Trauma in traffic in Montenegro between 2004 and 2010
Notice bibliographique
Résumé
The first car showed up in Montenegro in 1902. There are 177 677 cars in Montenegro. Every third citizen owns a car. The total cost of the damage created by road accidents is estimated to 2% of the GDP, which makes the issue of traffic safety one of the issue with priority. The aim of this study is to make the trauma in traffic in Montenegro be seen so that the prevention programmes could be created. Method Data used was found in police reports in the given period. The data had been analysed, statistically processed and shown in the shape of a graph. Results 30% of cars is between 10 and 20 years old. About 41 000 cars is between 20 and 30 years old. Only a quarter of cars has the age that is less than 10 years. 12 913 persons were hurt in Montenegro from 2004 to 2010. 9559 (74%) person were slightly injured, 2830 (22%) were seriously injured and there were 524 (4%) of those who were dead. Average number of injured persons in road traffic accidents is 2152 per year. Death rate (deaths/100 000 persons) is 14/100 000 persons from given period. The drivers consist 46% (239) of cases of the total number of those killed. Co-drivers consist about 34% (177) and pedestrians consist about 20% of the cases (108). Conclusion By identifying the main sources of traffic accidents and applying all activities of prevention we can decrease the consequences of the things mentioned above.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».