Usage Intention of Shared Autonomous Vehicles with Dynamic Ride Sharing on Long-Distance Trips
Notice bibliographique
Résumé
Technology advancements have paved the way for public access to shared autonomous vehicles (SAVs), but there is still no travel survey examining how SAVs with dynamic ride sharing (DRS) affect long-distance (LD) trips. Given the growth in these trips and the higher importance of travel time and cost on LD trips, assessing potential impacts of SAVs could be a vital tool in planning for a sustainable transportation system. This paper examines the impact of various attitudinal, sociodemographic, and travel-related characteristics on the usage intention of SAVs with DRS on LD trips. We have designed and conducted a web-based survey for this purpose and based on a representative sample of 723 individuals in 2021, a Generalized Ordered Logit model is estimated. Estimation results highlight the key importance of following psychological factors in a descending order: price evaluation, perceived usefulness, consumer innovativeness, sharing attitude, and privacy concern. Further, key factors among sociodemographic and travel-related characteristics are gender, education level, driving license, household car ownership, generational element, and crash history. These findings provide crucial insights into the likely effects of SAVs with DRS on LD trip behavior, based on which a number of practical implications are proposed for facilitating policy-making.
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 | 0,000 | 0,001 |
| 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 ».