Who are the ‘super-users’ of public bike share? An analysis of public bike share members in Vancouver, BC
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Public bike share programs have been critiqued for serving those who already bicycle, or more well-off individuals who already have a multitude of transportation options. While substantial research focuses on characteristics of public bike share members, it often overlooks their intensity of use which may relate more directly to transport and health gains. In this study we link system data with member survey data to characterize "super-users" of Vancouver's public bike share system. We used system data from September 1, 2016-August 31, 2017 to calculate member-specific trip rates (trips/month). We linked system data to demographic and travel data for members who completed an online survey in 2017 (1232 members who had made 89,945 trips). We defined super-users as those who made 20 or more trips/month. We used a logistic regression to model demographic and travel characteristics associated with super-users as compared to regular users. Of the 1232 members, 204 were super-users. Super-users made 47% of the trips and had a median trip rate of 29.3 trips/month. In adjusted models, super-users were more likely to be young, male, have household incomes below $75,000, and live and work near bike share docking stations. Super-users had fewer transportation options than regular users, with lower odds of having a personal bike or car share membership. Amongst members, we found a distinct demographic profile for super-users relative to regular users, suggesting that usage is an important consideration when quantifying transport and health gains, and the resulting equity implications of public bike share programs.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 découle