Expanding cities and vehicle use in India: Differing impacts of built environment factors on scooter and car use in Mumbai
Notice bibliographique
Résumé
Expanding urban populations are inducing development at the edges of Indian cities, given the constraints on land use intensification within municipal boundaries. Existing peripheral towns are becoming anchors for this new growth, creating urban agglomerations. Such areas have become preferred home locations for the working poor and emergent middle class, groups that are often priced out of the urban housing market. However, many such exurban locations lack infrastructure such as durable paved roads and transit, because investments are largely clustered within municipal boundaries. This paper focuses on the Greater Mumbai Region and relies on a cross-sectional household travel survey data set. The objective is to understand how vehicle use is linked to the built environment and socio-economics. Spatial analysis shows that cars are used in urban centres while scooters and motorcycles are used in the exurbs. Estimated censored regression models show that greater household distance from the main employment centre Nariman Point, better job accessibility and improved socio-economic factors increase vehicle use, while land use diversity and density bring down vehicle use. A key econometric result is that after controlling for location, land use, infrastructure supply and socio-economics, the expectation of a motorised two-wheeler or car in a household does not translate to its use. Overall, the findings suggest that policies encouraging higher land use diversity, density and transit supply have the potential to marginally decrease vehicle use in the Indian metropolis. However, future research needs to focus on residential location to better understand how the choices of where to live and how to travel are interconnected.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».