Macrolevel Collision Prediction Models to Evaluate Road Safety Effects of Mobility Management Strategies: New Empirical Tools to Promote Sustainable Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobility management (also called Transportation Demand Management, or TDM) consists of various strategies that change travel behavior to increase transportation system efficiency. Mobility management policies and programs are generally promoted as ways to reduce traffic congestion, parking problems and pollution emissions; road safety is seldom a major objective. However, research described in this paper indicates that mobility management strategies also provide significant safety benefits. This paper describes how community-based, macro-level collision prediction models (CPMs) can be used to calculate the road safety effects of specific mobility management strategies (MMS). It summarizes the results of road safety evaluations of three mobility management strategies using recently developed macro-level CPMs, and using data from 479 urban neighborhoods in the Greater Vancouver Regional District (GVRD), in British Columbia (BC), Canada. The results suggest that a smart growth strategy of more compact, multi-modal land use development patterns can reduce per capita neighborhood collision frequency by 20% (total) and 29% (severe); that a congestion pricing strategy has the potential to reduce neighborhood collision frequency by 19% (total) and 21% (severe); and improving transportation options (better walking and cycling conditions, and improved ridesharing and public transit services) could reduce collision frequency by 14% (total) and 15% (severe). These model predictions are consistent with actual observed mobility management collision reductions. This study indicates that mobility management strategies can significantly increase traffic safety in addition to providing other economic and environmental benefits.
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.
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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 découle