Evaluating the Impact of Socioeconomics, Land Use, Built Environment, and Road Facility on Cyclist Safety
Notice bibliographique
Résumé
With the increasing demand for sustainability, the use of cycling as an efficient active mode of transportation is being encouraged. However, the vulnerability of cyclists to severe injuries in crashes can discourage road users from cycling. Therefore, the study of the factors that affect the safety of cyclists is important. This paper describes an investigation of the relationship between cyclist–motorist crashes and various traffic zone characteristics in Vancouver, British Columbia, Canada. The goal was to assess the impacts of socioeconomics, land use, the built environment, and the road facility on cyclist safety through the use of macrolevel collision prediction models. The models were developed by generalized linear regression and full Bayesian techniques. An actual bike exposure indicator (the number of bike kilometers traveled) and the number of vehicle kilometers traveled were used as exposure variables in the models. The safety models showed that cyclist–motorist crashes were nonlinearly associated with an increase in bike, vehicle, and transit traffic as well as socioeconomic variables (i.e., population, employment, and household densities), variables related to the built environment (transit stop, traffic signal, and light pole densities), commercial area density, and the proportion if arterial–collector roads. The models revealed, however, a decline in cyclist–motorist crashes in association with an increase in the proportions of local roads and off-street bike links and an increase in recreational and residential area densities. The spatial effects were accounted for in the full Bayes models and were found to be significant; such a finding implies the importance of consideration of the spatial correlation in the development of macrolevel cyclist 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 | 0,005 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».