Analysis of the effect of multi-level urban form on bikeshare demand: Evidence from seven large metropolitan areas in the United States
Notice bibliographique
Résumé
Bikeshare programs in their current form have been in place for several years in many cities across the United States. Encouraging people to use bikeshare for their daily routine travel has numerous social, economic, environmental, and health benefits. Therefore, it is important to understand factors influencing bikeshare use in different urban areas to improve the system and encourage more use. This paper investigates how the built environment at both local and regional scales influences bikeshare use in seven large metropolitan areas in the U.S. The study areas include Boston, Chicago, Philadelphia, Minneapolis, San Francisco, San Jose, and Washington, D.C., and the data consists of about 12 million bike trips from approximately 2,000 stations over a one-year period. In addition to linear regression models built for each individual city for comparison purposes, a multi-level mixed effect regression model is built to predict the number of trips originated from each station with respect to the local and regional built environment pattern. The results are consistent with previous research on the effect of land use at the local level on bikeshare demand and show that residential density, regional diversity, pedestrian-oriented road network density, and job accessibility via transit all have a significant positive effect on bikeshare demand. At the regional level, results suggest that the overall level of mixed-use development and overall bike-friendliness in the region (i.e., exclusive bike routes, right-of-way, and bike facilities) and higher congestion level in the region are significant factors influencing bikeshare activities and demand. Models developed in this study could be applied to other communities that are seeking to improve and/or expand their bikeshare systems, as well as cities planning to launch new bikeshare 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.
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 | 0,004 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».