Evaluating Pay-on-Entry Versus Proof-of-Payment Ticketing in Light Rail Transit
Notice bibliographique
Résumé
Pay-on-entry (POE) fare control for on-street transit allows effective revenue protection. However, the POE systems requires single door boarding and therefore increased stop dwell times compared with proof-of-payment (POP) systems. Most light rail transit (LRT) uses POP but is often criticized for poor revenue protection. This paper explores the trade-offs between the POE and POP systems through the comprehensive modeling of revenue protection, dwell time, ridership, revenue, and operational resource impacts in a case study of the conversion of the Melbourne, Victoria, Australia, POP system to a POE system; the paper uses data from LRT in Toronto, Ontario, Canada, which uses a POE system. The results show that the POE system increases journey times (+15%) and decreases ridership (−10%) and that 49 (+14%) additional light rail vehicles are required. POE conversion costs a net 29.4 million Australian dollars (A$) per annum and A$276 million for new vehicles, compared with a fare evasion reduction of A$8.1 million per annum. A 30-year discount cash flow analysis of the POE system results in a benefit–cost ratio of 0.44. The results are most sensitive to POE stop dwell time but not to fare evasion rates. Stop dwell times have a significant impact on LRT financial performance; alternative methods of revenue protection, such as increased inspection rates, are more effective than the POE system. The results justify the widespread adoption of POP systems in LRT and should provide a strong basis for defending against criticisms of the higher fare evasion rates of POP systems. The results should also act as a wake-up call to any LRT (or bus) system that still uses a POE rather than POP system and provide a basis for assessing the impacts of POP conversion for all modes.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».