The criminalization of impaired driving in Canada: assessing the deterrent impact of Canada's first per se law.
Notice bibliographique
Résumé
OBJECTIVE: The goal of this article is to assess the effectiveness of Canada's first per se law criminalizing driving with a blood alcohol concentration of over 0.08%, the Breathalyser Law introduced in 1969, in reducing drinking-driver-related fatalities. We also examine the long-term deterrent effect of this law on driver fatality rates. In the analyses we include such potentially confounding influences on drinking-driver fatality rates as the founding of Mothers Against Drunk Driving (MADD), Canada; the introduction of Ontario's mandatory seatbelt law; per capita alcohol consumption; the unemployment rate; vehicles registered per capita; and precipitation rates. METHOD: Interrupted time series analysis with auto-regressive integrated moving average modeling was applied to the annual number of motor vehicle driver fatalities in Ontario for the period 1962-1996 to examine drinking- and nondrinking-driver fatalities. RESULTS: A significant intervention effect was found for the Breathalyser Law in Ontario, which was associated with an estimated reduction of 18% in the number of fatally injured drinking drivers. No corresponding effect was observed for nondrinking-driver fatalities. Per capita alcohol consumption was positively associated with drinking-driver fatalities; Ontario's mandatory seatbelt law was linked to nondrinking-driver fatalities; and the formation of MADD, Canada, was strongly associated with drinking- and nondrinking-driver fatalities. CONCLUSIONS: These data provide evidence that Canada's per se law had a specific deterrent effect that resulted in a reduction in drinking-driver fatalities. A long-term deterrent effect was also observed, which is in contrast to the early policy literature on impaired driving.
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 | 0,000 | 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 | 0,000 |
| 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 ».