Incentives for Ridesharing: A Case Study of Welfare and Traffic Congestion
Notice bibliographique
Résumé
Traffic congestion is largely due to the high proportion of solo drivers during peak hours. Ridesharing, in the sense of carpooling, has emerged as a travel mode with the potential to reduce congestion by increasing the average vehicle occupancy rates and reduce the number of vehicles during commuting periods. In this study, we propose a simulation-based optimization framework to explore the potential of subsidizing ridesharing users, drivers, and riders, so as to improve social welfare and reduce congestion. We focus our attention on a realistic case study representative of the morning commute on Sydney’s M4 Motorway in Australia. We synthesize a network model and travel demand data from open data sources and use a multinomial logistic model to capture users’ preferences across different travel roles, including solo drivers, ridesharing drivers, ridesharing passengers, and a reserve option that does not contribute to congestion on the freeway network. We use a link transmission model to simulate traffic congestion on the freeway network and embed a fixed-point algorithm to equilibrate users’ mode choice in the long run within the proposed simulation-based optimization framework. Our numerical results reveal that ridesharing incentives have the potential to improve social welfare and reduce congestion. However, we find that providing too many subsidies to ridesharing users may increase congestion levels and thus be counterproductive from a system performance standpoint. We also investigate the impact of transaction fees to a third-party ridesharing platform on social welfare and traffic congestion. We observe that increasing the transaction fee for ridesharing passengers may help in mitigating congestion effects while improving social welfare in the system.
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 ».