Quartiers durables et pôles d’emploi : vers des navettes plus courtes et moins polluantes ? Une analyse de Montréal, 1998-2008
Bibliographic record
Abstract
À quelle échelle la morphologie urbaine joue-t-elle sur les comportements de navettage ? D’un côté, la nature du quartier (résidences unifamiliales, appartements, vétusté du bâti, organisation de la voirie…) pourrait avoir un effet sur les modes de déplacement, et certaines interventions urbanistiques adoptent cette hypothèse. De l’autre côté, la localisation du quartier au sein de la métropole (quartier central, périphérique, transport en commun) a aussi une influence certaine. Dans cet article, nous nous demandons si la nature des quartiers de résidence (ou de travail) influe sur les comportements de navettage, et si cet effet est un effet indépendant ou s’il ne fait que refléter la distance des différents types de quartiers au centre-ville. Nous montrons que la nature des quartiers a très peu d’influence indépendante sur ces comportements. Nous suggérons donc que c’est l’aménagement à l’échelle métropolitaine (recentrage des résidences, léger décentrage des emplois) plutôt qu’à l’échelle des quartiers, sur lequel il serait primordial de réfléchir et d’agir si l’on veut modifier durablement les comportements de navettage.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".