The capacity allocation process on the French railway network : how to accommodate freight demand ?
Bibliographic record
Abstract
Planifier les horaires des trains qui circulent sur un réseau constitue une tâche complexe. En Europe, elle s'inscrit dans un processus qui voit le gestionnaire d'infrastructure opérer des choix pour répartir une ressource rare, la capacité d'infrastructure, entre des usages concurrents - commerciaux (trains de voyageurs et de marchandises) et de maintenance (travaux) - et des demandeurs multiples. Dans ce travail, nous cherchons à mieux cerner comment s'organise et fonctionne le processus pour le réseau ferré français par le prisme du fret, activité ouverte à la concurrence depuis 2006 mais qui traverse une crise structurelle depuis plusieurs décennies. Les différentes facettes temporelles du processus de répartition des capacités constituent le fil conducteur de notre analyse. A travers une démarche croisant le point de vue du gestionnaire d'infrastructure et celui de ses clients, au premier rang desquels les entreprises ferroviaires, nous montrons que le fret occupe une place singulière dans ce processus qui se structure selon un calendrier spécifique, fruit de dispositions règlementaires européennes et d'héritages et de choix nationaux. La question de la qualité de sillons offerts par le gestionnaire d'infrastructure est appréhendée sous l'angle d'une articulation entre composantes de court et de long termes par rapport à l'échéance de circulation. Activité plurielle, le fret a besoin de flexibilité et de visibilité. Nous nous intéressons enfin aux sillons-catalogue en tant que dispositif participant à garantir de la capacité au fret. Une analyse de la méthode allemande, à travers le projet neXt, est proposée en guise de contrepoint. Nous mettons en évidence que l'équilibre entre des exigences industrielles (standardisation) et commerciales (personnalisation) dans la production des sillons est indispensable mais demeure délicat à établir
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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".