Private Car Ownership in Presence of Shared Autonomous Vehicles, Case of Tehran
Notice bibliographique
Résumé
With the advent of autonomous vehicles (AVs), researchers have conducted various studies on the impacts of these vehicles, but limited research is found on the influence of AVs on private car ownership. Since AVs are not well-aligned with sustainable development, shared autonomous vehicles (SAVs) would be an appealing alternative. Hence, this paper aims to investigate the impact of socio-economic and travel-related characteristics on private car ownership in the presence of SAVs among private car users in Tehran. After designing a web-based stated preference (SP) questionnaire and analyzing 2154 valid SP responses in 2022, more than a quarter (26%) of the observations are willing to reduce private car ownership level in presence of SAVs. Estimation results of binary logit model reveal that respondents aged 31-35 and 22-25 years old, as compared to other age categories, are more and less, respectively likely to sell their private cars. Further, due to the fact that users of SAVs, unlike private cars, do not need parking space, respondent are more likely to sell their private cars under this condition. Estimated coefficients of attributes considered in the SP scenarios indicate that increasing each of these attributes (travel time, waiting time, travel cost and number of passengers) in SAVs reduce the likelihood of selling a private car. Another important finding is the impact of respondents' experience with internet taxis (taxis ordered via an app on smartphones); those with frequent use or satisfy with this service, are more likely to reduce their car ownership.
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 | 0,001 | 0,002 |
| 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 ».