An economic analysis of the health-related benefits associated with bicycle infrastructure investment in three Canadian cities
Notice bibliographique
Résumé
OBJECTIVES: Decision-makers are increasingly requesting economic analyses on transportation-related interventions, but health is often excluded as a determinant of value. We assess the health-related economic impact of bicycle infrastructure investments in three Canadian cities (Victoria, Kelowna and Halifax), comparing a baseline reference year (2016) with the future infrastructure build-out (2020). METHODS: The World Health Organization's Health Economic Assessment Tool (HEAT; version 4.2) was used to quantify the economic value of health benefits associated with increased bicycling, using a 10-year time horizon. Outputs comprise premature deaths prevented, carbon emissions avoided, and a benefit:cost ratio. For 2016-2020, we derived cost estimates for bicycle infrastructure investments (including verification from city partners) and modelled three scenarios for changes in bicycling mode share: 'no change', 'moderate change' (a 2% increase), and 'major change' (a 5% increase). Further sensitivity analyses (32 per city) examined how robust the moderate scenario findings were to variation in parameter inputs. RESULTS: Planned bicycle infrastructure investments between 2016 and 2020 ranged from $28-69 million (CAD; in 2016 prices). The moderate scenario benefit:cost ratios were between 1.7:1 (Victoria) and 2.1:1 (Halifax), with the benefit estimate incorporating 9-18 premature deaths prevented and a reduction of 87-142 thousand tonnes of carbon over the 10-year time horizon. The major scenario benefit:cost ratios were between 3.9:1 (Victoria) and 4.9:1 (Halifax), with 19-43 premature deaths prevented and 209-349 thousand tonnes of carbon averted. Sensitivity analyses showed the ratio estimates to be sensitive to the time horizon, investment cost and value of a statistical life inputs. CONCLUSION: Within the assessment framework permitted by HEAT, the dollar value of health-related benefits exceeded the cost of planned infrastructure investments in bicycling in the three study cities. Depending on the decision problem, complementary analyses may be required to address broader questions relevant to decision makers in the public sector.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».