Differential impacts of ridesharing on alcohol-related crashes by socioeconomic municipalities: rate of technology adoption matters
Notice bibliographique
Résumé
BACKGROUND: An emergent group of studies have examined the extent under which ridesharing may decrease alcohol-related crashes in countries such as United States, United Kingdom, Brazil, and Chile. Virtually all existent studies have assumed that ridesharing is equally distributed across socioeconomic groups, potentially masking differences across them. We contribute to this literature by studying how socioeconomic status at the municipal level impacts Uber's effect on alcohol-related crashes. METHODS: We use data provided by Chile's Road Safety Commission considering all alcohol-related crashes, and fatal and severe alcohol-related injuries that occurred between January 2013 and September 2013 (before Uber) and January and September 2014 (with Uber) in Santiago. We first apply spatial autocorrelation techniques to examine the level of spatial dependence between the location of alcohol-related crashes with and without Uber. We then apply random-effects meta-analysis to obtain risk ratios of alcohol-related crashes by considering socioeconomic municipality differences before and after the introduction of Uber. RESULTS: In both analyses, we find that the first 9 months of Uber in Santiago is associated with significant rate ratio decreases (RR = 0.71 [95% Confidence Interval (C.I.) 0.56, 0.89]) in high socioeconomic municipalities in all alcohol-related crashes and null (RR = 1.10 [95% C.I. 0.97, 1.23]) increases in low socioeconomic municipalities. No concomitant associations were observed in fatal alcohol-related crashes regardless of the socioeconomic municipality group. CONCLUSIONS: One interpretation for the decline in alcohol-related crashes in high socioeconomic municipalities is that Uber may be a substitute form of transport for those individuals who have access to credit cards, and thus, could afford to pay for this service at the time they have consumed alcohol. Slight increases of alcohol-related crashes in low socioeconomic municipalities should be studied further since this could be related to different phenomena such as increases in alcohol sales and consumption, less access to the provision of public transport services in these jurisdictions, or biases in police reports.
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 | 0,010 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,007 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».