Exploring Evolution Effects of Neighborhood Typologies on Cycling
Notice bibliographique
Résumé
This paper presents a methodology to investigate the temporal evolution of cycling and the role of built environment. More specifically, the authors aim at exploring how commuting cycling modal share has evolved across neighborhood types between 1998 and 2008 in Montreal. The authors use two main approaches to explore the effects of neighborhood characteristics on cycling and its growth: (i) a binary logit model; and (ii) a simultaneous equation model. One of the key findings is the general increase in the likelihood to cycle over time in the study region. Specifically, urban and urban-suburb areas have been experiencing the greatest growth with increases of 2.5% and 1.6% from 1998 to 2008, respectively. The built environment of the study region has not evolved significantly during the 10-year study period. As a result, The authors conclude that the observed change in cycling activity is explained by attitudinal and cultural changes in the population over time. However, the choice of neighborhood type significantly affects cycling. In fact, living in downtown, inner suburb, and outer suburb in comparison to living in urban-suburb decreases the likelihood to cycle to work by 58, 20, and 11 percent, respectively. Promotional efforts by local municipalities and agencies, such as improving safety, campaigns, etc., appear to have positively influenced cycling activity. In terms of individual-level socio-demographics, the authors found that gender, age and employment status influenced cycling levels. As expected, an increase in the distance to nearest cycling facilities from residence reduces the probability of individuals choosing to cycle to work.
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 | 0,011 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».