Understanding Factors Associated with Commuter Rail Ridership: A Demand Elasticity Study of the GO Transit Rail Network
Notice bibliographique
Résumé
Planners have theorized that transitioning commuter rail systems to regional rail networks will increase ridership, balance mode share, and reduce automobile use in North American cities. This process is currently underway in Ontario, Canada, as service is being expanded throughout the GO Transit commuter rail network. Calculating elasticities is a common approach used to identify factors that, if adapted, may significantly influence transit demand. However, few studies have focused on identifying demand elasticities specific to the current case of upgrading commuter rail systems in the North American context. The purpose of this study is to fill this gap. Station-level ridership data were compiled for the GO system from January 2016 to December 2019. Smartcard data were used to estimate station catchment areas for which land use, socioeconomic, and demographic datasets were developed. Data about additional factors related to station access, service quantity, fare price, and availability of substitute transport modes were also compiled. Controlling for trip type (e.g., a.m. peak and evening off-peak), demand models were estimated using a random effect panel data estimator. This study finds that service quantity, population density, fuel price, and unemployment rate were significantly associated with commuter rail ridership, regardless of trip type examined. Employment density and seasonal variation were also significant, although different signs were shown between models. The results suggest that plans for this kind of transition should include other considerations in addition to service quantity improvements. Those directed toward the implementation of transit-oriented developments, transport pricing schemes, and competitive fare price strategies are outlined.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».