Challenges to Bicycle Usage in Columbus, Ohio: A Seasonal Analysis of Central Ohio Greenway Mode Choice
Notice bibliographique
Résumé
In the United States, bicycle ridership is generally lower than in other cities across the globe. American cities lag behind other countries, especially some cities in Western Europe such as Copenhagen and Amsterdam. A number of factors may contribute to this decrease in ridership such as reduced infrastructure and a lack of cycling culture. Another factor may be weather, which is a focus of this study. How does weather impact ridership in U.S. cities, and what can those cities do about it? To explore this question, I measure how temperature and precipitation impact trail use and cycling in Columbus, Ohio. During the winter months between December 21, 2020 and March 20, 2021, I collected original broad data on trail usage modeled after a study conducted by the Mid-Ohio Regional Planning Commission. Two North American case studies were also done on Portland, Oregon and Montréal, Canada in order to understand how higher ridership is maintained with adverse weather conditions. I argue that there is a greater potential for usage in Columbus. Of the total number of users observed on the trails, 18% were bicyclists and 77% were pedestrians. Temperature and precipitation also played key roles. As temperature increased, bicycle ridership increased. Similarly, on days with little or no precipitation, ridership was higher than days with heavier rainfall or snow. Columbus is projected to continue growing in the long-term, and investing in a more interconnected, well-maintained, and widely accessible bike network has the potential to create cultural change in the city for bicycles that would significantly change mode choice for those living in the region.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».