Ridesharing in North America: Past, Present, and Future
Notice bibliographique
Résumé
Since the late-1990s, numerous ridematching programs have integrated the Internet, mobile phones, and social networking into their services. Online ridematching systems are employing a range of new strategies to create “critical mass:” 1) regional and large employer partnerships, 2) financial incentives, 3) social networking to younger populations, and 4) real-time ridematching services that employ “smartphones” and automated ridematching software. Enhanced casual carpooling approaches, which focus on “meeting places,” are also being explored. Today, ridesharing represents approximately 8 to 11% of the transportation modal share in Canada and the United States, respectively. There are approximately 638 ridematching programs in North America.Ridesharing’s evolution can be categorized into five phases: 1) World War II car-sharing (or carpooling) clubs; 2) major responses to the 1970s energy crises; 3) early organized ridesharing schemes; 4) reliable ridesharing systems; and 5) technology-enabled ridematching. While ridesharing’s future growth and direction are uncertain, the next decade is likely to include greater interoperability among services, technology integration, and stronger policy support. In light of growing concerns about climate change, congestion, and oil dependency, more research is needed to better understand ridesharing’s impacts on infrastructure, congestion, and energy/emissions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».