A Joint Econometric Analysis of Temporal and Spatial Flexibility of Activities, Vehicle Type Choice and Primary Driver Selection
Notice bibliographique
Résumé
This study examined the relationship between four individual-level travel choice processes of daily activity: spatial flexibility of the activity, temporal flexibility of the activity, vehicle choice for the activity, and primary driver (for auto users). Activity flexibility (spatial and temporal) has been suggested as a precursor to the travel pattern observed for an activity. This study examined the impact of activity flexibility through unique data drawn from Quebec City, Quebec, Canada from 2003 to 2006. In traditional literature on travel behavior, vehicle fleet decisions have been examined as a long-term choice with annual usage metrics. However, the long-term vehicle usage observed (as studied in the literature) is an aggregation of the household's yearly vehicle type and usage behavior. Only recently have researchers begun to consider decisions about vehicle usage (type and mileage) as a short-term decision in travel behavior models. By examining short-term vehicle usage, this study explored, at a disaggregate level, the interaction of activity behavior (defined as flexibility) and vehicle type choice. A panel mixed multinomial logit model was applied to analyze the four choices within the decision process to account for the intrinsic unobserved taste preferences across individuals. The analysis results revealed that several individual and household sociodemographic characteristics, residential location, and activity attributes, as well as contextual variables, influenced the packaged choice of temporal flexibility, spatial flexibility, vehicle type choice, and primary driver selection. The presence of common unobserved correlation across various alternatives was also incorporated.
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 | 0,003 | 0,001 |
| 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 | 0,000 |
| 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 ».