MétaCan
Menu
Back to cohort

L'impact des infrastructures de transport sur les décisions de localisation et la longévité des entreprises

2024· dissertation· W7151873342 on OpenAlexaboutno aff
Marie-Pier Champagne

Bibliographic record

Venuenot available
Typedissertation
Language
FieldEconomics, Econometrics and Finance
TopicRegional Economics and Spatial Analysis
Canadian institutionsnot available
Fundersnot available
KeywordsRail transportationTransportation infrastructurePassenger transportTransport infrastructureTransport policy

Abstract

fetched live from OpenAlex

Les infrastructures de transport sont au cœur des villes et de leur développement. La distribution spatiale des activités économiques dépend de nombreux facteurs et tend à être influencée par les caractéristiques intrinsèques de l'entreprise, mais aussi par la présence d'économies d'agglomération et d'infrastructures de transport. La théorie de la localisation présente ces facteurs comme des piliers sur lesquels reposent les décisions de localisation des entreprises, et ultimement la structure urbaine des villes. Cette thèse s'intéresse particulièrement aux impacts qu'ont ces infrastructures sur les décisions de localisation des entreprises et leurs performances. La théorie néo-classique économique présente les décisions de localisation d'une entreprise comme le résultat d'un problème d'optimisation de la fonction de profits. Dans une perspective de développement commercial et de pérennité économique, l'étude de la performance des entreprises, en fonction d'une localisation jugée optimale, s'avère intéressante et complémentaire aux études de localisation. Une analyse approfondie de la littérature, basée sur une revue systématique, permet de réaliser un portrait de la littérature inhérente au rôle des transports dans les décisions de localisation des entreprises. La méta-analyse de ces résultats suggère que les effets d'une infrastructure de transport sur les décisions de localisation des entreprises sont positifs, ou dans le pire des cas, non-significatifs. L'évaluation des impacts causaux des infrastructures de transport en commun sur la probabilité de survie des entreprises représente une originalité de ce projet de thèse. Les résultats obtenus sont complémentaires aux divers angles déjà abordés dans la littérature. Les résultats présentés dans la thèse s'insèrent directement et en continuité avec la littérature. Empiriquement, un modèle de survie de Cox est appliqué à deux études de cas, soit le métro de Montréal (Canada) et le tramway de Dijon (France). Le métro de Montréal a connu sa plus récente extension en 2007 avec le prolongement de la ligne orange. Cette dernière permet de connecter l'île de Montréal à sa banlieue nord, la ville de Laval. Le tramway de Dijon, quant à lui, est proposé en 2008 comme une alternative durable à un réseau d'autobus saturé. Les deux lignes de tramway ont été mises en service en 2012 et desservent la ville de Dijon d'est en ouest (T1), et du nord au sud (T2). Une étude approfondie des effets d'anticipation et d'ajustement est effectuée à partir des différentes périodes (annonce, construction, et mise en opération) menant à l'instauration de ces systèmes de transport collectif. Les impacts sont évalués en fonction de la distance aux stations afin d'identifier les zones les plus touchées par la mise en place de ces services. Les résultats suggèrent que les impacts se matérialisent majoritairement après la mise en opération des services de transport en commun. Dans un contexte nord-américain, un impact positif sur la probabilité de survie est observé pour une distance allant jusqu'à 1 250 mètres de la station la plus proche. Dans un contexte européen, basé uniquement sur les petites entreprises, les résultats identifient un impact positif, cependant, il semble plus concentré spatialement, soit à moins de 500 mètres des stations.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.155
Threshold uncertainty score0.999

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.002
Bibliometrics0.0010.001
Science and technology studies0.0010.000
Scholarly communication0.0010.001
Open science0.0010.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0060.000

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.

Opus teacher head0.030
GPT teacher head0.273
Teacher spread0.244 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2024
Admission routes1
Has abstractyes

Explore more

Same topicRegional Economics and Spatial AnalysisFrench-language works237,207