Investigation of Commercial Vehicle Parking Permits in Toronto, Ontario, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As the City of Toronto, Ontario, Canada, implements stricter parking enforcement in the city’s downtown core, commercial vehicles (CVs) have become targets of increased ticketing and towing, often without alternate legal means of parking and loading. This paper investigates the feasibility of a CV parking permit to provide lawful and affordable parking options yet maintain a source of revenue for the municipality. Parking permits around the world are reviewed on the basis of their cost and scope. An analysis of historical parking citations in Toronto indicates clear patterns of parking behavior for which a permit would be beneficial. A nested choice model is developed to reflect the decision process of drivers searching for parking and calculate the revenue impacts of permit pricing schemes. This decision structure reflects a trade-off between permit pricing, legal parking costs (such as the value of walking time from distant loading zones), and the expected value of citations for illegal parking. The trade-off between permit revenue and parking ticket revenue shows that optimal permit pricing, in the order of Can$300 annually, can provide an improvement in municipal revenue and achieve widespread adoption (Can$1 = US$0.799 in March 2015). An improvement in social welfare is also achieved with permit adoption through the reduction of the cost of congestion, as permit holders are encouraged to park in legal zones away from congested arterials. The feasibility of a permit is contingent on the calibration of the price and rule structure in the fair appraisal of the value of parking in the downtown core and the needs of CV operators.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle