MétaCan
Menu
← Retour à la cohorte
Enregistrement W4416970503 · doi:10.31235/osf.io/j2pkm_v1

The first national survey on transport poverty: Design, implementation and findings from Canada

2025· preprint· W4416970503 sur OpenAlexaboutno aff
Ignacio Tiznado-Aitken, Matan E. Singer, Catherine Morency, Samuel Duhaime Morissette, Hubert Verreault, Matthew Palm, Steven Farber

Notice bibliographique

Revuenon disponible
Typepreprint
Langue
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEquity (law)Socioeconomic statusPovertyGeneral partnershipData collectionSurvey data collectionScale (ratio)Inequality

Résumé

récupéré en direct d'OpenAlex

Transport poverty is a complex, multidimensional issue that remains loosely defined and inadequately measured. Persistent challenges related to data quality, consistency, and comparability, highlighted by the European Commission, continue to limit effective policymaking. Despite increasing attention to equity in transport research and practice, most countries still lack standardized national datasets that can capture the scale and severity of transport poverty.This paper presents the design and implementation of the first large-scale survey on transport poverty and transport-related social exclusion worldwide, developed by the Mobilizing Justice Partnership across all of Canada. We describe a multi-phase process involving collaborative workshops, input from a community advisory group, a pilot study, and a robust data collection strategy, including a comprehensive sampling and weighting process. The resulting dataset, covering over 27,000 respondents and openly available to researchers, decision-makers, and the public, offers extensive spatial and demographic coverage, enabling robust and policy-relevant analysis. A snapshot of findings reveals pronounced socioeconomic and demographic inequalities in Canada. Car ownership remains substantially lower among lower-income Canadians (under 70%) compared to higher-income groups (94%), while transit pass possession is more common among lower-income respondents. Approximately one in four participants experience modal dissonance, though its prevalence does not differ by income; instead, reasons behind this mismatch vary, with lower-income groups citing affordability constraints, whereas higher-income groups attribute mismatches to convenience and time considerations. Significant disparities in perceived safety were observed across gender, with non-binary individuals reporting the lowest levels of perceived safety, followed by women, and men reporting the highest. Satisfaction with transport conditions increases with age, with younger groups reporting consistently lower satisfaction. Racial disparities were evident in reported employment impacts, as Indigenous respondents and visible minorities were more likely to report declining job opportunities due to transport barriers. Housing affordability concerns were most acute among recent immigrants, who more frequently reported spending beyond their means on housing. Spatial analyses further demonstrate strong geographic variability in transport disadvantage, particularly in patterns of forced car ownership, suggesting the need for further exploration into the sociodemographic characteristics of this phenomenon, moving beyond solely built environment factors. Finally, accessibility to everyday destinations generally improves with city size, with larger metropolitan areas offering more consistent access than smaller towns and non-CMA areas.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,141
Score d'incertitude au seuil0,996

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,019
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,010
Études des sciences et des technologies0,0090,002
Communication savante0,0040,001
Science ouverte0,0030,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,325
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUrban Transport and Accessibility→Travaux en français237 207→