Severity of pedestrian injuries due to traffic crashes at signalized intersections in Hong Kong: a Bayesian spatial logit model
Notice bibliographique
Résumé
Summary The present study intended to (1) investigate the injury risk of pedestrian casualties involved in traffic crashes at signalized intersections in Hong Kong; (2) determine the effect of pedestrian volumes on the severity levels of pedestrian injuries; and (3) explore the role of spatial correlation in econometric crash‐severity models. The data from 1889 pedestrian‐related crashes at 318 signalized intersections between 2008 and 2012 were elaborately collected from the Traffic Accident Database System maintained by the Hong Kong Transport Department. To account for the cross‐intersection heterogeneity, a Bayesian hierarchical logit model with uncorrelated and spatially correlated random effects was developed. An intrinsic conditional autoregressive prior was specified for the spatial correlation term. Results revealed that (1) signalized intersections with greater pedestrian volumes generally exhibited a lower injury risk; (2) ignoring the spatial correlation potentially results in reduced model goodness‐of‐fit, an underestimation of variability and standard error of parameter estimates, as well as inconsistent, biased, and erroneous inference; (3) special attention should be paid to the following factors, which led to a significantly higher probability of pedestrians being killed or sustaining severe injury: pedestrian age greater than 65 years, casualties with head injuries, crashes that occurred on footpaths that were not obstructed/overcrowded, heedless or inattentive crossing, crashes on the two‐way carriageway, and those that occurred near tram or light‐rail transit stops. Copyright © 2017 John Wiley & Sons, Ltd.
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 ».