Regional comparison of socio-demographic variation in urban E-scooter usage
Notice bibliographique
Résumé
In recent years we have witnessed explosive growth in the shared, free-floating, electric scooter industry. While still controversial in many North American cities, a number of large e-scooter operators have managed to carve out a piece of the urban transportation landscape. As these vehicles shift from novelty services to increasingly reliable modes of short personal travel, the discussion has turned to investigating who exactly benefits from these micromobility services and who are being left behind. Though population surveys have been administered to identify the socio-demographic characteristics of e-scooter riders in the past, little work has linked these characteristics through trips, or investigated the regional variation in these demographic factors. In this work we explore the variability and similarities in e-scooter rider characteristics across three major U.S. cities. To accomplish this, we apply a Moran’s Eigenvector Spatial Filtering linear regression model and compare our results to more commonly used spatial regression approaches. Our results indicate that the spatial filtering approach outperforms other methods in identifying socio-demographic characteristics of e-scooter users, across multiple regions. We find that many socio-demographics associated with e-scooter usage are regionally variant, despite younger users making up the core user base in all cities. There are variations in usage based on gender, income, and race across cities with Black and Hispanic populations remaining underserved. The implications of these findings are discussed.
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 | 0,001 | 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 | 0,001 |
| 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 ».