Perceived accessibility and self-rated health: Examining subjective well-being in the suburbs of Scarborough, Canada
Notice bibliographique
Résumé
Addressing inadequate accessibility in suburban areas is crucial for reducing inequalities in transportation and improving suburbanites’ well-being. Afterall, insufficient accessibility to health is linked to worse health conditions. Moreover, urban sprawl , subpar transit, and automobile dependency prevail in suburbs, making them loci of inequalities in accessibility and, consequently, of potential worse health outcomes for residents. Due to their predictive capacity, subjective health indicators have been extensively researched. Knowledge on Self-Rated Health’s (SRH) link to accessibility in suburbs, however, is incomplete because the field seldom considers individuals’ perceptions. This article examines the association between accessibility and SRH in suburban areas. Using ordinal logistic regressions and data from a survey in Scarborough, Canada, we investigate if accessibility measures estimated from land-use and transportation network data (estimated measures), perceived accessibility, and perceptions of the built environment are associated with SRH. We explore these connections with different domains of SRH (mental, physical and overall). We find that living in areas with higher estimated accessibility measures is positively correlated with better SRH, whereas unsatisfactory perceived accessibility is negatively associated. Additionally, suburbanites who prioritize access to healthcare nearby have lower odds of having better health, meaning that residents who would like to see healthcare access improve are more likely to have worst SRH. Estimated measures are positively associated with self-rated mental health , while reporting difficulty in paying for transport is negatively associated with physical health. These findings stress how multiple components of accessibility – from estimated to perceived measures– can be associated with people’s well-being. Results illuminate the relevance of considering perceptions, often overlooked, in accessibility and health analysis. Finally, the results put into question if suburbanites’ heterogenous needs are recognized in urban design in a context of recent suburbanization of poverty.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».