The impact of bike network indicators on bike kilometers traveled and bike safety: A network theory approach
Notice bibliographique
Résumé
There has been recent interest in the use of network analysis to quantify bike network features and their impact on biking levels and safety. However, limited bike network indicators have been evaluated. This study introduces a list of network indicators to quantify the bike network and study its effect on bike kilometers traveled and bike–vehicle crashes. Data from the city of Vancouver, Canada, are used as a case study. Full Bayesian modeling incorporating spatial effects is employed to develop Bike Kilometers Travelled (BKT) and bike–vehicle crash models. The developed BKT models show that the bike network centrality, assortativity, and weighted slope have negative associations with BKT, while the bike network directness, length, complexity and development, and connectivity have positive associations with BKT. The developed crash models show that the bike network length, centrality, assortativity, and continuity have negative associations with bike–vehicle crashes. On the other hand, the bike network complexity and development, connectivity, and linearity have positive associations with bike–vehicle crashes. The models provide insights that can be useful for planning bike networks to increase bike traffic and improve bike safety. The models also show that some changes to a bike network to increase bike traffic should be accompanied by crash risk-mitigating measures. As well, the models can be used to identify zones within a city that require safety improvements.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| 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 ».