Catching a Ride on the Information Super-Highway: Toward an Understanding of Cyber-mediated Carpool Formation and Use
Notice bibliographique
Résumé
Fluctuating fuel prices, rising congestion, longer commutes, and related environmental and human health effects have combined to once again draw the interest of policy makers, consumers, and firms toward the concept of travel demand management (TDM). While TDM is not new, the proliferation of mobile telephony, fixed Internet, and associated applications has created fresh prospects for the implementation of commuter focused TDM strategies. One recent example is Carpool Zone, an on-line carpool-matching tool deployed and managed by the TDM group at Metrolinx, which is responsible for the Smart Commute program. Metrolinx is the regional transportation planning agency within Canada’s largest metropolitan region, the Greater Toronto and Hamilton Area. Using data provided by Metrolinx, this paper broadens current thinking on carpool formation and use. The main hypothesis guiding this work is that the carpool formation and use process is sensitive to personal and household characteristics, space, time, travel cost, and workplace policies. Results from a logistic regression analysis suggest that geographical proximity to other users; workplace TDM policies; the scheduling of work; and role preference increase the odds of constructing an operational carpool. Importantly, findings regarding the positive influence of workplace TDM policies suggest that Internet based TDM interventions will likely require critically important investment in human capital at the “back-end” to ensure program participation.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».