The impact of rising gasoline prices on U.S. public transit ridership’. Undergraduate honors thesis
Notice bibliographique
Résumé
I would like to thank my advisor, Chris Timmins, and my honors seminar professor, Peter Arcidiacono, for their encouragement, insight, and patience, I certainly wouldn’t have made it to the end without their support. Joel Herndon and Sherry Chi were integral in helping compile the dataset. I would also like to thank my fellow 198S and 199S classmates for being helpful, supportive, and entertaining over the past year. Finally, I owe my parents much love and gratitude for giving me the opportunities to pursue my goals. 2 This paper analyzes the impact of increasing fuel prices on public transit ridership in the United States. Using regional gasoline prices and transit ridership and supply figures from 218 US cities from 2002 to 2008, I estimate the cross-price elasticity of demand for four modes of transit with respect to gasoline price. I report how these estimates vary between cities and test to see if these cross-price elasticities have changed over time. I find a cross-price elasticity of transit demand with respect to gasoline price ranging from-0.012 to 0.213 for commuter rail,-0.377 to 0.137 for heavy rail,-0.103 to 0.507 for light rail, and 0.047 to 0.121 for bus. These estimates vary significantly between cities but are not highly correlated with urban population size. Additionally, I find evidence suggesting that the cross-price elasticity has increased over this time period for commuter rail, light rail, and motorbus transit.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».