Economic impacts on local businesses of investments in bicycle and pedestrian infrastructure: a review of the evidence
Notice bibliographique
Résumé
Local officials in North America frequently face opposition to new or expanded bicycle or pedestrian facilities. The most vocal opponents are usually motorists and local business owners who fear that the removal of or reductions in vehicular parking or travel lanes will reduce patronage from motorists and that any increased patronage from pedestrians or cyclists will not offset the lost revenues. A lack of direct evidence on the economic impacts of facilities on local businesses has made it difficult to support or debunk such fears. A lack of quantitative evidence in particular has prevented the incorporation of such impacts into cost–benefit analyses. The issue has received enough attention from researchers in recent years that a review of the evidence is now warranted. We reviewed the relevant literature and identified 23 studies, focusing on the US and Canada, that either (1) quantified and compared consumer spending between active travellers and automobile users (n = 8), or (2) quantified an economic impact to local businesses following the installation of bicycle or pedestrian facilities (n = 15). Taken together, the studies indicate that creating or improving active travel facilities generally has positive or non-significant economic impacts on retail and food service businesses abutting or within a short distance of the facilities, though bicycle facilities might have negative economic effects on auto-centric businesses. The results are similar regardless of whether vehicular parking or travel lanes are removed or reduced to make room for the active travel facilities. The studies also highlight best practices for designing future research. Ten of the 15 studies that quantified an economic impact to local businesses used both before-and-after data and comparison sites or other statistical controls for variables unrelated to the active travel facility “treatment;” six of those used statistical testing.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».