Healthy built environment: Spatial patterns and relationships of multiple exposures and deprivation in Toronto, Montreal and Vancouver
Notice bibliographique
Résumé
Various aspects of the urban environment and neighbourhood socio-economic status interact with each other to affect health. Few studies to date have quantitatively assessed intersections of multiple urban environmental factors and their distribution across levels of deprivation. To explore the spatial patterns of urban environmental exposures within three large Canadian cities, assess how exposures are distributed across socio-economic deprivation gradients, and identify clusters of favourable or unfavourable environmental characteristics. We indexed nationally standardized estimates of active living friendliness (i.e. “walkability”), NO2 air pollution, and greenness to 6-digit postal codes within the cities of Toronto, Montreal and Vancouver. We compared the distribution of within-city exposure tertiles across quintiles of material deprivation. Tertiles of each exposure were then overlaid with each other in order to identify potentially favorable (high walkability, low NO2, high greenness) and unfavorable (low walkability, high NO2, and low greenness) environments. In all three cities, high walkability was more common in least deprived areas and less prevalent in highly deprived areas. We also generally saw a greater prevalence of postal codes with high vegetation indices and low NO2 in areas with low deprivation, and a lower greenness prevalence and higher NO2 concentrations in highly deprived areas, suggesting environmental inequity is occurring. Our study showed that relatively few postal codes were simultaneously characterized by desirable or undesirable walkability, NO2 and greenness tertiles. Spatial analyses of multiple standardized urban environmental factors such as the ones presented in this manuscript can help refine municipal investments and policy priorities. This study illustrates a methodology to prioritize areas for interventions that increase active living and exposure to urban vegetation, as well as lower air pollution. Our results also highlight the importance of considering the intersections between the built environment and socio-economic status in city planning and urban public health decision-making.
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) | 0,001 | 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 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 ».