Shared electric bicycles: who are the potential users? An examination of survey results from urban and suburban neighbourhoods in the Greater Golden Horseshoe area
Notice bibliographique
Résumé
Bicycle sharing systems based on electric bicycles (e-bikes) have the potential to provide users with unique benefits compared to conventional bike sharing systems and privately owned e-bikes. It follows that their use-patterns and motivations would also be unique. Through an online transportation survey, this research examines the socio-demographic, attitudinal, and environmental factors that influence a respondent’s propensity to consider using a shared e-bike. It was revealed that a similar proportion of people living in urban and suburban areas are willing to consider this micro-mobility option. Additionally, it appears that in urban environments, shared e-bike systems are more likely to replace transit and walking trips, while in suburban environments, they are more likely to replace car trips. The results of the analysis indicate that all respondents with income less than $50,000 (OR=1.08), suburban respondents who already own a bicycle (OR=1.06), suburban respondents who valued active, environmentally friendly, cost effective, and flexible transportation modes (OR=1.07), urban respondents who felt they had connective cycling infrastructure near them (OR=1.09), urban respondents who felt the streets were not too congested (OR=1.08), and suburban respondents who felt walking and cycling were practical ways of getting to their destinations (OR=1.11) were more likely to consider use of shared e-bikes. All respondents who do not travel for work or school (OR=0.89) and urban respondents whose primary commute modes were active (walking or cycling) (OR=0.93) were less likely to consider shared use of shared e-bikes. The findings reported in this study can be useful for transportation planners in evaluating the feasibility of implementation, and optimizing the strategic placements of shared e-bike schemes in urban and suburban areas. Key Words: Active Transportation, Electric Bicycle, Bike Share, Greater Golden Horseshoe Area, Micro mobility
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».