Donner du sens aux concepts. La mobilité durable et les systèmes d'indicateurs dans le domaine de la politique des transports
Bibliographic record
Abstract
Résumé Ces dernières années, des stratégies au service d’une mobilité durable (de transports durables) ont été mises en place dans maints pays et aussi au niveau international, jusqu’à présent sans grand succès. Il reste que la question se pose de savoir comment évaluer concrètement la durabilité des systèmes et des politiques de transports et comment les mesures obtenues peuvent servir à la planification des transports. Le présent article traite essentiellement des indicateurs et cadres de suivi qui sont en usage dans le secteur des transports. Il étudie un petit nombre de systèmes d’indicateurs en usage à l’heure actuelle et recherche s’ils contribuent, et de quelle manière, à rendre les concepts de durabilité opérationnels pour la gouvernance de la mise en œuvre de la mobilité. Les six programmes d’indicateurs examinés se composent d’un système général d’indicateurs d’environnement, d’un cadre d’évaluation de l’efficacité de la politique des transports et de quatre jeux d’indicateurs axés notamment sur l’interaction entre les transports et l’environnement. Quatre d’entre eux sont nationaux (un du Danemark, un du Canada et deux des États-Unis) et deux internationaux (Agence européenne pour l’environnement ( aee ) et Organisation de coopération et de développement économiques ( ocde )). L’auteur conclut que les orientations fournies par ces systèmes et d’autres programmes d’indicateurs ne favorisent guère la progression dans la voie d’une mobilité durable. Afin de mieux prendre en compte les objectifs de durabilité, il convient d’examiner quatre grandes questions : comment gérer l’intégralité de la problématique environnementale, comment incorporer les facteurs de causalité dans les systèmes, comment concilier durabilité et objectifs politiques et comment lier les systèmes d’indicateurs à l’élaboration de la politique.
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 | 0.008 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.011 | 0.012 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.020 | 0.003 |
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".