Walkability: Which Measure to Choose, Where to Measure It, and How?
Notice bibliographique
Résumé
The urban structure of neighborhoods has a decisive impact on active mobility, but this impact is hard to evaluate in a mode choice model because of the high collinearity between urban form variables and the uncertainty surrounding adequate spatial measurement parameters. Several composite scores, or walkability measures, have emerged from the literature, each using its own method and including different variables. No consensus has been reached on the size of the catchment area that should be used to measure walkability and most studies only measure walkability at the origin of the trip without considering other spatial units. In this paper, a series of four walkability measures: the Pedestrian Index of the Environment (PIE), the Walkability Index (WI), the Pedestrian Potential Index (PPI) and the Neighborhood Destination Accessibility Index (NDAI), are applied to the Greater Montréal Area to examine their correlation with the choice of walking for short trips. Several definitions of a neighborhood are tested for each measure, as well as several spatial units of measurement. A series of binary logistic regressions are then estimated using observed trip data from the 2013 Montreal Origin–Destination Survey to identify which measure, using which spatial parameters, offers the best performance in a mode choice modeling context. Measures using a diversity of urban form variables, the WI and the PIE, are found to offer the best performance, especially when measured at a scale smaller than a 1.6 km radius, while the spatial unit offering the best model fit varies between trip purposes.
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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».