Quantify relationships between bike network connectivity and bike safety: A comparative analysis of connectivity metrics conducted in two California cities
Notice bibliographique
Résumé
To motivate people to use bikes for transportation, cities are shifting their focus from constructing isolated bike lanes to building interconnected bike networks. The effectiveness of these networks is measured by their level of connectivity, specifically how easily individuals of all ages and abilities can reach their destinations by bike. While most researchers and policymakers hypothesize that well-connected bike networks will reduce crash risk by offering bicyclists extended protection from traffic, most studies find positive or null associations between network connectivity and bike crashes. This discrepancy may arise either from actual processes, such as increased ridership in high-traffic areas, or from variability in how connectivity is measured. Our study aims to understand relationships between bike safety and various connectivity metrics at the neighborhood level by deconstructing and comparing different metrics. We critique previous constructs of density-based metrics rely solely on bike infrastructure and introduce new density-based and routing-based metrics derived from low-stress networks. Using a negative binomial regression model, we examine the association between bike crashes and connectivity metrics across 125 block groups in Santa Barbara and Goleta, California. We find that increased density-based connectivity in both bike infrastructure and low-stress networks correlates with fewer crashes. In contrast, routing-based connectivity measures, which reflect bike access to key destinations, are positively associated with crashes. We conclude that different connectivity metrics can alter the direction of connectivity-safety associations. Our proposed metrics, which incorporate low-stress networks and routing algorithms, provide a more nuanced understanding of how connectivity is related to bicycling safety.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».