Effect of land use and survey design on trip underreporting in Montreal and Toronto’s regional surveys
Notice bibliographique
Résumé
This paper contributes to the literature on travel survey methods by quantifying the relationship between land use, data collection protocol and trip under-reporting in regional travel surveys. While under-reporting more broadly is a recognized problem, the significant increase in underreporting in denser, more urban-type environments identified here has never before been demonstrated or measured. Consequences of this land use-related bias for transportation planning and modelling are explored. The work is carried out by comparing the results of two very similar household travel surveys conducted in 2011 and 2013, in Toronto and Montreal respectively. Using data on over 350,000 persons, a binary logit model for discretionary trip making is estimated and the effects of land use and data collection protocol on under-reporting are isolated. This is done by controlling for mobility tool access, household type and other key determinants of travel demand. Counterintuitive effects for urban type environments found indicate the under-reporting effect is equivalent to a reduction in the pre-existing odds of reporting discretionary trip making in more urban environments of 19 to 29%. When combined with Toronto’s data collection protocol effect, the range increases to 39 to 55%. Results should be of use to transportation planning authorities wishing to make better use of the data collected in large surveys. Recognizing some of the flaws and biases in what is reported, these authorities can complement existing sources of data or modify their approaches to demandbased infrastructure provision to better account for the large number of, largely pedestrian, unreported trips.
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 | 0,029 | 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 | 0,000 | 0,001 |
| 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 ».