Centres-villes et périphéries commerciales : le point de vue des consommateurs
Bibliographic record
Abstract
L'objet de cet article est d'analyser les comportements des consommateurs en matière d'achat de biens et services au sein des métropoles. Les comportements de consommation conduisent à des déplacements qui peuvent être analysés sous l'angle de l'utilisation de l'espace urbain, des distances parcourues et des préférences individuelles. Comment les consommateurs combinent-ils leurs déplacements journaliers, l'information dont ils disposent et leurs préférences commerciales pour choisir un centre commercial plutôt qu'un autre? Comment s'opèrent les liaisons entre les zones résidentielles et les espaces d'activités commerciales et de travail? Quels moyens de déplacements sont utilisés? L'originalité de l'article est d'utiliser des méthodes d'analyse marketing pour répondre à ces questions en inférant de l'analyse de la satisfaction du consommateur les éléments qui expliquent les choix des consommateurs. La méthode est à la fois holistique et analytique. Pour réaliser ces objectifs, une enquête lourde a été conduite auprès de 1937 consommateurs interrogés dans trois agglomérations (Aix-en-Provence, Avignon et Marseille), dans quatre localisations situées en centre-ville et six situées dans des zones commerciales périphériques.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".