The approaches to measuring the potential spatial access to urban health services revisited: distance types and aggregation-error issues
Notice bibliographique
Résumé
BACKGROUND: The potential spatial access to urban health services is an important issue in health geography, spatial epidemiology and public health. Computing geographical accessibility measures for residential areas (e.g. census tracts) depends on a type of distance, a method of aggregation, and a measure of accessibility. The aim of this paper is to compare discrepancies in results for the geographical accessibility of health services computed using six distance types (Euclidean and Manhattan distances; shortest network time on foot, by bicycle, by public transit, and by car), four aggregation methods, and fourteen accessibility measures. METHODS: To explore variations in results according to the six types of distance and the aggregation methods, correlation analyses are performed. To measure how the assessment of potential spatial access varies according to three parameters (type of distance, aggregation method, and accessibility measure), sensitivity analysis (SA) and uncertainty analysis (UA) are conducted. RESULTS: First, independently of the type of distance used except for shortest network time by public transit, the results are globally similar (correlation >0.90). However, important local variations in correlation between Cartesian and the four shortest network time distances are observed, notably in suburban areas where Cartesian distances are less precise. Second, the choice of the aggregation method is also important: compared with the most accurate aggregation method, accessibility measures computed from census tract centroids, though not inaccurate, yield important measurement errors for 10% of census tracts. Third, the SA results show that the evaluation of potential geographic access may vary a great deal depending on the accessibility measure and, to a lesser degree, the type of distance and aggregation method. Fourth, the UA results clearly indicate areas of strong uncertainty in suburban areas, whereas central neighbourhoods show lower levels of uncertainty. CONCLUSION: In order to accurately assess potential geographic access to health services in urban areas, it is particularly important to choose a precise type of distance and aggregation method. Then, depending on the research objectives, the choices of the type of network distance (according to the mode of transportation) and of a number of accessibility measures should be carefully considered and adequately justified.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,125 | 0,408 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,009 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».