Logistic Regression Model of Risk of Fatality in Vehicle–Pedestrian Crashes on National Highways in Bangladesh
Notice bibliographique
Résumé
Pedestrian fatalities on national highways in Bangladesh account for about 47% of all pedestrian fatalities; therefore, it is important to identify the risk factors involved. Binary logistic models were calibrated with crash data from 1998 to 2006 maintained by the Accident Research Institute of Bangladesh to identify the factors associated with the probability of a fatal outcome. The results showed that the involvement of elderly pedestrians (individuals older than 55 years of age) and young pedestrians (individuals younger than 15 years of age) increased the likelihood of a fatality. A higher risk of fatality was also seen for pedestrians who crossed the road than for those who walked along the edges of the road. Pedestrian collisions with trucks, buses, baby taxis or tempos (auto rickshaws), and tractors had a higher risk of a fatality than collisions with cars. Crashes occurring at locations with no traffic control, stop control, and pedestrian crossings had a higher risk of a fatality than those occurring at locations with traffic signals or police control. Finally, collisions during the rainy season had a higher probability of a fatality. In addition, the influences of implicit attributes on the trend for the risk of a pedestrian injury, temporal confounding, and interaction effects were considered and were incorporated progressively into the model. A trend toward a slight increase in the risk of a pedestrian fatality was found when the model controlled for the influences of demographic factors, the road environment, and other risk factors. The identification of these risk factors for pedestrians provides valuable inputs that will assist with the development of a comprehensive pedestrian safety action plan.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».