Modeling bicycle choice behavior and its potential health impact: Case of first/last mile access to suburban rail
Notice bibliographique
Résumé
Cycling offers a sustainable solution to urban mobility challenges, particularly in rapidly growing cities like Mumbai, where it remains an underutilized access mode to suburban rail due to infrastructure gaps and safety concerns. This study explores factors affecting suburban rail commuters’ willingness to cycle for first-mile connectivity, using Ordered Logit and Integrated Choice Latent Variable models on survey data collected from 480 commuters across 20 stations along the central line in Mumbai, India. The survey examines socio-economic traits, travel habits, and attitudes toward cycling, with a focus on four infrastructural aspects: dedicated bike lanes, intersection treatments, bike-sharing services, and secure parking, alongside three latent factors—perceived benefits, physical barriers, and safety/security barriers. Findings reveal that only 8% of suburban rail users currently cycle to stations. Younger, lower-income individuals without motorized vehicles show a greater inclination to adopt cycling. However, broader uptake is hindered by safety issues, poor infrastructure, and insufficient secure parking. Health assessments using WHO’s Health Economic Assessment Tool estimate that the best scenario, with 54% of users cycling 4 km daily, could prevent around 5483 premature deaths annually. The study recommends implementing protected bike lanes, improved intersection designs, secure bike parking, and affordable bike-sharing at select stations to promote cycling as a viable access mode. Addressing these infrastructure needs can create a sustainable, health-promoting urban transport system in cities like Mumbai.
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 | 0,001 |
| 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 ».