Mobilités quotidiennes des résidents des quartiers prioritaires en France : l’influence des unités urbaines
Bibliographic record
Abstract
Il existe plusieurs manières de mesurer la mobilité des personnes. Selon l’indicateur choisi, la faible mobilité des résidents des quartiers prioritaires ne va pas de soi. En France, en réalité, les résidents des quartiers prioritaires consacrent autant de temps que les autres à leurs déplacements et sortent de chez eux autant de fois par jour. Ils sont donc mobiles même si la portée des déplacements est moins importante. Ils se déplacent simplement moins vite. Nous explorons dans cet article la mobilité des habitants de Quartiers de Politique de la Ville (QPV) à travers une base unifiée des Enquêtes Mobilité Certifié Cerema (EMC²). L’enjeu est d’offrir un angle original d’observation en comparant les QPV selon différentes tailles d’unité urbaine. L’objectif est de comprendre si les différences éventuelles de mobilité sont plus importantes au sein d’une même agglomération (selon que les individus résident au sein d’un QPV ou hors QPV) ou entre les quartiers de différentes tailles d’agglomérations. Il s’avère que les unités urbaines où s’observe une relative égalité (plus faibles différences de niveau de mobilité entre les quartiers) sont celles où l’utilisation de la voiture est la plus faible. La réduction des différences d’accès au volant ne passe pas par un accroissement de l’accès à la voiture des résidents des quartiers prioritaires, mais par une baisse de celui des résidents des autres quartiers. Au final, notre analyse montre qu’il existe une réelle hétérogénéité dans les pratiques de mobilité dans les quartiers prioritaires suivant les unités urbaines. Il n’est dès lors pas possible de faire abstraction des spécificités de chaque territoire pour définir une politique de mobilité à même d’améliorer la situation des habitants de ces quartiers.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.004 |
| Science and technology studies | 0.003 | 0.028 |
| Scholarly communication | 0.001 | 0.004 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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; both teacher heads agree on what is shown here.
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".