Carsharing adoption dynamics considering service type and area expansions with insights from a Montreal case study
Notice bibliographique
Résumé
Carsharing operators (CSOs) are adapting their service over time to meet changing demands and grow their market share. Service areas are enlarged and, in some cities, “dual-mode settings” evolve, incorporating free-floating carsharing (FFcs) as a new service alongside existing station-based carsharing (SBcs). This paper proposes a methodology to discuss adoption dynamics in such a context, specifically focusing on the impact of existing services and service extensions on the adoption of the new service. We propose a framework, comprising of two parts: a potential market assessment and an adoption model. The potential market assessment focuses on establishing the relationships between the local population, carsharing memberships and Points of Interest (POIs) within the given service area. The adoption model then describes the likelihood of consumers adopting the FFcs service. By combining these two models, the effects of service extensions can be assessed. We evaluate the framework using a nearly six year dataset from Communauto, Montreal. The first 35 months of data are set as training data, while the subsequent 33 months are used for validation of predictive performance. Results demonstrate that the proposed model accurately predicts adoption dynamics. Prior experience of SBcs and initial information spread are found to be key parameters for demand prediction determining early adoption peaks and, due to follower effects, also impact long-term demand. Additionally, we quantify the importance of covering residential areas and points of interests in the service area, highlighting the synergy effects of service area expansions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».