Barriers, Adoption, and Use of a Bike-Sharing System: A Market-Segment Approach to Current and Potential Users in Montréal, Canada
Notice bibliographique
Résumé
Bike-sharing systems have gained considerable traction as a solution to many urban transport challenges. (Note that, in this paper, “bike” means “bicycle,” not “motorbike”.) Limited research has explored the market dynamics driving bike-sharing usage among different population segments. This study is the first to apply a market-segmenting approach to analyze factors influencing both existing and potential users’ adoption of a bike-sharing system in Montréal, Canada. Utilizing a bilingual online survey conducted in spring, 2024, this research investigates the factors that limit or prevent the use of a large-scale bicycle-sharing system—Bixi—among different population groups. This work applies factor and k-means cluster analyses to identify distinct profiles within existing users ( N = 561) and non-users ( N = 763) of Bixi. The findings reveal key barriers faced both by users and non-users, particularly highlighting the need for expanding station availability in underserved areas. These findings address important equity issues. Measures to address cost and membership-related challenges would have the greatest impact on bringing low-income non-users into the system, while improving mobile technology accessibility would have the most significant effect on increasing adoption among younger, low-income groups. These insights can be of interest to policy developers aiming to expand bike-sharing systems service quality, enhance its resilience, and promote more equitable outcomes.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,009 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».