Unravelling experiences of transit captivity with time-geography: The case of commuters in Jakarta Metropolitan area
Notice bibliographique
Résumé
Captive transit users are likely to be more vulnerable to public transport service disruptions than choice users. However, what precisely is a captive user? Sociodemographic characteristics have up till now been mainly used to make assumptions on who are captive and who are choice users. However, transit users with similar sociodemographic characteristics may have distinct life situations and spatiotemporal constraints. This study contributes to understanding public transport captivity by examining perceived captivity concerning experienced and measured spatiotemporal constraints, following time-geography theory. Based on a 2022 survey in the Greater Jakarta Metropolitan Area, two-way clustering based on perceived constraints was used to capture transit user segments. Ordinal regression analysis was then performed to examine the role of constraint perception segment membership in comparison to measurable sociodemographic factors and spatial instrumental capability constraints in explaining perceived transit captivity. Results revealed that perceived capability and coupling constraints are significant factors in defining transit user segments. Three clusters were identified: flexible commuters, commuters with responsibilities, and non-driving constrained commuters. The findings show that non-driving constrained commuters and commuters with responsibilities (to a lesser extent) are more captive than flexible commuters. Segmenting users based on an individual time-geography approach helps to accurately identify captive and choice users and the in-between groups. Results provide insights for policymakers about the most vulnerable groups. It helps to develop tailor-made strategies targeting different transit user segments with differing constraints to promote transit usage and reduce transport poverty.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| 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 ».