Ankara’da Kent İçi Toplu Ulaşımda Kullanılan Finansman Kaynaklarının Dünya Örnekleri İle Karşılaştırılması; Ankara İçin Model Önerisi
Bibliographic record
Abstract
Toplu ulaşımda kullanılan finansman kaynaklarının incelenmesi toplu ulaşımla yolcuların ve hassas yolcu gruplarının okullara, kamu sağlık kuruluşlarına ve işyerlerine ulaşımını sağladığı düşünüldüğünde önemli görülmektedir. Öte yandan, toplu ulaşım kamu kurumlarının bütçeleri üzerinde mali bir yük oluşturmaktadır. Ek finansman kaynakları veya yeni finansman kaynaklarının araştırılması bu noktada önemlidir. Çalışmada, toplu ulaşım sistemlerinin finansmanı ele alınarak, Ankara İli ile yurtdışında örnek olarak alınan ülke ve şehirler karşılaştırılmıştır. Yurt dışında hem geleneksel hem de geleneksel olmayan finansman yöntemleri incelenmiştir. Çalışmanın amacı, yurt dışındaki örnek olarak incelenen ülke ve şehirlerdeki toplu ulaşımın finansman kaynaklarından hangilerinin Ankara için uygulanabileceğini değerlendirerek bir model önerisinde bulunmaktır. Metodolojinin ana fikri, kamu hizmetlerinin sağlanmasından elde edilen kaynakların toplu ulaşımda kullanılmasıdır. Çalışmada Londra, New York, Vancouver, Hong Kong, Singapur, Almanya, Amerika Birleşik Devletleri (ABD), Avrupa Birliğine (AB) üye ülkelerden bazıları incelenerek, Ankara İli ile karşılaştırılmıştır. Çalışmada öncelikle literatür taraması yapılmış olup Ankara İli toplu ulaşımı ile ilgili veriler EGO Genel Müdürlüğü’nden (EGO) alınmıştır. Çalışmada yöntem olarak niteliksel araştırma kullanılarak, görüşme ve doküman analizi kullanılmış, nitel veri toplama yöntemleri kullanılmıştır. Toplu ulaşımın finansmanında yurt dışında kullanılan kaynaklar; belediyelerde iç ve dış borçlanma, belediye gelirleri, federal bütçe veya eyalet bütçe gelirleri, özel sektör yatırımları, KÖİ modelleri, belediyelerin veya merkezi yönetimin sübvansiyonları, bilet gelirleri, reklam gelirleri, değer alım vergileri, çalışan sayısı 9’u aşan işverenlerden alınan vergiler, trafik cezaları, ulusal kalkınma ajanslarının bütçesi, özel araçlardan alınan tıkanıklık ücreti, emlak vergileri, toplu ulaşım sisteminin yapımı ile oluşan arsa değerlerindeki artıştan sağlanan finansman ve tahviller şeklindedir. Türkiye’de ise, toplu ulaşımın finansmanında belediyelerce toplanan vergilerin bir kısmı, dış ve iç krediler, bilet gelirleri, KÖİ modelleri, özel sektör yatırımları, belediye ve bağlı idarelerin gelirleri gibi kaynaklar kullanılmaktadır. Yurt dışında kullanılan söz konusu bazı modelleri Türkiye’de uygulamak için yasal şartların oluşturulması gerekmektedir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".