Will you still drive or are you ready to ride? Exploring readiness to use demand-responsive transport in the City of Vienna
Notice bibliographique
Résumé
Demand-responsive transport (DRT) is recognized as a potential solution for mitigating car-dependent mobility in areas with underdeveloped public transport systems. However, whether DRT competes with or complements public transport remains unclear. This study investigates these dynamics using the stated preference method and random utility maximization theory, emphasizing the role of long-term mobility patterns, such as years of car driving, alongside specific attributes of DRT and car modes. The research incorporates stated preference (SP) scenarios reflecting diverse travel needs, including urgent versus flexible trips and requirements for transporting luggage, baby stroller, or small bags. Data was collected in Vienna, where DRT services are implemented, comprising 2934 SP choices from 326 respondents. The analysis involved two stages: discrete choice modeling was first used to assess random and systematic effects on decision-making via the Monte Carlo method . The second stage explored substitution effects, willingness-to-pay, and policy implications for DRT deployment. Findings indicate that only 9.35 % of participants perceive years of car driving as positively influencing their readiness to use DRT, while for 90.65 %, more driving experience negatively affects DRT utility. Parking fee increases were found to enhance the likelihood of choosing DRT over public transport or biking. Furthermore, substitution pattern analysis highlights a stronger sensitivity to travel time changes than to travel cost variations in first/last-mile travel contexts. These insights provide valuable guidance for the effective integration of DRT into urban mobility systems.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».