Equity Implications of Shared Micro-Mobility in the Suburbs: A Spatial Analysis of Shared E-Scooter Use in Different Built and Social Environments
Notice bibliographique
Résumé
Electric-powered standing kick scooters, otherwise known as e-scooters, have recently been introduced in hundreds of cities around the world as part of rent-to-use shared micro-mobility systems. Despite being a potentially sustainable and equitable travel mode, relatively little analysis has been done on the impact of shared micro-mobility on transportation equity, specifically in the suburban context. The shared e-scooter pilot program in Brampton, Ontario, Canada, presents an opportunity to examine this topic within the context of a Canadian suburban community. Our study explores the use of shared e-scooters (trips per sq km per day) in Brampton, in relationship to suburban built environment types and social and economic marginalization at the neighborhood level. First, a Getis-Ord G i * (local “hot spot”) analysis identified localized hot-spots of shared e-scooter demand and implied that, at least in some contexts, higher trip rates are concentrated in marginalized neighborhoods. Next, spatial regression analysis (spatial lag model) demonstrated associations between dimensions of marginalization and e-scooter use rate, where higher rates of shared e-scooter use were observed in neighborhoods that have higher household instability, and higher concentrations of racialized and immigrant populations. The findings also suggest that the benefits of shared e-scooters may not be different in neighborhoods with high concentration of economically marginalized population, or low labor force participation. In addition, no relationship was observed between built environment types and e-scooter use. Findings will inform future micro-mobility policy in North American suburban areas, while contributing to the growing body of work on e-scooter use and equity.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».