An investigation of the factors that affect the use of pooled ridehailing services in California
Notice bibliographique
Résumé
Pooled ridehailing services, like UberPOOL (now UberX Share) and Lyft Line (later rebranded as Lyft Shared before its discontinuation in May 2023), allow passengers to share part or the entirety of their trip with other paying passengers they typically do not know, resulting in lower fares. In this paper, we estimate a mixed logit model to examine the factors influencing the choice between pooled and solo ridehailing (e.g., UberX), using a dataset collected through rMove , an in-app survey and GPS data collection tool, which captures residents’ travel behaviors across three metropolitan regions in California. Our findings indicate that lower-income individuals, non-whites, women, and younger adults are more likely to choose pooled ridehailing. Conversely, individuals with higher vehicle ownership are less likely to pool. Frequent ridehailing users are more inclined to share rides, whereas employer-paid work trips are less likely to be pooled. Trips originating in high-density areas are also more likely to be pooled. Furthermore, we find a positive relationship between the use of public/active modes and the likelihood of pooling, highlighting both the risk of competition (and substitution) among these modes and an openness to multimodal travel among certain groups. Our analysis offers valuable insights for policymakers who seek to expand the share of pooled ridehailing trips while minimizing deadheading to reduce the emissions and congestion associated with the ridehailing industry.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».