Mapping Bikeability: A Spatial Tool to Support Sustainable Travel
Notice bibliographique
Résumé
The built environment has been shown to influence active transportation. Although spatial data for the built environment is increasingly available, there has been little effort to use existing data and knowledge to define and map ‘bikeability’ as an approach to promoting travel by bicycle. Our goal was to build a tool to identify areas that are more conducive and less conducive to cycling. We used empirical research to develop a bikeability index and geographic information systems to map the index across the Metro Vancouver region. Results of an opinion survey, travel behaviour studies, and focus groups were used to identify the components of the index and their relative importance. Pertinent geospatial data layers were scored and combined using a flexible weighting scheme to create a composite map highlighting both high and low bikeability areas. The bikeability index was comprised of five factors shown to consistently influence cycling: Bicycle facility availability; bicycle facility quality; street connectivity; topography; and land use. For mapping purposes, we created corresponding metrics: density of bicycle facilities; separation from motor vehicle traffic; connectivity of bicycle-friendly roads (local streets, bicycle routes, and off-street paths); slope; and density of destination locations. Using empirical evidence to combine data layers for these metrics we generated a high-resolution (10 m) bikeability surface for the region, depicting bicycle-friendly areas and areas where cycling conditions need to be improved. Built environment interventions for specific locations are informed by evaluating scores for the five individual component layers. Mapping bikeability provides a powerful visual aid to identify zones where changes are needed to support sustainable travel. This evidence-based tool presents data in a user-friendly way for planners and policy makers. The overall bikeability score and its five component scores can guide local action to stimulate changes in cycling rates. It uses widely available data types, thus facilitating easy application in other cities. Furthermore, the flexible parameters and weighting scheme enable users elsewhere to tailor it to evidence about local preferences and conditions.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».