MARC

 008260126s2025        us                              c    eng  d
■001000017358954
■00520260202104814
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293893126
■035    ▼a(MiAaPQ)AAI32167970
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aDarling,  Wesley.
■24510▼aDesigning  TNC  Partnerships  for  On-Demand  Transit  in  Non-Urban  Communities
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a96  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Cassidy,  Michael.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aNon-urban  communities  (i.e.,  low-density  communities  in  suburban  or  exurban  areas)  are  increasingly  adopting  on-demand  transit  to  improve  service  coverage  and  rider  convenience.  These  services  are  typically  delivered  through  partnerships  with  either  microtransit  providers  (e.g.,  Via)  or  transportation  network  companies  (TNCs)  (e.g.,  Uber,  Lyft).  Although  both  provide  app-based  transportation  with  dynamic  routing,  they  differ  in  key  ways.  Microtransit  operates  fixed  size  fleets,  charges  a  fixed  hourly  rate,  and  consolidates  riders  with  similar  trips  into  shared  vehicles.  Conversely,  TNCs  use  flexible,  crowdsourced  fleets;  charge  per  trip  served;  and  serve  trips  individually.  Despite  these  differences,  planning  guides  often  treat  the  two  as  interchangeable,  offering  limited  guidance  on  which  mode  better  suits  a  given  community.  Due  to  past  negative  experiences  with  TNCs,  most  communities  favor  microtransit,  even  when  TNCs  could  potentially  be  more  cost-effective.This  dissertation  addresses  two  questions:  first,  how  should  a  business  plan  be  structured  to  make  TNCs  want  to  cooperate  with  non-urban  communities?  And  second,  under  what  conditions  is  it  better  for  a  community  to  partner  with  a  cooperative  TNC  rather  than  a  microtransit  provider?  To  answer  these  questions,  the  dissertation  makes  three  contributions:  a  business  plan  for  cooperative  TNC  partnerships;  an  agent-based  simulation  to  model  TNC  service  under  the  proposed  plan;  and  a  design-independent,  discriminating  metric  to  guide  mode  selection.We  propose  TNC  partnerships  follow  a  business  plan  that  uses  an  intermediary---the  service  manager---to  align  stakeholder  interests  while  addressing  community  concerns  about  control,  transparency,  and  service  reliability.  Riders  book  trips  through  the  service  manager's  app,  enabling  real-time  performance  monitoring  and  policy  enforcement.  The  service  manager  also  distributes  incentives  to  attract  drivers  from  higher-density  areas  to  the  non-urban  community,  and  pays  the  TNC  a  bonus  for  its  cooperation.  This  arrangement  preserves  TNCs'  flexibility  and  cost  advantages  in  a  Pareto-improving  way.To  compare  the  business  plan's  performance  against  that  of  existing  microtransit  systems,  we  develop  an  agent-based  simulation  model  of  cooperative  TNC  operations.  Three  Northern  California  communities  are  used  as  case  studies.  The  simulation  replicates  community  conditions  using  actual  microtransit  trip  request  data.  Driver  incentives  are  calculated  based  on  market  conditions  and  are  distributed  to  scale  the  simulated  fleet  size  according  to  demand.  The  case  study  comparison  shows  that  cooperative  TNC  partnerships  consistently  improve  levels  of  service  compared  to  microtransit.  However,  cost-effectiveness  varies  with  community  conditions:  TNCs  cost  less  than  microtransit  in  small  and  low-demand  communities  because  of  their  low  consolidation  potential,  but  TNCs  are  more  expensive  in  the  large,  high-demand  community  where  microtransit  can  consolidate  many  trips.We  generalize  the  case  study  results  with  a  design-independent  metric  that  discriminates  between  when  communities  should  use  TNCs  versus  microtransit.  The  metric  reflects  a  community's  consolidation  potential  and  only  requires  aggregate  community  data.  This  allows  for  mode  comparisons  without  simulation  or  model  optimization.  We  also  find  that  a  regression  model  based  on  proxy  measures  can  be  used  estimate  the  metric  for  communities  that  lack  demand  data.  We  apply  the  metric  to  the  rest  of  California  and  find  that  24  of  46  communities  that  currently  have  microtransit  could  be  well-served  by  TNCs,  suggesting  that  switching  to  TNCs  may  reduce  their  costs.  Of  154  communities  that  are  currently  underserved  by  transit,  78  are  identified  as  strong  candidates  for  TNC  partnerships,  highlighting  a  large,  untapped  market.These  findings  demonstrate  the  importance  of  choosing  on-demand  modes  according  to  local  conditions  and  provide  planners  with  practical  tools  to  do  so.  The  proposed  business  plan  enables  communities  to  partner  with  TNCs  without  sacrificing  control  or  reliability.  The  plan  also  creates  opportunities  for  TNCs  to  assist  underserved  areas  and  improve  their  mobility.  The  discriminating  metric  enables  a  priori  mode  comparison,  mitigating  the  risk  of  inefficient  partnerships.  Together,  these  contributions  help  ensure  on-demand  transit  services  better  align  with  community  goals  while  making  efficient  use  of  limited  community  resources.This  research  also  highlights  areas  for  future  work.  The  business  plan  assumes  full  cooperation  from  a  single  TNC  and  relies  on  simplified  incentive  and  matching  models.  Future  studies  could  extend  the  plan  to  support  multiple  operators  and  refine  the  simulation  to  account  for  proximity-based  matching,  heterogeneous  drivers,  and  limited  driver  supply  in  isolated  areas.  Expanding  datasets  and  adding  explanatory  variables  could  strengthen  the  regression  model's  metric  estimation  capabilities.  Finally,  future  analyses  could  add  other  transit  modes  to  the  comparison  and  evaluate  them  based  on  measures  of  performance  beyond  cost  and  level  of  service,  such  as  environmental  sustainability  or  equity  of  access.
■590    ▼aSchool  code:  0028.
■650  4▼aTransportation
■650  4▼aUrban  planning
■650  4▼aEnvironmental  engineering
■653    ▼aAgent-based  modeling
■653    ▼aIncentive  design
■653    ▼aMicrotransit
■653    ▼aSuburban  communities
■653    ▼aTransportation  network  company
■690    ▼a0709
■690    ▼a0543
■690    ▼a0999
■690    ▼a0775
■71020▼aUniversity  of  California,  Berkeley▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358954▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books