Geographies of grocery shopping in major Canadian cities: evidence from large-scale mobile app data
Notice bibliographique
Résumé
Socioeconomic and place-based factors contribute to grocery shopping patterns which may be important for diet and health. Big data provide the opportunity to explore behaviours at the population level. We used data collected from Flipp, a free all-in-one savings and deals content app, to identify visitation to grocery stores and estimate home-to-store distances, monthly frequencies, and number of unique stores visited in eight Canadian cities during 2020. Grocery shopping outcomes and associations with income, population density, and percentage of car commuters were explored using data aggregated at the Aggregate Dissemination Area (ADA) level in which app users lived. Changes in patterns of grocery shopping following restrictions implemented in response to the COVID-19 pandemic were also investigated. The median of average home-to-store distances ranged from 4-5 km across all cities throughout 2020. Shorter distances for grocery shopping were shown consistently for shoppers living in lower income, densely populated, and low-car commuting ADAs. A maximum of three unique supermarkets were visited on average each month. Decreases in the frequency and variability of grocery store visits were shown across all cities in April 2020 following the implementation of restrictions in response to COVID-19, and pre-pandemic levels of shopping were rarely achieved by the end of the year. Ultimately, these results provide much needed information regarding the characteristics of grocery shopping trips in a high-income country, as well as how food shopping was impacted by the onset of the COVID-19 pandemic. This information will be useful for a range of future studies seeking to characterise access to food retail.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».