Exploring the Spatially Heterogeneous Effects of the Built Environment on Bike-Sharing Usage during the COVID-19 Pandemic
Notice bibliographique
Résumé
Bike-sharing holds promise for available and healthy mobility services during COVID-19 where bike sharing users can make trips with lower health concerns due to social distancing compared to the restricted transportation modes such as public transit and ridesharing services. Leveraging the trip data of the Divvy bike-sharing system in Chicago, this study exploresspatially heterogeneous effects of built environment on bike-sharing usage under the pandemic. Results show that the average weekly ridership declined by 52.04%. To account for the spatially heterogeneous relationship between the built environment and the ridership, the geographically weighted regression (GWR) model and the semiparametric GWR (S-GWR) model are constructed. We find that the S-GWR model outperforms the GWR and the multiple linear regression models. The results of the S-GWR model indicate that education employment density, distance to subway, COVID-19 cases, and ridership before COVID-19 are global variables. The effects between ridership and the built environment factros (i.e., household density, office employment density, and the ridership) vary across space. The results of this study could provide a useful reference to transportation planners and bike-sharing operators to determine the high bike-sharing demand area under the pandemic,thus adjusting station locations, capacity, and rebalancing schemes accordingly.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».