Macro-spatial approach for evaluating the impact of socio-economics, land use, built environment, and road facility on pedestrian safety
Notice bibliographique
Résumé
With the increasing demand for sustainability, walking is being encouraged as a main active mode of transportation. However, pedestrians are vulnerable to severe injuries when involved in crashes, which can discourage road users from walking. Therefore, studying the factors that affect the safety of pedestrians is important. This paper investigates the relationship between pedestrian-vehicle crashes and various zone characteristics in the city of Vancouver. The goal is to assess the impact of socio-economics, land use, built environment, and road facility on pedestrian safety using macro-level collision prediction models. The models were developed using generalized linear regression and full Bayesian techniques. Both walking trips and vehicle kilometres travelled were used as the main traffic exposure variables in the models. The safety models showed that pedestrian-motorist crashes were non-linearly positively associated with the increase in traffic exposure. The crashes were also found positively associated with the socio-economic variables (i.e., employment and household densities), some built environment variables (transit stop, traffic signal, and light pole densities), commercial area density, and arterial-collector roads proportion. On the other hand, the models revealed a decline in the pedestrian-motorist crashes associated with the increase in the proportions of pedestrian-actuated signals and local roads, as well as the increase in the recreational and residential areas’ densities. The spatial effects were accounted for in the full Bayes models and were found significant, which imply the importance of considering spatial correlation when developing macro-level pedestrian safety models.
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 | 0,001 | 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 ».