Urban mobility under armed conflict: shifts in mode preferences and public transport fare behaviors
Notice bibliographique
Résumé
Abstract This study delves into the profound transformations in mobility patterns resulting from armed conflict in Ukraine. Kharkiv City, the second-largest Ukrainian city, is considered, where residents continue to utilize public transport to fulfill critical daily functions, including commuting to workplaces and procuring essential goods. Despite the ongoing conflict, public transport remained a vital resource for maintaining socio-economic stability and ensuring personal well-being. This paper explores two main aspects: changes in the frequency of mode usage and fare-related aspects in multimodal networks. By utilizing the random utility maximization theory, the research identifies key factors driving shifts in mobility behaviors amidst the chaos of conflict. Behavioral data was collected via an online survey, yielding a final sample of 213 respondents. The analysis covers a multimodal transportation system that comprises metro, bus, trolleybus, tram, private car, bicycle, and walking modes. First, a list of ordered logit models for mode frequency usage was estimated to explore the changes in travel behaviors comparing peaceful and armed conflict times. Second, a mixed logit model was developed to examine the heterogeneity in individuals’ willingness to adopt various public transport fare plans. The study reveals striking insights: many individuals have significantly declined usage of metro and bus services, while private car utilization remained unchanged during armed conflict. Moreover, this research underscores the importance of fare-related aspects to be deployed in post-armed conflicted times. The findings emphasize the crucial role of multimodal transport plans, facilitating a shift from traditional single-trip tickets to integrated digital solutions within the public transport framework.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».