Analyzing disparities in app-hailed travel during extreme heat in New York City
Notice bibliographique
Résumé
• Ridership increased by six to nine percent compared to normal-weather days. • Fixed effects were used to analyze variation across low- and high-income areas. • Afternoon peak higher by 1.7 to 3.2 rides per 1,000 people in median income areas. • Ridership increased by three percent for every $10,000 increase in income. • Baseline per cap trips were lower in low-income areas compared to high-income areas. To understand extreme weather effects on travel behavior, we examine changes in New York City app-hailed travel during extreme-heat days and estimate whether such changes vary across low- and high-income neighborhoods. We use trip records for July 2019, when several heat-related messages were issued by the National Weather Services, and find that daily ridership was six to nine percent higher on days when heat messages were issued than on matching weekdays in the same month. Our fixed effects regression models estimate that for median income neighborhoods afternoon peak-hour ridership was 1.7 to 3.2 rides higher per 1,000 people during the heat events than on matching weekdays in the same month. This effect increased by an additional 0.5 to 0.6 rides per 1,000 people for every $10,000 increase in average neighborhood per capita income, suggesting that higher income travelers increased trip frequency at a higher rate than lower-income travelers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».