A Systematic Review of the Coopetition Relationship between Bike‐Sharing and Public Transit
Notice bibliographique
Résumé
The sharing economy, mobile Internet, and smartphones have been widely utilized in recent years to promote the development of bike‐sharing services. Bike‐sharing serves as a first/last mile travel mode to connect to public transit, which improves trip efficiency, alleviates traffic problems, improves environmental quality, and promotes public health. However, the substitution of public transit by bike‐sharing and the decline in public transit ridership have raised concerns among city managers regarding the coopetition between shared mobility services and public transit. To understand the impact of bike‐sharing on the decline in public transit and to formulate reasonable synergistic development policies, it is crucial to identify the coopetition relationships between the two. This paper uses a combination of database search and backward snowballing to review existing research. Three research themes were identified: macrolevel studies on bike‐sharing and public transit interaction, studies on actual coopetition behaviors based on bike‐sharing user surveys, and studies on potential coopetition relationships based on bike‐sharing transaction data. The three categories of studies reveal the effect of bike‐sharing usage on public transit ridership, the emergency function of bike‐sharing in the event of unexpected transit shutdowns, and the substitution and connection relationships between bike‐sharing and public transit and the factors influencing them. Finally, this study suggests many directions for future research. This review helps clarify the understanding of the coopetition relationships between bike‐sharing and public transit, provides theoretical support to promote the synergistic development of both, and points out ways to deepen the research on the coopetition relationship between the two.
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) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».