Comparison of Second-Best and Third-Best Tolling Schemes on a Road Network
Notice bibliographique
Résumé
Much of the road pricing literature has focused on deriving second-best optimal tolls when only parts of a network can be tolled or tolling is constrained in other ways. A drawback of second-best tolling is that it requires extensive information on speed–flow curves and demand elasticities throughout the network. Such information is often not readily available, and errors in estimating key parameters could result in tolls that are nonoptimal or even welfare reducing. The purpose of this paper is to explore a simpler alternative policy, dubbed “no-queue” tolling, whereby time-varying tolls are imposed selectively on a road network with the objective of eliminating queuing on the tolled links. No-queue tolling is an example of third-best pricing because the effects of the tolls on other links are disregarded. To explore the merits of no-queue tolling, a dynamic traffic simulator (METROPOLIS) was used to compute no-queue tolls for individual links and cordon rings on a laboratory network. For comparison, second-best flat and time-varying tolls were also computed on the same sets of links. Two results stood out. First, even without accounting for the likely computational and acceptability advantages of no-queue tolling, it appeared to dominate flat tolling and performed relatively well compared to step tolling. Second, the benefits from no-queue tolling exhibited approximately constant returns with respect to the number of links that are tolled. This suggests that no-queue tolling could fruitfully be selectively implemented now, rather than waiting a decade or more for comprehensive road pricing to become feasible.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».