Exploring sustainable accessibility through multimodal networks: Assessing healthy food access in Montreal
Notice bibliographique
Résumé
• High-resolution accessibility modelling reveals persistent food access gaps at short time thresholds in Montreal. • Cycling greatly reduces disparities in access to healthy food relative to walking-only scenarios. • Combining active travel with transit maximizes access to healthy food. • Land use and transportation integration are crucial to addressing spatial disparities in food access. Equitable access to essential amenities is crucial for sustainable urban areas, yet achieving it remains challenging in North American cities characterized by car-centric development and sprawling urban patterns. This paper investigates how multimodal transportation networks reshape access to “Healthy Food Establishments (HFEs)” in Montreal. Using high-resolution block-level data, verified HFE locations, and multimodal routing with the r5r engine, we model three accessibility scenarios: walking-only, cycling-only, and combined active travel plus transit. Accessibility is measured through a cumulative-opportunity and gravity-based metric, capturing temporal thresholds and the variety of destinations. Our analysis reveals significant disparities in food accessibility under walking-only conditions, with nearly half of Montreal residents lacking adequate access within a strict 10-minute timeframe. Cycling considerably improves accessibility, yet the highest levels of equitable access are only achieved through integrated multimodal scenarios that combine active transportation and public transit. Our results underscore the importance of planning multimodal transit nodes that facilitate integrated trip-chaining, emphasizing the need for policy interventions that prioritize continuous, low-stress cycling infrastructure, high-frequency transit services, and clustered essential amenities to bridge accessibility gaps in underserved 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».