Bibliographic record
Abstract
En temps de confinement, la logistique devient activité prioritaire. Plus exactement, alors qu'elle a toujours été stratégique pour les villes, elle devient beaucoup plus visible. Désertées par les autres mobilités, les rues font la part belle aux services urbains et aux véhicules de transport de marchandises. Et, pourtant, la mobilité logistique a baissé, suite à la réduction globale des commandes. Le e-commerce n'a que très partiellement remplacé les achats en magasin. L'impact de la crise sur les entreprises de transport est fort et se traduit par la désorganisation des flux, qui impacte l'optimisation des trajets. On compte davantage de retours à vide. Au-delà de la récession économique qui se profile, avec un secteur des transports déjà profondément affecté, l'après-coronavirus s'annonce aussi comme un temps de remise en cause de nos façons de faire dans de multiples dimensions de la vie économique et sociale et notamment dans la gestion des secteurs stratégiques et de chaînes d'approvisionnement. Comment appréhenderons nous tous ces sujets, de l'utilisation de la technologie pour la gestion des approvisionnements urbains (robots, drones, données massives des flux de marchandises connectées avec celles de la smart city) pour la rendre plus efficace et prête à une prochaine urgence, aux livraisons propres ? Du bilan carbone de la logistique dans les grandes villes, au statut, à la rémunération, à la représentation collective des livreurs urbains ? Laetitia Dablanc, spécialiste de ces sujets, analyse les grands enjeux de la logistique en temps de crise, pour dessiner celle de demain, dans cette note pour Terra Nova.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.054 | 0.010 |
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".