Estimating effects of Uber ride-sharing service on road traffic-related deaths in South Africa: a quasi-experimental study
Notice bibliographique
Résumé
BACKGROUND: Road traffic deaths are a substantial barrier to population health improvement in low-income and middle-income countries (LMICs). In South Africa, the road-traffic injury mortality (RTM) rate of 27 per 100 000 population is twice the global average, over 60% of which are alcohol-related. Recent US studies suggest the Uber ride-sharing service may reduce alcohol-related RTM, however RTM burden in the USA is relatively low and transport behaviours differ from LMICs. METHODS: Using certification data from all deaths occurring in South Africa in the years 2010-2014 (n=2 498 216), we investigated the relative change in weekly road traffic-related death counts between provinces which received Uber services (beginning in 2013) against those that did not using a difference-in-differences approach. RESULTS: Weekly road traffic-related deaths in provinces with Uber were lower following Uber introduction than in comparison provinces without Uber. The effect size was larger in the province which had Uber the longest (Gauteng) and among young adult males (aged 17-39 years). However, the absolute effects were very small (<2 deaths per year) and may coincide with seasonal variation. CONCLUSIONS: Overall, findings did not support either an increase or large decrease in province-level road traffic-related deaths associated with Uber introduction to South Africa. More localised investigations in South Africa and other LMICs are needed.
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 | 0,013 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».