COVID-19 and Teleworking: Lessons, Current Issues and Future Directions for Transport and Land-Use Planning
Notice bibliographique
Résumé
Teleworking has been considered to be one of the emanating behaviors from the pandemic that may become long-lasting. Wider adoption of teleworking may fundamentally change urban mobility and spaces across cities. However, knowledge about the potential implications of teleworking on urban transport and land-use systems post-pandemic is limited. Through a comprehensive review of existing teleworking studies, this research identifies gaps in the literature, discusses major issues for exploration and suggests future research directions. It also explores ways to utilize teleworking as an effective travel demand management strategy. Analysis shows that teleworking has the potential to substantially change city landscapes and can assist in reducing traffic congestion, greenhouse gas emissions, and energy use. Priority areas for further research are identified, such as in-home activities, residential location choice, non-work trip patterns, and energy consumption decisions of teleworkers for a clearer understanding of the relationship between teleworking and urban systems. Analysis also reveals several planning and policy challenges surrounding teleworking, including digital divide, urban sprawling, and transformation of city centers, among others. To fully realize the benefits of teleworking, planners need to reconfigure community design principles to promote mixed-use, lively, and vibrant neighborhoods where people can both live and work. At the same time, governments should consider providing incentives to both organizations and employees with an aim to retain teleworking. Results of this paper will be highly beneficial to transport and land-use researchers, planners, and policy makers.
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 | 0,006 | 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 | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».