Identifying the factors affecting bike-sharing usage and degree of satisfaction in Ningbo, China
Notice bibliographique
Résumé
The boom in bike-sharing is receiving growing attention as societies become more aware of the importance of active non-motorized traffic modes. However, the low usage of this transport mode in China raises concerns. The primary objective of this study is to explore factors affecting bike-sharing usage and satisfaction degree of bike-sharing among the bike-sharing user population in China. Data were collected by a questionnaire survey in Ningbo. A bivariate ordered probit (BOP) model was developed to examine simultaneously those factors associated with both bike-sharing usage and satisfaction degree of bike-sharing among users. Marginal effects for contributory factors were calculated to quantify their impacts on the outcomes. The results showed that the BOP model can account for commonly shared unobserved characteristics within usage and satisfaction of bike-sharing. The BOP model results showed that the usage of bike-sharing was affected by gender, household bicycle/e-bike ownership, trip model, travel time, bike-sharing stations location, and users' perception of bike-sharing. The satisfaction degree of bike-sharing was affected by household income, bike-sharing stations location, and users' perception of bike-sharing. It is also found that bike-sharing usage and satisfaction degree are strongly correlated and positive in direction. The results can enhance our comprehension of the factors that affect usage and satisfaction degree of bike-sharing. Based on the results, some suggestions regarding planning, engineering, and public advocacy were discussed to increase the usage of bike-sharing in Ningbo, China.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».