MUST-B : un modèle LUTI multidisciplinaire au service de la complexité du phénomène urbain
Bibliographic record
Abstract
Le modèle LUTI MUST-B s’inscrit dans la double problématique de croissance urbaine et de développement durable. Il vise à répondre aux préoccupations croissantes concernant le développement urbain durable avec l’enjeu d’évaluation prospective dans le domaine du transport et de l’aménagement du territoire. Il est conçu pour intervenir dans une démarche d’aide à la décision (aide à la définition et l’élaboration de politiques publiques) pour orienter la « trajectoire » d’un territoire vers plus de durabilité. L’article ne vise pas ici à montrer ou illustrer la capacité du modèle MUST-B à simuler l’impact des choix d’aménagement. Il pose les bases d’une modélisation permettant d’appréhender la complexité du phénomène urbain. L’objectif de cet article est de montrer comment construire un modèle LUTI qui intègre la complexité du phénomène urbain en modélisant l’ensemble des mécanismes fondamentaux liés à l’occupation de l’espace (compte à rebours, endogénéité de certaines variables…). Notre modélisation se nourrit à la fois d’une approche multidisciplinaire (économie, aménagement de l’espace et urbanisme, géographie, transport) et de la disponibilité des données. Nous montrons que le modèle n’est pas sensible aux hypothèses de départ : le prix d’équilibre à l’issue de la simulation est indépendant du prix initial et que, sans être encore calibré sur un territoire, le modèle est capable à partir de comportements individuels de retrouver des résultats théoriques connus en économie urbaine. Il permet donc de disposer d’une structure stable qui permettra par la suite, et après avoir été calibré, de tester différents partis d’aménagement.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".