Is access enough? A spatial and demographic analysis of one-way carsharing policies and practice
Notice bibliographique
Résumé
For low-income individuals, carsharing services that provide short-term, on-demand access to a fleet of shared vehicles may be a viable, low-cost alternative to personal vehicle ownership, yet the demographics of carsharing users often reflect higher income groups. Our objectives in this research study are: 1) quantify the benefits of carsharing for low-income users; 2) evaluate the effectiveness of policies targeting spatial access (e.g., parking policies, designation of service areas); and 3) review other social equity initiatives taken by carsharing operators (e.g., low-income discounts, educational training) and impacts on user demographics. We use two one-way, free-floating carsharing services as case studies: a survey of GIG (Get In and Go) Car Share users in Oakland, CA from 2018 (n = 218), and a survey of car2go users (now called ShareNow) in five North American cities from 2015 (n = 9497). We analyze these surveys using descriptive statistics, hypothesis testing, and geographic information systems (GIS) mapping. We find significantly more low-income respondents in Oakland do not have a personal vehicle (70%) compared to high-income respondents (44%). Meanwhile, 62% of our sample was Caucasian, and 41% earned an annual household income of more than $100,000, similar to results of the car2go survey from 2015, indicating that the demographics of one-way carsharing users have not changed much over time. We find that policies expanding carsharing service areas into equity priority zones can potentially attract new members. Washington, D.C. and Oakland included equity service area requirements in carsharing permits and had a higher percent of users residing in equity priority zones (21% and 33%, respectively), compared to Calgary and Vancouver that did not (12% and 4%, respectively). However, the demographics of carsharing users still do not reflect the demographics of equity zones. Policies to increase spatial access of carsharing are insufficient on their own to improve social equity in carsharing. Based on findings from previous carsharing equity pilots, policy initiatives such as discounted memberships for low-income users and hands-on educational outreach are needed to advance social equity.
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 | 0,001 | 0,002 |
| 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 ».