Measuring when Uber behaves as a substitute or complement to transit: An examination of travel-time differences in Toronto
Notice bibliographique
Résumé
Policymakers in cities worldwide are trying to determine how ride-hailing services affect the ridership of traditional forms of public transportation. The level of convenience and comfort that these services provide is bound to take riders away from transit, but by operating in areas, or at times, when transit is less frequent, they may also be filling a gap left vacant by transit operations. These contradictory effects reveal why we should not merely categorize all ride-hailing services as a substitute or supplement to transit, and demonstrate the need to examine ride-hailing trips individually. Using data from the 2016 Transportation Tomorrow Survey in Toronto, we investigate the differences in travel-times between observed ride-hailing trips and their fastest transit alternatives. Ordinary least squares and ordered logistic regressions are used to uncover the characteristics that influence travel-time differences. We find that ride-hailing trips contained within the City of Toronto, pursued during peak hours, or for shopping purposes, are more likely to have transit alternatives of similar duration. Also, we find differences in travel-time often to be caused by transfers and lengthy walk- and wait-times for transit. Our results further indicate that 31% of ride-hailing trips in our sample have transit alternatives of similar duration (≤ 15 minute difference). These are particularly damaging for transit agencies as they compete directly with services that fall within reasonable expectations of transit service levels. We also find that 27% of ride-hailing trips would take at least 30 minutes longer by transit, evidence for significant gap-filling opportunity of ride-hailing services. In light of these findings, we discuss recommendations for ride-hailing taxation structures.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».