Rail Fixed Guideway Systems in Western U.S. Regions
Notice bibliographique
Résumé
This research explores the policy factors influencing the intraregional development of rail transit. For the purpose of this research, policy factors include: institutional arrangements, factors associated with governance, and factors in the policymaking process. The research questions are studied in five case study MSAs within the Pacific West and Mountain West regions of the United States: Phoenix-Mesa-Chandler, AZ; Denver-Aurora-Lakewood, CO; Riverside-San Bernardino-Ontario, CA; Los Angeles-Long Beach-Anaheim, CA; and Portland-Vancouver-Hillsboro, OR. The foundational problems that frame this research are the challenges of urban planning at a regional scale, specifically for transportation. The more specific challenge of transportation planning is situated within the challenge of regional planning. The primary research question is: what policy factors influence the development of regional rail? Several sub-questions stem from the primary question. How do these policy factors differ among the case study regions? How do institutional arrangements, governance and policymaking differ among the cases? What policy recommendations can be drawn from the five case study regions and the specific perspectives of their regional leaders in rail development? Six policy recommendations are provided based upon the interview responses and the case study data. These emphasize policy for operations and maintenance (O&M) funding, budgeting for dire economic times, flexing environment and health funds for transit, the symbiosis of bus and rail transit, considerations for replicating aspects of the Portland model of governance, and equitable transit policy related to the housing crisis. The study also offers considerations of these data in light of the Covid-19 pandemic and continued U.S. economic recovery plans and investment.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».