Modeling the Unobserved Heterogeneity in E-bike Collision Severity Using Full Bayesian Random Parameters Multinomial Logit Regression
Notice bibliographique
Résumé
Understanding the risk factors of e-bike collisions can improve e-bike riders’ safety awareness and help traffic professionals to develop effective countermeasures. This study investigates risk factors that significantly contribute to the severity of e-bike collisions. Two months of e-bike collision data were collected in the city of Ningbo, China. A random parameters multinomial logit regression (RP-MNL) is proposed to account for the unobserved heterogeneity across observations. A fixed parameters multinomial logit regression (FP-MNL) is estimated and compared with the RP-MNL under the Bayesian framework. The full Bayesian approach based on Markov chain Monte Carlo simulation is employed to estimate the model parameters. Both parameter estimates and odds ratio (OR) are used to interpret the impact of risk factors on the severity of e-bike collisions. The model comparison results show that RP-MNL outperforms FP-MNL, indicating that accommodating the unobserved heterogeneity across observations could improve the model fit. The model estimation results show that age, gender, e-bike behavior, license plate, bicycle type, location, and speed limit are statistically significant and associated with the severity of e-bike collisions. Furthermore, four risk factors, i.e., gender, e-bike behavior, bicycle type, and speed limit, are found to have heterogeneous effects on severity of e-bike collisions, appearing in the form of random parameters in the statistical model.
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 ».