Transit-driven resilience: Unraveling post-COVID-19 urban recovery dynamics.
Notice bibliographique
Résumé
Transit-oriented communities (TOCs), characterized by compact, walkable designs and convenient access to public transportation, have historically been inclusive, resilient, and desirable places to reside. The global COVID-19 pandemic disrupted established transportation patterns, reshaping neighborhood activity and potentially altering the appeal of TOCs. This study examines the resilience of neighborhoods surrounding subway stations in Toronto post-pandemic, comparing their recovery trajectories with control neighborhoods and exploring associated factors. Using regression model and leveraging location-based services (LBS) data from mobile phones, we assess activity levels in 2023 relative to pre-pandemic levels in 2019. Our findings suggest that, despite ongoing ridership challenges, neighborhoods near transit stations in Toronto exhibited faster recovery than those farther away, reflecting associations with transit proximity, land-use diversity, and socio-economic characteristics. The presence of industries such as accommodation, food services, arts, entertainment, healthcare, and education near transit stations was linked to a diverse economic landscape, potentially sustaining vibrant commercial areas amid shocks. Conversely, neighborhoods with a higher prevalence of workplaces for sectors with remote work potential showed slower recovery. Variables such as proximity to jobs and essential amenities, walkability, and shorter commute times were also strongly associated with higher recovery rates. These findings offer actionable insights for policymakers and urban planners, highlighting the importance of integrating public transit with diverse land uses, socio-economic attributes, and equitable urban policies to support sustainable and resilient neighborhoods in the face of future crises.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».