcar pairings examined in this paper, there are e ight pairings in which the railcar design density is closer to the commodity density under 286k compared to 263k loading,indicating a potential improvement in railcar productivity. Further research using more detailed operational data tor Canadian short-line railroads will add value to these 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 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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».