Impact of a nighttime curfew on overnight mobility
Notice bibliographique
Résumé
Abstract Background Among non-pharmaceutical interventions, individual movement restrictions have been among the most impactful methods for controlling COVID-19 case growth. While nighttime curfews to control COVID-19 case growth have been implemented in certain regions and cities, few studies have examined their impacts on mobility or COVID-19 incidence. In the second wave of COVID-19, Canada’s two largest and adjacent provinces implemented lockdown restrictions with (Quebec) and without (Ontario) a nighttime curfew, providing a natural experiment to study the association between curfews and mobility. Methods This study spanned from December 1, 2020 to January 23, 2021 and included the populations of Ontario (including Toronto) and Quebec (including Montreal). The intervention of interest was a nighttime curfew implemented across Quebec on January 9, 2021. Unadjusted and adjusted difference-in-differences models (DID) were used to measure the incremental impact of the curfew on nighttime mobility in Quebec as compared to Ontario. Results The implementation of the curfew was associated with an immediate reduction in nighttime mobility. The adjusted DID analysis indicated that Quebec experienced a 31% relative reduction in nighttime mobility (95%CI: -36% to -25%) compared to Ontario, and that Montreal experienced a 39% relative reduction compared to Toronto (95%CI: -43, -34). Discussion However, this natural experiment among two neighbouring provinces provides useful evidence that curfews lead to an immediate and substantial decrease nighttime mobility, particularly in these provinces’ largest urban areas hardest hit by COVID-19.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».