Macrolevel Collision Prediction Models to Evaluate Road Safety Effects of Mobility Management Strategies: New Empirical Tools to Promote Sustainable Development
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».