The Impacts of the Multiscale Built Environment on Commuting Mode Choice: Spatial Heterogeneity, Moderating Effects, and Implications for Demand Estimation
Notice bibliographique
Résumé
Promoting the usage of sustainable commuting modes requires in-depth understanding about residents’ commuting mode choice behavior. This study presents an empirical study to investigate the relationship between the built environment and commuting mode choice using CLDS 2016 cross-city questionnaire data. Several multilevel multinomial logit models including the null model, base model, and moderating effect model are developed to analyze the effects of built environments at both city and neighborhood levels on commuting mode choice. Estimation results of the null model reveal the significant spatial heterogeneities in commuting mode choice across different cities and different neighborhoods within a specific city. We then explore the potential built environment variables yielding the spatial heterogeneity via the base model. Results show that the built environment at the city level (including the urbanization rate, number of public transportation vehicles, metro operating mileage, GDP, city population density, and road area per capita) and neighborhood level (including neighborhood population density, air quality, neighborhood location, and land use diversity) could partially explain the spatial heterogeneities in commuting mode choice. In addition, the moderating effects of these built environments on the link between commuting time and commuting mode choice are examined. Results imply that the urbanization rate and neighborhood population density moderate the effect of commuting time on choosing nonmotorized modes, while neighborhood location moderates the effect of commuting time on choosing public transit. Also, the mode shares of nonmotorized mode and public transit under different levels of commuting time are estimated in different built environment contexts. The findings of this study are expected to provide serviceable support for urban planning and transportation 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 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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».