Bike Score®: Associations between urban bikeability and cycling behavior in 24 cities
Notice bibliographique
Résumé
BACKGROUND: There is growing interest in designing cities that support not only walking, but also cycling. Bike Score® is a metric capturing environmental characteristics associated with cycling that is now available for over 160 US and Canadian cities. Our aim was to determine if Bike Score was associated with between and within-city variability in cycling behavior. METHODS: We used linear regression to model associations between Bike Score and journey to work cycling mode share (US: American Community Survey, 2013 or 2012 5-year estimates; Canada: 2011 National Household Survey) for 5664 census tracts in 24 US and Canadian cities. RESULTS: At the city level, the correlation between mean Bike Score and mean journey to work cycling mode share was moderate (r = 0.52). At the census tract level, the correlation was 0.35; a ten-unit increase in Bike Score was associated with a 0.5% (95% CI: 0.5 to 0.6) increase in the proportion of population cycling to work, a meaningful difference given the low modal shares (mean = 1.9%) in many North American cities. Census tracts with the highest Bike Scores (>90 to 100) had mode shares 4.0 higher (β = 4.0, 95% CI: 2.9 to 5.0) than the lowest Bike Score areas (0-25). City specific analyses indicated between-city variability in associations, with regression estimates between Bike Score and mode share ranging from 0.2 to 3.5%. CONCLUSIONS: The Bike Score metric was associated bicycle mode share between and within cities, suggesting its utility for planning bicycle infrastructure.
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 | 0,000 | 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 | 0,001 |
| 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 ».