Who’s Driving Change? Potential to Commute Further using Automated Vehicles among Existing Drivers in Southern Ontario, Canada
Notice bibliographique
Résumé
Although automated vehicles (AVs) are rapidly being developed, the public sector continues to learn what this technology could mean for transportation policy. As reducing auto-based commute distances is one common planning objective, understanding the conditions under which individuals may adopt AVs to commute further is important. To that end, this study uses data from a 2016 survey of residents in Southern Ontario, Canada, to estimate the characteristics and motivations of individuals indicating the most interest in commuting further using AVs. Comparing findings with existing research on commute lengths and AV adoption, this study identifies how AV adoption may shape long-distance commuting, focusing on commuters who already drive to work. Results suggest significant potential for longer commutes and that longer AV-based commutes are expected to be taken by younger, higher educated, and tech-savvy individuals who already travel by car for regular daily trips, and by older individuals residing in urban neighborhoods. Findings on longer commutes, gender, and domestic responsibilities suggest that longer commutes could reinforce existing disparities in commuting distances between men and women but may be valuable to individuals with occasional chauffeuring responsibilities—suggesting potential for broader impacts in household social roles. Those expected benefits from AVs anticipated to motivate longer commutes include multitasking, safety improvements, better reliability, improved parking, and reduced traffic—suggesting that should AV technologies deliver in these realms, select commuters may derive significant utility. Paradoxically, several of the benefits expected to deliver the most consumer value may be undermined should additional AVs increase traffic significantly.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».