Saving Time and Making Cents: A Blueprint for Building Transit Better
Notice bibliographique
Résumé
Cities, states, and metropolitan areas across the United States are looking to invest in a range of public transit projects in order to connect people to jobs and economic opportunity, reduce greenhouse gas emissions from vehicles, and shape development patterns. According to one estimate, the United States invested about $50 billion in new transit projects in just the last decade.1 These include underground subways in Los Angeles, commuter rail lines along the Front Range near Denver, a streetcar in downtown Atlanta, light rail lines in suburban Phoenix, and bus rapid transit in Richmond, Virginia, among many others.While these projects are as diverse as the country itself, they all have one thing in common: increased scrutiny over their costs and timelines to build. A few very visible projects have reinforced the narrative that rail transit investments have systemic issues that are endemic to the United States.This all begs the questions: Is this true? If so, why? And what should we do about it?These are precisely the questions Eno set out to answer through this research, policy, and communications project to analyze current and historical trends in public transit project delivery. We convened a set of advisors and conducted in-depth interviews with key stakeholders to understand the drivers behind mass transit construction, cost, and delivery in the United States. A comprehensive database of rail transit projects was created and curated to compare costs and timelines among U.S. cities and peer metropolitan areas in Western Europe and Canada. Through this quantitative and qualitative approach, we developed actionable recommendations for policy changes at all levels of government as well as best practices for the public and private sectors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».