Nonadditive Public Transit Fare Pricing Under Congestion with Policy Lessons from a Case Study in Toronto, Ontario, Canada
Notice bibliographique
Résumé
With increasing urbanization and the development of technologies that support automated fare collection, policy makers need decision-support tools to evaluate differentiated public transit fare pricing policies. However, the state-of-the-art tools that consider congestion effects account only for additive fares. A stochastic user equilibrium model with elastic demand was extended to handle nonadditive station-to-station–based fares and was solved by using a method of successive averages. In this paper, an illustrative example is used to show how simple price elasticities alone are not enough to predict the effects of a fare on demand within even a simple eight-node congested network. The first case study of a fare pricing policy was conducted in Toronto, Ontario, Canada; in this case, a distance-based policy was used for the Toronto Transit Commission subway system with respect to downtown and nondowntown subpopulations. The analysis found that compared with the base scenario of a Can$3 fixed fare, there are Pareto-improving fare policies (e.g., fixed rate of Can$2 and variable rate of Can$0.06/km), but the same policy might not be Pareto-improving for all subpopulations. These findings call for more sophisticated fare pricing policies for Toronto (e.g., zone-based) that can cater to specific needs of subpopulations.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 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 ».