Does easy mean happy? Exploring the impact of ease of travel on travel satisfaction
Notice bibliographique
Résumé
Abstract Many studies have examined the determinants of travel satisfaction. However, how the perceived ability to travel, i.e., ease of travel (EoT), influences travel satisfaction has not been analysed in a comprehensive way. In this study, we will analyse how EoT, which is comprised of travel motivation, travel skills, travel options and travel quality, impacts satisfaction with travel to campus of 2593 students and staff members of University College London (UCL). One-way ANOVAs show that respondents with high levels of EoT are more satisfied with their trips to campus compared to those with lower EoT levels. Based on linear regressions (per mode and all modes combined), we found that all EoT elements seem to positively affect travel satisfaction, even after controlling for socio-demographics and trip characteristics. This indicates that EoT may be regarded as an important predictor of travel satisfaction. Apart from EoT, also age, mode choice, weather conditions and levels of crowding and congestion were found to significantly impact travel satisfaction. Somewhat surprisingly, effects of travelling alone, trip duration, and travel disabilities on travel satisfaction – which were often found in existing studies – were weak, suggesting that these effects may be partly explained/moderated by variations in EoT elements. In order to make public transport and active travel trips more satisfying, we recommend policy makers to focus on (1) improving the quality of public transport services and active travel infrastructure, and (2) helping people to improve their skills required to easily walk, cycle or use public transport.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».