Identifying transport policy gaps in student travel demand management in South Africa
Notice bibliographique
Résumé
Background: Travel demand in higher education precincts is derived from the affordability of university education, the availability of student accommodation on- or off-campus and the manner in which university mobility is managed.Objectives: This article described the transport policy environment for student travel behaviour through the process of integrated policy analysis (PIPA) with the primary aim of outlining the major directions of student mobility management from peer-reviewed literature.Method: Gaps in the South African transport policy environment were identified for university student mobility as a result of the official policy position neglecting the segment and 7 of 26 public universities acting upon these markets without enabling legislation.Results: It was found that measures associated with managing travel demand demarcate mobility management practices. Through the literature, the article found that (1) the policy environment lags behind university interventions, which resonate with international evidence; (2) international evidence reveals that multiple directions for managing travel demand for university precincts; and (3) there is a need to reform the mobility and access policies for university precincts in South Africa (SA).Conclusion: In essence, the literature review presented heterogenous contexts and techniques to specify mobility and access problems and redress them. This enhanced the quality of policy design, evaluation and implementation particularly for integrated transport planning in SA. The primary limit of this study was that it is a policy review, relying heavily on secondary data to set the scene for future research.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».