Approche des liens entre transport de marchandises en ville, formes urbaines et congestion : Le cas de l'Ile-de-France
Bibliographic record
Abstract
Le transport de marchandises en ville (TMV) est essentiel à la vitalité économique des espaces urbains, mais également source de nombreuses externalités négatives, notamment la congestion routière. Si la quantification des pertes de temps est aujourd’hui une pratique banalisée, la contribution du TMV est moins fréquemment étudiée. Par ailleurs, l’impact réciproque de la congestion sur les opérations de TMV est relativement peu abordé, surtout dans une perspective urbanistique et géographique. L’occupation de la voirie par les véhicules de fret et leurs impacts sur l’organisation du TMV peuvent pourtant être considérés comme étant le résultat de divers phénomènes socio-spatiaux.Cette thèse se propose d’analyser l’occupation de la voirie par les véhicules de fret, l’importance des coûts de congestion routière associés ainsi que les incidences sur l’organisation du TMV. D’un point de vue théorique, le TMV est pensé comme un ensemble de processus industriels (à envisager dans un cadre plus large que la simple opération de transport) aux caractéristiques variées, mis en place par des entreprises pour répondre aux besoins d’approvisionnement des entreprises d’une aire urbaine. Nous analysons l’articulation de ces processus industriels avec les formes urbaines de la ville, et en particulier la relation difficile qu’entretiennent le TMV et la densité spatiale. D’un point de vue empirique, nous mobilisons plusieurs sources de données décrivant les flux de marchandises en Ile-de-France (dont l’enquête Transport de Marchandises en Ville (ETMV) réalisée en 2010). Outre son ancrage fort dans un référentiel spatial, nos analyses empiriques de la contribution du TMV à la congestion routière s’inspirent de plusieurs cadres disciplinaires, l’ingénierie des trafics et l’économie des transports notamment
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.007 | 0.005 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".