MétaCan
Menu
Retour à la cohorte
Enregistrement W4220930410 · doi:10.1155/2022/3224485

A Study on the Utility Measurements and Influencing Factors of High-Speed Rail and Air Passenger Travel

2022· article· en· W4220930410 sur OpenAlexvenueno aff
Peiwen Zhang, Wenke Zhao, Yu Wang, Minke Wang

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueAviation Industry Analysis and Trends
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of ChinaFundamental Research Funds for the Central UniversitiesNational Science Foundation
Mots-clésAir travelTransport engineeringTravel behaviorPreferenceBusinessChinaRange (aeronautics)Per capitaGeographyAviationEconomicsEngineeringMicroeconomicsDemography

Résumé

récupéré en direct d'OpenAlex

The increase in travel mode options has led to changes in the travel decision-making behaviors of passengers and differences in spatial patterns of the markets of high-speed rail and air travel. Taking China’s central cities as the research subject, we analyze the spatial differentiation characteristics of high-speed rail and air transportation markets from a geographic perspective based on the passenger travel utility function. We analyze the influence on passenger travel decision-making behavior from the perspectives of the socioeconomic level and fare structure. The findings show that in the central city transportation market, passengers have a stronger preference for air travel. However, there are differences between regions, with high-speed rail dominating more in the partial north and air focusing on the partial south. As the value of time per capita increases, the dominant range of air travel gradually increases, while the dominant range of high-speed rail travel is compressed to some extent. An increase in fares does not cause a significant decrease in air demand; however, a reduction in fares leads to an increase in air passenger travel satisfaction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,246

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,254
Écart entre enseignants0,182 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetAviation Industry Analysis and TrendsTravaux en français237 207