Cross-classified multilevel models for severity of commercial motor vehicle crashes considering heterogeneity among companies and regions
Notice bibliographique
Résumé
This study analyzes 86,622 commercial motor vehicle (CMV) crashes (large truck, bus and taxi crashes) in South Korea from 2010 to 2014. The analysis recognizes the hierarchical structure of the factors affecting CMV crashes by examining eight factors related to individual crashes and six additional upper level factors organized in two non-nested groups (company level and regional level factors). The study considers four different crash severities (fatal, major, minor, and no injury). The company level factors reflect selected characteristics of 1,875 CMV companies, and the regional level factors reflect selected characteristics of 230 municipalities. The study develops a single-level ordinary ordered logit model, two conventional multilevel ordered logit models, and a cross-classified multilevel ordered logit model (CCMM). As the study develops each of these four models for large trucks, buses and taxis, 12 different statistical models are analyzed. The CCMM outperforms the other models in two important ways: 1) the CCMM avoids the type I statistical errors that tend to occur when analyzing hierarchical data with single-level models; and 2) the CCMM can analyze two non-nested groups simultaneously. Statistically significant factors include taxi company's type of vehicle ownership and municipality's level of transportation infrastructure budget. An improved understanding of CMV related crashes should contribute to the development of safety countermeasures to reduce the number and severity of CMV related crashes.
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».