Operationalising the 20-minute neighbourhood
Notice bibliographique
Résumé
BACKGROUND: Recent rapid growth in urban areas and the desire to create liveable neighbourhoods has brought about a renewed interest in planning for compact cities, with concepts like the 20-minute neighbourhood (20MN) becoming more popular. A 20MN broadly reflects a neighbourhood that allows residents to meet their daily (non-work) needs within a short, non-motorised, trip from home. The 20MN concept underpins the key planning strategy of Australia's second largest city, Melbourne, however the 20MN definition has not been operationalised. This study aimed to develop and operationalise a practical definition of the 20MN and apply this to two Australian state capital cities: Melbourne (Victoria) and Adelaide (South Australia). METHODS: Using the metropolitan boundaries for Melbourne and Adelaide, data were sourced for several layers related to five domains: 1) healthy food; 2) recreational resources; 3) community resources; 4) public open space; and 5) public transport. The number of layers and the access measures required for each domain differed. For example, the recreational resources domain only required a sport and fitness centre (gym) within a 1.5-km network path distance, whereas the public open space domain required a public open space within a 400-m distance along a pedestrian network and 8 ha of public open space area within a 1-km radius. Locations that met the access requirements for each of the five domains were defined as 20MNs. RESULTS: In Melbourne 5.5% and in Adelaide 7.6% of the population were considered to reside in a 20MN. Within areas classified as residential, the median number of people per square kilometre with a 20MN in Melbourne was 6429 and the median number of dwellings per square kilometre was 3211. In Adelaide's 20MNs, both population density (3062) and dwelling density (1440) were lower than in Melbourne. CONCLUSIONS: The challenge of operationalising a practical definition of the 20MN has been addressed by this study and applied to two Australian cities. The approach can be adapted to other contexts as a first step to assessing the presence of existing 20MNs and monitoring further implementation of this concept.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».