Density, Destinations or Both? A Comparison of Measures of Walkability in Relation to Transportation Behaviors, Obesity and Diabetes in Toronto, Canada
Notice bibliographique
Résumé
The design of suburban communities encourages car dependency and discourages walking, characteristics that have been implicated in the rise of obesity. Walkability measures have been developed to capture these features of urban built environments. Our objective was to examine the individual and combined associations of residential density and the presence of walkable destinations, two of the most commonly used and potentially modifiable components of walkability measures, with transportation, overweight, obesity, and diabetes. We examined associations between a previously published walkability measure and transportation behaviors and health outcomes in Toronto, Canada, a city of 2.6 million people in 2011. Data sources included the Canada census, a transportation survey, a national health survey and a validated administrative diabetes database. We depicted interactions between residential density and the availability of walkable destinations graphically and examined them statistically using general linear modeling. Individuals living in more walkable areas were more than twice as likely to walk, bicycle or use public transit and were significantly less likely to drive or own a vehicle compared with those living in less walkable areas. Individuals in less walkable areas were up to one-third more likely to be obese or to have diabetes. Residential density and the availability of walkable destinations were each significantly associated with transportation and health outcomes. The combination of high levels of both measures was associated with the highest levels of walking or bicycling (p<0.0001) and public transit use (p<0.0026) and the lowest levels of automobile trips (p<0.0001), and diabetes prevalence (p<0.0001). We conclude that both residential density and the availability of walkable destinations are good measures of urban walkability and can be recommended for use by policy-makers, planners and public health officials. In our setting, the combination of both factors provided additional explanatory power.
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 | 0,001 | 0,000 |
| 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 ».