Spiral Plot Analysis of Variation in Perceptions of Urban Public Transport Performance between International Cities
Notice bibliographique
Résumé
This paper presents a method for comparing perceptions of transit service attributes across different customer groups. It compares customer perceptions across 22 service attributes in nine major world cities (Toronto, Ontario, Canada; New York City; San Francisco, California; Boston, Massachusetts; Sydney, Brisbane, Perth, and Melbourne, Australia; and London) by using an importance–performance analysis (IPA) framework. This paper proposes a new approach to displaying results of IPA, a spiral plot analysis (SPA), to highlight similarities and differences across a large range of attributes between disaggregate groups in the case cities. Results showed a general consistency between cities in the importance of service attributes. Greater variation in performance of attributes was found. The IPA suggested the average target area (high importance–low performance) attributes for the nine cities were (in order): “feeling safe traveling on public transport at night,” “the ability of operators to deal with service disruptions quickly,” “unexpected service disruptions don't happen very often,” “quality of service on public transport,” “public transport operating frequently,” and “having public transport travel options available when and where I need them.” Results stressed how important unplanned disruptions were to passengers in all cities. Results for some individual cities were slightly different, although these attributes were critical for all. The SPA method more concisely illustrated similarities and differences between cities as well as highlighted which attribute scores were more important to customers. The SPA illustrated that Melbourne had some of the largest gaps between expectations and performance, whereas New York City tended to have the smallest. Areas for future research are discussed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».