Carsharing adoption dynamics considering service type and area expansions with insights from a Montreal case study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 |
| 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 découle