Travel Behaviour and Community Needs for Resilience Hubs
Notice bibliographique
Résumé
Communities continue to experience significant and damaging disasters, which has prompted governments to devise solutions to protect lives and reduce overall impacts. One emerging strategy is the development of resilience hubs, which can serve the community during disasters and everyday conditions. However, most research and guidance for resilience hubs remain largely theoretical and do not account for community needs. Moreover, research and practice have not fully integrated transportation into resilience hub design, such as how travel to and from resilience hubs is facilitated. Consequently, we conducted an empirical study leveraging statistical tools and models using data from a survey of Edmonton, Canada, residents (n = 950) conducted between November 2022 and February 2023. Through descriptive statistics and discrete choice models, we uncover important results related to resilience hub usage, transportation design, and mode choice in both normal and disaster conditions. Modelling results found a strong influence of household characteristics on the normal usage of resilience hubs, while individual characteristics were more influential on hub usage as a temporary shelter. No clear patterns of variables influenced mode choice (travel to/from hubs), except the insignificance of resilience hub usage (i.e., trip purpose) for normal conditions. For mode, the results showed a strong preference for private vehicles, yet still a relatively high multi-modal split (e.g., walking, transit, shared mobility). Residents also preferred highly localized resilience hubs with a variety of transportation options, services, and amenities. Using these results, we provide a series of practice-oriented recommendations for communities in the design and operations of resilience hubs.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».