Longitudinal Vehicle Transaction Model: Assessment of Lead and Lagged Effects of Longer-Term Changes and Life-Cycle Events
Notice bibliographique
Résumé
This paper presents a dynamic vehicle transaction model developed with data from a retrospective survey conducted in Halifax, Canada. The study investigated four types of vehicle transaction decisions, including first-time vehicle purchase, vehicle acquisition, vehicle disposal, and vehicle trade. A panel-based latent segment logit (PLSL) model was developed to account for repeated transaction decisions and to capture unobserved heterogeneity among the sample households. The study took a life-oriented approach by examining the lead and lagged effects of longer-term changes and life-cycle events. The PLSL model was estimated for two latent segments, and the model results suggest that profound heterogeneity exists, as evident in parametric values of the two segments. The life-cycle event represented by the birth of a child might trigger vehicle acquisition in Segment 1. In contrast, that life-cycle event might deter an acquisition decision in Segment 2. The model confirmed historical deposition effects of key life events. For instance, a 2-year lagged effect on vehicle acquisition was seen with the birth of a child. Moreover, the model results revealed that first-time vehicle purchase behavior was considerably different from the decision to acquire a vehicle. For example, for the longer-term change represented by the addition of a job, significant heterogeneity across the two segments for a first-time vehicle purchase decision was seen and a 3-year lagged effect was confirmed. A positive relationship for the decision to acquire a vehicle in both segments was found for the same variable, and a 1-year lagged effect was confirmed. Finally, the study provided important behavioral insights for targeting specific groups of the population to promote sustainable travel behavior.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».