Pedaling towards safer streets: evaluating the impact of cycling infrastructure on road safety
Notice bibliographique
Résumé
• COVID-19 boosted cycling and infrastructure in Canada, but long-term trends remain unclear. • Cyclist volumes rose with new cycling infrastructure, especially on cycle tracks. • Impact of cycling infrastructure on killed or seriously injured (KSI) per 10km varied by city and infrastructure type. • Vancouver’s painted lanes were associated with higher cyclist KSI; Calgary’s cycle tracks with fewer KSI. • KSIs did not rise despite more riders, especially on cycle tracks, suggesting reduced injury risk per cyclist. Cycling provides health and environmental benefits but poses safety risks. Over the past decade, Canadian cities have expanded cycling infrastructure, such as cycle tracks (physically separated from motor vehicles) and painted lanes, to support safer active transportation. This study evaluates the impact of cycling infrastructure implemented in Toronto, Calgary, and Vancouver. We used infrastructure data (2011–2022) from municipal reports, validated with street view imagery. The primary outcome was killed or seriously injured (KSI) victims per 10 km of road, based on police-reported data (2009–2023). A difference-in-differences design, adapted for gradual infrastructure implementation, was applied using road segments as the unit of analysis. Subgroup analyses examined cyclist KSI and infrastructure type. Crude data on seasonal ridership from intersection counters on a subset of road segments (9 %) were used to estimate post-installation changes. Results varied by city and infrastructure type. In Toronto, no clear associations were found. In Calgary, new cycle tracks were associated with 2.1 fewer cyclist KSIs per 10 km (95 % CI: −4.5 to 0.3). In Vancouver, painted lanes were associated with 4.7 more KSIs per 10 km (95 % CI: 0 to 9.3), and one additional cyclist KSI per 10 km (95 % CI: 0 to 2.1). After implementation, cycle tracks showed substantial increases in cyclist volumes in Toronto (76 %), Calgary (207 %), and Vancouver (732 %), whereas painted lanes exhibited more modest changes. Although low KSI counts introduced uncertainty, cycle tracks were associated with no change or reductions in KSIs, while painted lanes showed no change or slight increases.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».