Impact of a public transit strike on public bicycle share use: An interrupted time series natural experiment study
Notice bibliographique
Résumé
Promoting active transportation is an important public health objective. Limited research has examined the potential of interventions that highly constrain transportation and their potential impact on cycling. From November 1-7th, 2016, Philadelphia's transit workers went on strike, stopping all transit services in the city. We used the strike event as a natural experiment to examine the impact of public transit strikes on use of Philadelphia's bicycle share program. We estimated the impact of the strike using two separate approaches, interrupted time series and Bayesian structural time series models. We estimated the impact of the intervention overall and stratified by membership type (members and non-members). Models controlled for the weather in Philadelphia (daily temperature and precipitation), and the rate of bicycle share use per 100,000 people in Washington, Boston, and Chicago. We estimate the strike caused an increase of between 86 and 92 trips per 100,000 population (57% increase in use) on average in Philadelphia during the strike period. After the strike ridership quickly returned to baseline, decreasing by 80 trips per 100,000 population after the strike. Similarly, members and non-member ridership increased by 41 and 49 trips per 100,000 population on average during the strike period and quickly returned to baseline, respectively. Our results suggest that interventions that highly constrain transit can increase active transportation but the behavior may not be sustained after transit becomes available again.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».