The Hierarchy of Cycling Needs: Modeling the self-assessed propensity to bicycle
Notice bibliographique
Résumé
As car dependent cities desire a transition to more sustainable and healthful transportation systems, they need guidance on how to support the adoption of cycling. In this research we measure and model the key factors that lead to a progressive behavioral change towards cycling, using Lisbon as the case study. Based on stated responses from a survey (n = 1079), sub-groups of potential cyclists were identified based on sociodemographic information, cycling experience, and their self-assessed willingness to adopt bicycling. Three binary logit models were calibrated to model the probability to shift between behavior-change stages: from “Pessimist” to “Optimist”, then to “Enthusiast”, and, finally, to “Cyclist”. Results suggest that cycling infrastructure and equipment have a greater effect during the earlier stages of change, while facilities and practical needs have more impact during the middle stages. Finally, the individual’s social network and personal concerns and attitudes are crucial for the final push towards changing behavior and taking-up cycling. Based upon these results, a Pyramid of Cycling Needs is proposed, summarizing the hierarchy of needs to cycling. This framework informs which interventions and policies can have the greatest impact at each different stage of the transition to bicycling, and thus, raise cycling levels if those needs are made redundant. This research is a contribution towards understanding of how a city may transition to a higher cycling maturity level, by adopting an approach of targeted policies to different population groups who are willing to bicycle but have different needs.
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 | 0,007 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».