Driver and vehicle type parameters' contribution to traffic safety in UAE
Notice bibliographique
Résumé
Former traffic safety studies showed clearly that driver or human factor is a major contributor to road accidents. Hence, to better understand the traffic accident nature it's so vital to analyze all characteristics related to drivers involved in these accidents. This article focuses on this aspect through using a dataset representing UAE traffic accidents in the time interval between 2007 and 2010. A major focus was given in this article to analyzing the relation between traffic accidents and driver citizenship for all types of involved vehicles. This was due to the fact that drivers in UAE came from different backgrounds (over than 100 citizenships) and hence it's so important to identify citizenships with major involvement in road accidents for each vehicle type. This will allow traffic authorities to give special attentions to these citizenships and vehicle types through special traffic awareness programs, fining system or other preventive measures aiming to reduce the accidents frequency and severity levels. Results indicated that for all types of vehicles emirates nationals drivers represent the citizenship with the highest involvement rate in traffic accidents (30.02%) followed by Pakistanis (21.26%) then comes the Indians drivers with a percentage of 11.95%. Light vehicle type traffic accidents statistics shows that a general trend can be seen for all citizenships where there is an increase in the number of traffic accidents over the course of the three years. The main contribution of the paper is its uniqueness in analyzing such accidents database after the implementation of the new unified traffic law in UAE.
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 ».