Spatial distribution of roadway environment features related to child pedestrian safety by census tract income in Toronto, Canada
Notice bibliographique
Résumé
BACKGROUND: Investments in traffic calming infrastructure and other street design features can enhance pedestrian safety as well as contribute to the 'walkability' of neighbourhoods. Pedestrian-motor vehicle collisions (PMVCs) in urban areas, however, remain common and occur more frequently in lower income neighbourhoods. While risk and protective features of roadways related to PMVC have been identified, little research exists examining the distribution of roadway environment features. This study examined the relationship between roadway environment features related to child pedestrian safety and census tract income status in Toronto. METHODS: Spatial cluster detection based on 2006 census tract data identified low-income and high-income census tract clusters in Toronto. Police-reported PMVC data involving children between the ages of 5 and 14 years were mapped using geographical information system. Also mapped were roadway environment features (densities of speed humps, crossing guards, local roads, one-way streets and missing sidewalks). Multivariate logistic regression was used to examine the relationship between roadway environment features (independent variables) and cluster income status (dependent variable), controlling for child census tract population. RESULTS: There were significantly fewer speed humps and local roads in low-income versus high-income clusters. Child PMVC rates were 5.4 times higher in low-income versus high-income clusters. CONCLUSION: Socioeconomic inequities in the distribution of roadway environment features related to child pedestrian safety have policy and process implications related to the safety of child pedestrians in urban neighbourhoods.
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 | 0,000 |
| 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 ».