The impact of bicycle theft on ridership behavior
Notice bibliographique
Résumé
Cities worldwide are promoting bicycling as a sustainable mode of transportation. However, bicycle theft remains a significant deterrent for potential riders, and also influences the behaviors of existing cyclists. Understanding the impact of theft on bicycling behaviors provides a foundation for developing strategies to address the negative impacts of bicycle theft. Our goal is to characterize if and how bicycle theft changes individual bicycling behavior. We gathered responses from 1821 individuals in a survey focused on bicycle theft in North America. We employed bivariate analysis and binary logistic regression models to explore the relationships between demographic factors, bicycle attributes, and pre-theft behavior to explain post-theft bicycling behavior. The results show that 45% of survey respondents reduced or ceased bicycling post-theft, while 6% increased their bicycling. Additionally, 40% transitioned from bicycling to unsustainable modes of transportation for their post-theft trips. Also, 69% of people eventually replaced their stolen bicycles, of which 46% selected models of equal/higher value. Pre-theft bicycling activity emerged as the most influential factor on ridership behavior after a bicycle theft, with occasional riders experiencing the most negative impact, compared to frequent riders, who remained committed to bicycling. Recovery of the stolen bicycles, e-bicycle usage, number of bicycles owned, and income levels were also predictors of future bicycling patterns. The insights from this research can inform targeted interventions for populations most at risk to reduce the negative impact of bicycle theft, such as secure parking for new and low-income bicyclists.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».