Sustainability, Scalability, and Resiliency of the Town of Innisfil Mobility-on-Demand Experiment: Preliminary Results, Analyses, and Lessons Learned
Notice bibliographique
Résumé
In 2017, the town of Innisfil, Ontario, launched Innisfil Transit in partnership with Uber, a transportation network company, to provide a subsidized on-demand public mobility service as an alternative to investing in a new fixed-route bus service. The performance of Innisfil Transit is documented in a 2021 Ryerson University report by Sweet, Mitra, and Benaroya, which shows greater cost effectiveness of the mobility provided over the proposed bus alternative. This paper expands on those findings by assessing Innisfil Transit with respect to sustainability, scalability, and resiliency. First, we quantify the energy and emissions of this program relative to traditional transit and driving alone across varying powertrains. We then characterize a conservative first-order estimate of the percentage of US communities that fall within a similar spatial-demographic tier as Innisfil. Replicability also hinges on service cost and performance in comparison to average values for low-density transit in the US. Lastly, most transit agencies experienced a significant drop in demand (as much as 90%) with slowly rebounding ridership since the onset of the COVID-19 pandemic. The resiliency of the Innisfil program to the pressures induced by the pandemic is examined in comparison to other transit operations. The lessons learned across these three dimensions complement prior work to better understand the efficiency and sustainability of on-demand public mobility service for low-density communities like Innisfil.
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 | 0,001 | 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 | 0,001 |
| 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 ».