Lower Volumes, Higher Speeds: Changes to Crash Type, Timing, and Severity on Urban Roads from COVID-19 Stay-at-Home Policies
Notice bibliographique
Résumé
Stay-at-home policies in response to COVID-19 transformed high-volume arterials and highways into lower-volume roads, and reduced congestion during peak travel times. To learn from the effects of this transformation on traffic safety, an analysis of crash data in Ohio's Franklin County, U.S., from February to May 2020 is presented, augmented by speed and network data. Crash characteristics such as type and time of day are analyzed during a period of stay-at-home guidelines, and two models are estimated: (i) a multinomial logistic regression that relates daily volume to crash severity; and (ii) a Bayesian hierarchical logistic regression model that relates increases in average road speeds to increased severity and the likelihood of a crash being fatal. The findings confirm that lower volumes are associated with higher severity. The opportunity of the pandemic response is taken to explore the mechanisms of this effect. It is shown that higher speeds were associated with more severe crashes, a lower proportion of crashes were observed during morning peaks, and there was a reduction in types of crashes that occur in congestion. It is also noted that there was an increase in the proportion of crashes related to intoxication and speeding. The importance of the findings lay in the risk to essential workers who were required to use the road system while others could telework from home. Possibilities of similar shocks to travel demand in the future, and that traffic volumes may not recover to previous levels, are discussed, and policies are recommended that could reduce the risk of incapacitating and fatal crashes for continuing road users.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».