Building cycling equity in Montreal: Overcoming barriers in accessing Bixi
Bibliographic record
Abstract
"Sommaire Considérant l’achalandage record et l’adoption croissante de Bixi à Montréal, il est important d’évaluer les pratiques de Bixi afin d’assurer que son service est conçu pour et accessible à tous les montréalais. Bixi n’a actuellement pas d’objectifs d’équité explicites, ainsi, aligner sa stratégie afin de combler les objectifs d’équité de la ville de Montréal devrait être une priorité si la Ville cherche à développer un réseau de transport durable et équitable. Ce rapport résume les résultats d’un sondage sur le cyclisme et les vélos en libre-service (VLS) à Montréal. Ce sondage mené entre mai et juin 2024 illustre les barrières et les solutions qui pourraient être mises en œuvre par les agences et organismes municipaux de Montréal, basées sur des précédents de vélos en libre-service à travers le monde. Résultats: Barrières • Les usagers de Bixi sont préoccupés par la sécurité routière. • Le poids et le format des Bixis limitent l’utilisation et l’adoption des VLS. • La capacité de cargaison des Bixis est insuffisante. • Le manque de sièges pour enfants sur les Bixis restreint leur utilisation chez les femmes. Solutions • Des vélos légers, des paniers plus grands et des solutions pour enfants peuvent augmenter l’utilisation de Bixi. • Un réseau avec une densité de 10-16 stations par kilomètre carré est idéal pour soutenir l’utilisation de VLS • Une stratégie compréhensive de sensibilisation et de communication est nécessaire. • Des cours, ateliers, et consultations avec une variété d’acteurs contribuent à augmenter l’utilisation de VLS. • La concertation avec les agences de transport et le gouvernement est requise pour assurer le succès des VLS. Recommendations: 1. Nommer un directeur de programme d’équité pour développer une stratégie d’équité et mener des consultations. 2. Prioriser l’établissement d’une stratégie d’équité claire avec des indicateurs précis pour mesurer les gains d’équité. 3. Développer un programme de cours, leçons, balades à vélo collectives, et de consultations participatives. 4. Atteindre une densité d’au mínimum 10 stations par kilomètre carré en priorisant les zones les plus vulnérables. 5. Récolter des données sur les infrastuctures cyclables et sensibiliser les usagers pour améliorer la sécurité routière. 6. Examiner la structure tarifaire, les méthodes de paiement, et l’adoption de rabais pour faciliter l’accès à Bixi. 7. Évaluer les mécanismes de débloquage des vélos afin d’augmenter la flexibilité et la facilité d’utilisation de Bixi. 8. Ajouter des vélos plus légers et plus petits à la flotte de vélos Bixis afin de promouvoir les VLS auprès des femmes. 9. Réviser le design des paniers Bixis en étudiant des options tel le VLS cargo, les supports à vélo, et les remorques. 10. Adopter des alternatives qui favorisent l’utlisation du VLS pour ceux et celles avec des responsabilités familiales."@fre
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.078 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".