Switching back to transit? Post-pandemic commute choices and emotional response
Notice bibliographique
Résumé
• 75% of pre-pandemic PT users maintained or returned to transit post-pandemic. • Transit proximity strongly associated with post-pandemic PT use patterns. • Emotional stress and captivity were associated with transit use decisions. • Permanent car users were younger, lived farther, and reported high pandemic stress. • Policies should address positive and negative emotions, alongside PT reliability. During the COVID-19 pandemic, public transit (PT) systems faced major disruptions and heightened safety concerns. While some pre-pandemic PT commuters shifted to telecommuting, others continued using PT or switched to cars. This study adopts a quasi-longitudinal approach to examine the socio-demographic and emotional factors associated with commute mode choices before, during, and after the pandemic among essential workers who could not telecommute. Using a case study design and retrospective survey data from 350 employees at the McGill University Health Centre in Montreal, Canada, we analyze three groups of pre-pandemic PT users: consistent PT users (PT-PT-PT), temporary car users who returned to PT (PT-Car-PT), and permanent car switchers (PT-Car-Car). Multinomial logistic regression results show strong correlations between post-pandemic commuting patterns and transit proximity, employment type, and cultural background. Individuals living within 2 km of a metro or train station, older workers, and those in administrative or professional roles were more likely to remain transit users. Conversely, younger individuals, nurses, and those working evening or night shifts were more likely to shift to car use. Commute-related emotions also varied across groups. Consistent PT users reported less variation in safety concerns and commuting stress, likely reflecting the comfort of habitual use. PT-Car-PT users expressed a stronger sense of captivity after returning to transit, while PT-Car-Car users reported lingering stress that, combined with practical factors such as bedside work, off-peak schedules, and vehicle access, reinforced their continued reliance on cars. Improving service reliability, comfort, and perceived safety is essential to enhance positive emotional responses and support long-term transit loyalty.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».