Road safety for fleets of vehicles
Notice bibliographique
Résumé
Road safety for fleets of vehicles has been neglected in the insurance literature, mainly because appropriate data and methodology were not available. This article makes a threefold contribution: 1) Produce statistics on current fleets’ road safety offences and accidents using a panel of 20 years of data on truck fleets; 2) relate fleets’ offences to accidents; and 3) identify and classify the riskiest fleets for insurance ratemaking based on past experience in managing road safety. Our main technical innovation to the insurance literature is in the estimation of fleets’ distributions of accidents. For each fleet size (or group of sizes), we estimate the parameters of the negative binomial (NB) distribution of the annual number of accidents according to the characteristics of the fleets, the years, and the number of driver (DRV) and carrier (CAR) road safety violations accumulated in the previous year. When the NB model does not accurately predict the mathematical expectation of the number of accidents of larger fleets, we proceed in two steps. First, we estimate the probability of having zero accidents in a year, and then estimate the negative binomial distribution using the estimated probability of having zero accidents, to weight the zeros of each fleet. To achieve our third objective, we construct risk classes for the vehicle fleets using the predicted accident probabilities obtained from the estimated models. Our results show a substantial heterogeneity between fleets in terms of road safety. This information should be very useful for optimal insurance pricing and better incentives for road safety.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».