Exploring Spatial Patterns of Pedestrian Injury by Age and Severity in the City of Toronto, Canada
Notice bibliographique
Résumé
The City of Toronto experienced a ten-year high in pedestrian fatalities last year and has the highest pedestrian collision rate of Canadian cities. Walking is one of the most accessible forms of physical activity for all ages. Promoting increased walking for transport may carry forward into reduced air pollution, noise and traffic congestion. Understanding the geography of pedestrian motor vehicle collisions (PMVCs) can provide evidence to inform policy and planning targeting increased walking while reducing pedestrian injury risk. Age related differences in the geography of injury are expected given age-related differences in activity patterns and physical and cognitive abilities. Spatial patterns of PMVCs by age and injury type are studied across the City of Toronto’s, urban and inner suburban neighborhoods. Geographical variation in PMVCs and injuries by age (seniors and children) and severity are explored using indirect standardized rates. Moran’s I statistics are estimated for the standardized rates, to test for the spatial clustering of PMVCs across Toronto’s urban and inner suburban neighborhoods. Distinct spatial patterns of PMVCs and injuries emerged between children and seniors. While evidence of spatial clustering is indicated for both age groups, children’s injuries revealed the strongest level of clustering, while PMVCs involving seniors’ were more dispersed. Fatal and major injury events appear to be more concentrated toward and within Toronto’s inner suburbs. Additional attention, on the policy and planning front, should be given to pedestrian safety in Toronto’s inner suburban neighbourhoods. Intervention planning and implementation should acknowledge spatial differences in PMVCs by age and severity.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».