Green space exposure and active transportation during the COVID-19 pandemic: a global analysis using Apple mobility data
Notice bibliographique
Résumé
INTRODUCTION: There is little evidence investigating the association between green space (exposure and inequality) and active transportation during the COVID-19 pandemic. This study focused on the spatial heterogeneity in trajectories of different transportation modes during the COVID-19 pandemic worldwide, as well as the association between green space exposure and inequality and active transportation during the COVID-19 pandemic from a global perspective. METHODS: This study was based on an ecological study design and used three different Apple Mobility indices (driving, walking and public transit) to evaluate the trajectories of different transportation modes during the COVID-19 pandemic in 299 cities across 46 countries. Green space exposure was calculated based on fine-resolution population and green space mappings. Green space inequality was calculated by incorporating the Gini index into the green space exposure (green space Gini index). The hot/cold spot analysis was used to explore spatial heterogeneity in trajectories of different transportation modes during the COVID-19 pandemic worldwide, while Gaussian spatial mixed models were used to model the association between green space exposure and inequality and active transportation. RESULTS: The hot/cold spot analysis shows that there were spatial inequalities in the trajectories of different transportation modes worldwide during the COVID-19 pandemic. Results from Gaussian spatial mixed models showed that green space exposure was positively associated with the walking index (Coef.=46.82; SE=18.20), while green space inequality was positively associated with the walking index (Coef.=58.88; SE=26.87) and public transit index (Coef.=162.07; SE=80.16). Also, the effect of green space varied across city development levels, the stringency of policy and COVID-19 severity. CONCLUSIONS: Our findings demonstrate the importance of sufficient city-scale green spaces to support active transportation, with important implications to help cities better prepare for future pandemics and support active transportation during non-pandemic times.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».