Mobility Tool Ownership and Peak Period Non-Work Travel Mode Choice
Notice bibliographique
Résumé
The paper presents investigations of mode choice behaviour for peak period non-work trips. Purely non-work trips within the peak period represent a significant portion of peak period traffic. In the case of the Greater Toronto and Hamilton Area (GTHA), the study area of this investigation, around 11 percent of peak period trips are pure non-work trips and auto driving is the dominant mode. In fact, more peak period non-work trips are conducted using the auto passenger mode than all transit modes combined. This heavy auto dependency for pure non-work trips in the peak period, when transit service is at its highest throughout the day, requires an improved understanding of such mode choice behaviour. This paper uses data from a household travel survey collected in the GTHA to investigate peak period pure non-work trip mode choice in the context of household mobility tool ownership (auto and transit pass ownership). The paper also proposes an advanced econometric modelling approach for investigating mode choice behaviour for peak period pure non-work trips. The model involves systematic parameterization of the scale parameter of a generalized extreme value (GEV) model to capture both heterogeneity in choice behaviour and heteroskedasticity across the population. Empirical models highlight the capacity of the heteroskedastic model in capturing preference heterogeneity and the influence of household mobility tool ownership on peak period pure non-work trips. Results indicate that increasing transit pass ownership levels would be beneficial for increasing social welfare. In the case of transit services, better spatial coverage is more effective at attracting riders than increased service frequency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».