The Who, Why, and When of Uber and other Ride-hailing Trips: An Examination of a Large Sample Household Travel Survey
Notice bibliographique
Résumé
Convenience and low prices have enabled ride-hailing companies, such as Uber and Lyft, to position themselves amongst the most valuable companies within the transportation sector. They now account for the lion share of activities in the platform economy and play an increasing role within our cities. Despite this, very little is known about the type of people that use them, nor the purpose and timing of trips. In addition to this, their effect on other modes, such as taxis and public transit, remains, for the most part, widely unexplored. By comparing the socioeconomic and trip characteristics of ride-hailing users to that of other mode users, we find ride-hailing to be a wealthy younger generation phenomenon. While our results show that ride-hailing is too minute and inconsequential to influence the ridership level of other more substantial modes of travel overall, when considering specific market segments, the rise of ride-hailing corresponds to a significant decrease in taxi ridership and a rise in active modes of travel. Moreover, due to the specific age, timing, and purpose of our subsample, we believe that ride-hailing may effectively reduce drunk-driving, and are convinced that as this mode increases in importance in the future, it will have a much more pronounced effect on the level of ridership of other modes as well.
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 | 0,000 | 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 | 0,000 |
| 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 ».