Environmental Impacts of Transportation Network Company (TNC)/Ride-Hailing Services: Evaluating Net Vehicle Miles Traveled and Greenhouse Gas Emission Impacts within San Francisco, Los Angeles, and Washington, D.C. Using Survey and Activity Data
Notice bibliographique
Résumé
Transportation Network Companies (TNCs) play a prominent role in mobility within cities across the globe. However, their activity has impacts on vehicle miles traveled (VMT) and greenhouse gas (GHG) emissions. This study quantifies the change in personal vehicle ownership and total miles driven by TNC drivers in three metropolitan areas: San Francisco, CA; Los Angeles, CA; and Washington, D.C. The data sources for this analysis comprise two surveys, one for TNC passengers (N = 8630) and one for TNC drivers (N = 5034), in addition to data provided by the TNC operators Uber and Lyft. The passenger survey was deployed within the three metropolitan areas in July and August 2016, while the driver survey was deployed from October to November 2016. The TNC operator data corresponded with these time frames and informed the distance driven by vehicles, passenger frequency of use, and fleet level fuel economies. The data from these sources were analyzed to estimate the impact of TNCs on travel behavior, personal vehicle ownership and associated VMT changes, as well as the VMT of TNCs, including app-off driving. These impacts were scaled to the population level and collectively evaluated to determine the net impacts of TNCs on VMT and GHG emissions using fuel economy factors. The results showed that the presence of TNCs led to a net increase of 234 and 242 miles per passenger per year, respectively, in Los Angeles and San Francisco, while yielding a net decrease of 83 miles per passenger per year in Washington, D.C. A sensitivity analysis evaluating net VMT change resulting from vehicle activity and key behavioral impacts revealed the conditions under which TNCs can contribute to transportation sustainability goals.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».