E-bikes and travel behaviour change: systematic review of experimental studies with meta-analyses
Notice bibliographique
Résumé
Transitioning from private cars to active modes of transport is key to reducing transport related greenhouse gases emissions and promoting physical activity. Electrically assisted bicycles, often referred to as e-bikes, play a pivotal role in facilitating this shift. However, the environmental and health benefits of e-bikes depend on the modes they substitute, with the highest benefits obtained when private cars are replaced. This systematic review and meta-analysis targets quasi-experimental (i.e. pre–post measures of travel behaviours without control group) and experimental (i.e. pre–post measures of travel behaviours with control groups) studies assessing the impact of acquiring an e-bike on overall travel behaviour changes expressed in both distances and mode share (in % of kilometres travelled). Ten studies, all conducted in Northern Europe, were included. Results from the narrative synthesis and meta-analysis show that: (i) when participants have access to an e-bike, either through a free loan programme or a purchase, they engage in e-cycling; the meta-analysis reveals a significant difference of 5 km travelled daily after the interventions between participants that got access to an e-bike compared to those from control groups with no e-bikes, reflecting a substantial increase of 26% in e-bike mode share; (ii) e-bikes can substitute for all other modes of transport, but car use appears to be the most affected in both the systematic review and meta-analyses difference (2.4 km fewer travelled per day by car between the intervention and control groups at follow-up, reflecting to a 10% decrease in car mode share); (iii) baseline travel behaviours may influence modal shift, with e-bikes substituting for the most prevalent means of transport in baseline. E-bikes have the potential to be a reliable and competitive alternative to cars in a healthier and more sustainable transport system and our study brings new empirical evidence to support this claim.
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 | 0,023 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,031 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».