The Impact of Ride-Hailing Services on Private Car Use in Urban Areas: An Examination in Chinese Cities
Notice bibliographique
Résumé
The rapid development of internet-based ride-hailing services has contributed to transportation in cities and, at the same time, has significantly impacted existing travel modes in cities. A question has emerged as to whether and to what extent ride-hailing services replace private car use. Although the private car is convenient, comfortable, and flexible, it has low utilization rate and high maintenance and parking costs. Better understanding of the relationship between ride-hailing services and the use of private cars has been brought to the forefront for auto dealers and urban transportation policymakers. However, controversies remain regarding how ride-hailing services will impact the use of private cars in cities. Given this setting, our study applied a difference-in-differences method to analyze the impact of ride-hailing services on the use of private cars with balanced panel data from 109 prefecture-level cities in China from 2010 to 2016. Moreover, we employed some methods to verify the robustness of the preliminary results. The empirical results show that ride-hailing services had a negative impact on the use of private cars in urban areas. Over time, the negative impact initially strengthened and then weakened. Further studies showed that ride-hailing services had a more significant negative impact on private car use in eastern cities than in western cities. The results showed that the influence of ride-hailing services on private car use in urban areas is heterogeneous across time and cities.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».