Coins, Cards, or Apps: Impact of Payment Methods on Street Parking Occupancy and Search Times
Notice bibliographique
Résumé
City dwellers often struggle with on-street parking in many cities, where they generally need to pay for parking in advance. However, drivers usually cannot accurately foresee how much parking time they need. Compared to traditional payment methods, that is, cash and credit card through on-site meters, mobile payment applications provide more flexibility: drivers can adjust their parking sessions remotely if a longer stay is in need. Utilizing data from an online survey and high-resolution transaction records provided by a municipal agency in a densely populated North American city, we analyze how different payment methods and hourly parking prices affect drivers’ parking behavior, street parking occupancy, and search time to find an available parking spot. Our findings reveal that mobile payments facilitate shorter parking duration, which in turn improves the turnover rate of parking spaces and reduces the overall search time. Furthermore, we observe that a driver’s parking behavior is not solely determined by price or payment method but rather by the interaction of both factors, making it essential for any policy analysis to consider this interplay. In particular, mobile payers are more sensitive to price changes than credit card payers, whereas cash payers are identified as the most sensitive to price changes. To provide further guidance to municipalities, we simulate different pricing mechanisms and show that progressive pricing and mobile payment adoption, along with pricing strategies, significantly impact both search time and occupancy compared to constant pricing.
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 | 0,000 |
| 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 ».