Implementing Red Light Camera Programs: Guidance from Economic Analysis of Safety Benefits
Notice bibliographique
Résumé
Red light camera (RLC) systems are believed to decrease the right-angle crashes that they are targeting but to have the undesirable side effect of increasing rear-end crashes. This belief was confirmed in a before–after study of 132 RLC installations in seven U.S. jurisdictions, as reported in a companion paper. In that research, the extent to which the increase in rear-end crashes negates the benefits for right-angle crashes was unclear, given the perceptions of severity differences in the two crash types. This paper reports on an examination of the changes in crash costs, based on a consideration of rear-end and right-angle unit crash costs for various severity levels, to establish the aggregate effects of the RLC programs evaluated. Part of the project derived the required unit costs by using information from national U.S. databases. The overall results show a modest to moderate economic benefit of between $28,000 and $50,000 per treated site year, depending on assumptions made. The ability to aggregate economic costs across crash types and severity created the opportunity to try to isolate program implementation factors and intersection characteristics that would favor the installation of RLC systems by using the aggregate economic benefit at each RLC site as the outcome variable. This investigation found, for example, that the greatest economic benefits are associated with the highest total entering annual average daily traffic, the largest ratios of right-angle to rear-end crashes, and the presence of protected left-turn phases.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».