Mesurer l’accessibilité territoriale par les transports collectifs
Bibliographic record
Abstract
L’accessibilité n’est pas un concept univoque. Si toutes les approches insistent sur l’enjeu du « potentiel de mobilité » pour l’espace et les sociétés, il convient de distinguer les multiples dimensions du système d’accessibilité territoriale (approche théorique). Cet article porte sur une de ses facettes, celle de l’accessibilité structurelle du territoire en transport collectif à travers la construction d’un indicateur multicritère (croisement de critères de temps, d’intensité des relations et de pénibilité des déplacements). L’enjeu est d’estimer plus finement des potentiels d’accessibilité en transport collectif (approche méthodologique) et d’interpréter (approche opérationnelle) les (dés)équilibres d’accès aux pôles d’excellence dans le territoire métropolitain lillois. Les résultats fournis par l’outil de calcul de l’accessibilité multimodale MUSLIW, développé au CETE Nord-Picardie, permettent de mettre en débat les politiques stratégiques de la Communauté urbaine de Lille Métropole (LMCU) dans une optique d’aide à la décision. La démarche élaborée dans cet article est mise en perspective avec la méthode anglo-saxonnePublic Transport Accessibility Level(PTAL) utilisée dans la planification stratégique au Royaume-Uni. Ce croisement des regards donne la mesure de l’enjeu d’une meilleure estimation de la performance territoriale des réseaux de transport collectif pour assister les autorités responsables de l’aménagement, par exemple, dans leur choix d’urbanisation et de normes de stationnement.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".