Trafic aérien de passagers au Canada : une analyse exploratoire du modèle origine-destination de Transports Canada pour le marché intérieur
Bibliographic record
Abstract
Le dynamisme du secteur aérien canadien amène Transports Canada à réviser régulièrement ses techniques de modélisation du trafic de passagers afin d’améliorer la performance prédictive de ses modèles. Ce travail explore différentes versions d’un modèle PODM (Passanger Origin-Destination Model) que Transports Canada utilise pour prévoir le trafic de passagers entre une origine et une destination à l’intérieur du Canada avec des données de panel (i.e. longitudinales et transversales). Deux formes paramétriques (log-linéaire et Box-Cox) sont estimées dans leurs versions empilées, avec des effets fixes/aléatoires et avec des coefficients individuels variables (fixes/aléatoires). Nous proposons également des estimations non paramétriques à noyaux pour explorer les non-linéarités qui caractérisent la relation entre le nombre de passagers par couple origine-destination et le prix du billet, le PIB des zones d’origine et de destination, la durée en voiture du trajet et la fréquence des vols. L’hypothèse d’empilement des données et les formes fonctionnelles postulées se révèlent statistiquement inadéquates. La prise en compte de l’hétérogénéité des trajets et des effets temporels par l’inclusion d’effets fixes/aléatoires dans les modèles paramétriques est également rejetée par nos tests. Les modèles à coefficients variables individuels et les estimations non paramétriques se révèlent les méthodes les plus pertinentes pour capturer l’hétérogénéité entre trajets, les chocs temporels ou les non-linéarités présentes dans les relations d’intérêt. Mots clés : Box-Cox, transport aérien, trafic de passagers, origine-destination, Transports Canada, non paramétrique, panels.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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; 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".