Cost-effectiveness of investing in sidewalks as a means of increasing physical activity: a RESIDE modelling study
Notice bibliographique
Résumé
BACKGROUND: Studies consistently find that supportive neighbourhood built environments increase physical activity by encouraging walking and cycling. However, evidence on the cost-effectiveness of investing in built environment interventions as a means of promoting physical activity is lacking. In this study, we assess the cost-effectiveness of increasing sidewalk availability as one means of encouraging walking. METHODS: Using data from the RESIDE study in Perth, Australia, we modelled the cost impact and change in health-adjusted life years (HALYs) of installing additional sidewalks in established neighbourhoods. Estimates of the relationship between sidewalk availability and walking were taken from a previous study. Multistate life table models were used to estimate HALYs associated with changes in walking frequency and duration. Sensitivity analyses were used to explore the impact of variations in population density, discount rates, sidewalk costs and the inclusion of unrelated healthcare costs in added life years. RESULTS: Installing and maintaining an additional 10 km of sidewalk in an average neighbourhood with 19 000 adult residents was estimated to cost A$4.2 million over 30 years and gain 24 HALYs over the lifetime of an average neighbourhood adult resident population. The incremental cost-effectiveness ratio was A$176 000/HALY. However, sensitivity results indicated that increasing population densities improves cost-effectiveness. CONCLUSIONS: In low-density cities such as in Australia, installing sidewalks in established neighbourhoods as a single intervention is unlikely to cost-effectively improve health. Sidewalks must be considered alongside other complementary elements of walkability, such as density, land use mix and street connectivity. Population density is particularly important because at higher densities, more residents are exposed and this improves the cost-effectiveness. Health gain is one of many benefits of enhancing neighbourhood walkability and future studies might consider a more comprehensive assessment of its social value (eg, social cohesion, safety and air quality).
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 | 0,006 | 0,001 |
| 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 ».