Factors Influencing Commuting Mode Choice: A Multilevel Analysis
Notice bibliographique
Résumé
Introduction: Mitigating private vehicle use can lead to improvements in physical health and reduce traffic-related emissions. Thus, influencing travel patterns and behaviors of individuals has become a focus for policy makers and researchers. This research provides a multilevel analysis on individual characteristics as well as area-level climate parameters that may influence an individual’s commuting mode choices across multiple Canadian cities. Methods: The study used individual data from the 2011 National Household Survey conducted by Statistics Canada. The city-level climate data were collected from Environmental Canada’s 1981-2010 Normals & Averages collection. Different multilevel models were fitted using MLwiN version 2.35 to investigate relationship between socioeconomic and climate variables and commuting mode choice (private, public and walking/cycling), using private vehicle as a reference. Results: Older age and higher income groups tend to prefer taking private vehicle in comparison to other modes. Educational and gender differences were also a significant determinant of mode choices. The climate variable indicate an increase in annual temperature encourages walking/cycling (OR=1.24, 95% CI: 1.03-1.48), but an increase in annual average summer temperature is associated with higher private transport use (OR=0.80, 95% CI: 0.69-0.92). Higher average winter temperature was significantly associated with higher odds of taking private vehicle compared to public transport. Conclusions: Individual characteristics can allow policy makers to identify target groups for promoting more sustainable modes of transportation. The climate variables indicate that temperature can affect travel decisions differently between locales with distinct climate condition, thus policies should be local. As climate change occurs, transportation policies should also consider heat threshold in which more individuals may switch to private vehicle use for more comfortable traveling.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».