Bibliographic record
Abstract
La gestion des aéroports a connu durant les trente dernières années de profondes évolutions. En effet, les enjeux de forte croissance du trafic aérien ont progressivement conduit à une logique d'amélioration qualitative. En outre, l’arrivée de nouveaux modes de gestion privés et de partenariats publics privés a renforcé le besoin de transparence.Dans ce contexte, les régulateurs sont devenus fortement responsables de l'organisation des aéroports. Ils doivent faire en sorte que les objectifs de service public soient pris en compte, en particulier dans leur nouvelle composante qualitative et doivent informer l'usager.La maîtrise des aéroports par les régulateurs est cependant rendue difficile : le déséquilibre d'information avec le gestionnaire, l'existence d'un oligopole ou encore la situation de monopole naturel sont autant d'éléments qui viennent affaiblir la position du régulateur. A la lumière de la théorie des contrats, l'analyse de modèles internationaux montre que les limites du mécanisme concurrentiel obligent à envisager une régulation plus poussée pour les aéroports que dans d'autres services publics.La mesure de performance par des indicateurs portant sur les résultats financiers et extra-financiers est un outil propre à améliorer cette maîtrise de la gestion par les régulateurs. En introduisant des mécanismes de circulation d'information, elle permet de mieux appréhender les évolutions de chaque service, mais aussi de les comparer entre eux. L'incitation par pseudo-concurrence peut ainsi s’appliquer efficacement, quel que soit le mode de gestion. Les indicateurs vont aussi servir à définir la qualité attendue dans la phase précontractuelle, puis à suivre et à piloter les résultats du service en phase d'exécution. Ils permettent enfin une communication vers les clients, rendant ainsi plus visibles des progrès du service qui restent souvent cachés.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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 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".