User characteristics and service satisfaction of car sharing systems: Evidence from Hangzhou, China
Notice bibliographique
Résumé
Car sharing has become a new mode of transport during the past two decades in the world. Its rapid growth in China has attracted a wide range of users and posed some problems. The main focus is on service efficiency and user satisfaction. To explore possible service enhancement and management intervention, this study aims at capturing the user characteristics according to different user types and scrutinizing their satisfaction with station-based one-way car sharing service. The study firstly illustrates descriptive statistics of user profile. This is followed by a study of user satisfaction influenced by user rates on staffs, the efficiency of rental process, vehicle situation, the use of credit card and their familiarity towards rental station. Furthermore, by clustering users according to the total travel time and distance during one rent, two different types of users are identified and defined as User Group A (UGA) and User Group B (UGB). To examine how fully do users utilize the shared cars, ANOVA was conducted implying family car ownership, total travel distance and main travel purpose have strong impact on total rental time for UGB, while for UGA, travel purpose and age have strong impact. Finally, ordinal logistic regression was introduced to find that for UGB, "shopping" is the main travel purpose with longer rental time, whereas for UGA, "out for business", "shopping", "visit friends" or "pick up others" are the main travel purposes with longer total travel time. Based on the findings, advices for operators on how to improve service quality and suggestions for government management strategy are discussed, respectively.
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 ».