Impact of Ride-Hailing Services on Transportation Mode Choices: Evidence from Traffic and Transit Ridership
Notice bibliographique
Résumé
The rise of technology-enabled ride-hailing services has affected individuals’ transportation-related decisions. The impact of these ride-hailing services likely varies across traveler segments that differ in their usage of various modes of transportation. In this paper, we develop and leverage a framework that allows us to examine the impact of ride-hailing services on the transportation mode choice for three traveler segments: drivers (who primarily use a personal automobile to travel), riders (who primarily use public transit to travel), and walkers (who primarily use non-motorized modes of transport). We first develop a framework outlining how the behavior of different traveler segments would be impacted by the introduction of ride-hailing services and show how this affects traffic congestion and public transportation ridership. To test the framework, we compiled a rich dataset, combining data on public transportation ridership, traffic congestion, and individual transportation mode choice. Employing a difference-in-differences methodology, we show that the Uber entry in a market enabled those who were walkers and riders prior to the entry of Uber to travel more conveniently, leading to an increase in traffic congestion, and induced those who were drivers to substitute their use of private automobiles with a combination of Uber and public transit. We introduced urban compactness to assess the heterogeneous impact of ride-hailing services for cities that differ in their distribution of traveler segments. We found that Uber entry increases traffic congestion and reduces public transit demand more in cities with higher levels of urban compactness, i.e., where the proportion of riders and walkers is higher than that of drivers. This work provides a holistic framework to understand the mechanism underlying the impact of ride-hailing services on public transit and traffic congestion. Urban planners and policy makers can leverage our framework, methodology, and empirical results to guide city planning decisions that have implications for sustainability.
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 | 0,000 |
| 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 ».