State or market? How to effectively decrease alcohol-related crash fatalities and injuries
Notice bibliographique
Résumé
BACKGROUND: It is estimated that more than 270 000 people die yearly in alcohol-related crashes globally. To tackle this burden, government interventions, such as laws which restrict blood alcohol concentration (BAC) levels and increase penalties for drunk drivers, have been implemented. The introduction of private-sector measures, such as ridesharing, is regarded as alternatives to reduce drunk driving and related sequelae. However, it is unclear whether state and private efforts complement each other to reduce this public health challenge. METHODS: We conducted interrupted time-series analyses using weekly alcohol-related traffic fatalities and injuries per 1 000 000 population in three urban conglomerates (Santiago, Valparaíso and Concepción) in Chile for the period 2010-2017. We selected cities in which two state interventions-the 'zero tolerance law' (ZTL), which decreased BAC, and the 'Emilia law' (EL), which increased penalties for drunk drivers-were implemented to decrease alcohol-related crashes, and where Uber ridesharing was launched. RESULTS: In Santiago, the ZTL was associated with a 29.1% decrease (95% CI 1.2 to 70.2), the EL with a 41.0% decrease (95% CI 5.5 to 93.2) and Uber with a non-significant 28.0% decrease (95% CI -6.4 to 78.5) in the level of weekly alcohol-related traffic fatalities and injuries per 1 000 000 population series. In Concepción, the EL was associated with a 28.9% reduction (95% CI 4.3 to 62.7) in the level of the same outcome. In Valparaíso, the ZTL had a -0.01 decrease (95% CI -0.02 to -0.00) in the trend of weekly alcohol-related crashes per 1 000 000 population series. CONCLUSION: In Chile, concomitant decreases of alcohol-related crashes were observed after two state interventions were implemented but not with the introduction of Uber. Relationships between public policy interventions, ridesharing and motor vehicle alcohol-related crashes differ between cities and over time, which might reflect differences in specific local characteristics.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,002 |
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 ».