Understanding the Relationship Between Changes in Accessibility to Jobs, Income, and Unemployment in Toronto, Canada
Notice bibliographique
Résumé
In many cities, transport investments are being directed towards increasing access in socially deprived neighbourhoods in order to enhance quality of life and improve equity.However, little research has been conducted to assess the impacts of such targeted interventions on the well-being of these individuals and the resulting equity of outcome.This study aims to evaluate the impacts of accessibility improvements overtime on neighbourhood socio-economic status, by examining the relationship between changes in accessibility to employment opportunities by public transport and changes in income and unemployment in the Greater Toronto and Hamilton Area, Canada (GTHA).To investigate this relationship, two linear regression models are proposed in our study.The results show that accessibility to jobs by public transport is vertically equitable in the GTHA (i.e., low-income neighborhoods experience higher levels of accessibility), although vertical equity decreased during the study period.The regression models suggest that, for low and medium income census tracts, transit accessibility improvements are associated with increases in median household income and decreases in the unemployment rate, whilst controlling for local migration.For high-income census tracts, increases in accessibility by public transport are related to decreases in income, potentially due to the migration of high-income populations to less dense neighbourhoods, away from transit.The relationship uncovered in this study highlights the impacts of accessibility improvements on low and medium income areas.The findings from our study provide a case for transport engineers, planners, and policy makers regarding the importance of positive changes in accessibility as a tool to derive equity outcomes in low income 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 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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».