Causes and Health-Related Outcomes of Road Traffic Crashes in the United Arab Emirates: Panel Data Analysis of Traffic Fines
Notice bibliographique
Résumé
AIMS: To investigate the main causes and consequences of road traffic injuries (RTIs) in the United Arab Emirates (UAE) and the effect of traffic fines on these injuries. METHODS: This cross-sectional study analysed road traffic deaths and injuries and panel data of monthly traffic accident fines from 2012 to 2016 in the UAE. A fixed-effects (FE) model was used to determine the factors associated with RTIs over time. The FE model removes the effect of time-invariant aspects from the independent variables, thus assessing the net impact of the independent variables on the outcome variable. The independent variables were dangerous driving behaviors defined as a sudden turn, neglect and lack of attention, and excess speed. The outcome variables were the total number of road traffic deaths and injuries. RESULTS: Road traffic deaths, severe injuries, and moderate injuries remained constant from 2012 to 2016 but mild injuries decreased starting 2013. Human errors such as a sudden turn (22%), excess speed (12%) and lack of road user appreciation (12%) play a central role in road traffic injuries. The number of fines issued to drivers (66% for speeding) increased by 50% in the five year period. CONCLUSION: Road traffic injuries in the UAE remained stable from 2012 to 2016 despite an increase in traffic fines issued to drivers. Human errors continue to be a major cause of these injuries. Additional enforcement strategies are needed to address this health burden.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».