The case of Montréal's missing food deserts: evaluation of accessibility to food supermarkets.
Notice bibliographique
Résumé
BACKGROUND: Access to varied, healthy and inexpensive foods is an important public health concern that has been widely documented. Consequently, there is an increasing interest in identifying food deserts, that is, socially deprived areas within cities that have poor access to food retailers. In this paper we propose a methodology based on three measures of accessibility to supermarkets calculated using geographic information systems (GIS), and on exploratory multivariate statistical analysis (hierarchical cluster analysis), which we use to identify food deserts in Montréal. RESULTS: First, the use of three measures of accessibility to supermarkets is very helpful in identifying food deserts according to several dimensions: proximity (distance to the nearest supermarket), diversity (number of supermarkets within a distance of less than 1000 metres) and variety in terms of food and prices (average distance to the three closest different chain-name supermarkets). Next, the cluster analysis applied to the three measures of accessibility to supermarkets and to a social deprivation index demonstrates that there are very few problematic food deserts in Montréal. In fact, census tracts classified as socially deprived and with low accessibility to supermarkets are, on average, 816 metres away from the nearest supermarket and within 1.34 kilometres of three different chain-name supermarkets. CONCLUSION: We conclude that food deserts do not represent a major problem in Montréal. Since geographic accessibility to healthy food is not a major issue in Montréal, prevention efforts should be directed toward the understanding of other mechanisms leading to an unhealthy diet, rather than attempting to promote an even spatial distribution of supermarkets.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».