Le développement du vélo-boulot a Montréal dans une perspective de transport durable
Bibliographic record
Abstract
La ville de Montréal est une des villes les plus congestionnées d’Amérique du Nord. Ce fléau cause de nombreux désagréments au niveau économique, environnemental et humain. L’utilisation accrue du vélo pour se rendre au travail figure parmi les solutions envisageables. Cet essai répondra à cette problématique en dressant un portrait de la situation du vélo à Montréal et ailleurs dans le monde afin de recommander des interventions réalistes et adaptées à la métropole. À Montréal, 586 000 personnes habitent à 5 km ou moins de leur lieu de travail, une distance qui peut facilement être comblée en vélo. Les avantages du vélo sur l’automobile sont nombreux, par exemple une meilleure condition physique, une baisse du stress au travail. Cependant, la saison hivernale représente un effet dissuasif sur ce genre de pratique. De nombreuses villes en Europe et en Amérique du Nord ont emboité le pas pour encourager le navettage à vélo. Ces villes peuvent servir d’exemples à suivre par leurs actions innovantes visant à favoriser l’utilisation du vélo, comme l’aménagement plus sécuritaire des intersections de rues. Malgré certaines forces, le réseau cyclable de Montréal comporte plusieurs lacunes qu’il faut combler afin de penser à une stratégie pour favoriser l’utilisation du vélo pour se rendre au travail à une plus grande échelle. Mentionnons que des améliorations au niveau du stationnement, de l’éducation et de la multi-modalité doivent être apportées. De plus, une campagne de dissuasion envers l’utilisation de l’automobile en solo doit aussi être réalisée en parallèle à l’appui au vélo. La mise en place d’une telle stratégie doit se faire de façon logique. En ce sens, la collecte et l’analyse de données sur l’utilisation actuelle et future du réseau constituent la base de toute intervention. En se basant sur ces données, la mise en oeuvre des interventions appropriées peut se faire. Il ne faut pas tenir pour acquis les réalisations déjà implantées, mais développer et perfectionner le réseau cyclable continuellement. Enfin, il est essentiel de maintenir un dialogue continuel entre les principaux acteurs concernés et les usagers du réseau, afin de s’assurer du succès des mesures implantées ou projetées.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".