Disaggregate Analysis of Relationships between Commercial Vehicle Parking Citations, Parking Supply, and Parking Demand
Notice bibliographique
Résumé
Over the past several decades, road space and curb space have become increasingly scarce in urban areas. Commercial vehicles are then forced to compete with passenger vehicles for this limited space; this situation leads to an increase in illegal commercial vehicle parking. Increased commercial vehicle parking causes increased congestion, reduced safety for other road users, and an increase in the cost of final goods and services. For appropriate policies to be selected to address this problem, the relationships between illegal commercial vehicle parking and the built environment must be better understood. This research aimed to quantify the relationships of illegal commercial vehicle parking, parking supply, and parking demand through the estimation of a distance-decay-weighted regression model. Data on commercial vehicle parking citations from 2012 for the City of Toronto, Ontario, Canada, are presented. This information was used together with employment data and a parking inventory to estimate the number of tickets issued by address. A distance-decay-weighted method was applied in an attempt to capture the spatial relationships between these variables. Results of this model showed that off-street parking facilities, such as loading bays, surface lots, and parking garages, were related to lower rates of illegal commercial vehicle parking, whereas higher business densities and the restriction of existing on-street parking spaces were related to increased illegal commercial vehicle parking. These results suggest that policies encouraging the creation of off-street loading facilities for commercial vehicles and making off-street parking more attractive for passenger vehicles may help reduce the incidence of illegal commercial vehicle parking.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».