Does ridesharing affect road safety? the introduction of Moto-Uber and other factors in the Dominican Republic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Annually, more than 379 000 motorcycle occupants across the world die in motor-vehicle collisions—84% of these fatalities occurred in Low- and Middle-Income countries. Recent studies suggest that the Uber’s four-wheeler ride-sharing service (UberCAR) may reduce traffic fatalities. However, research has not considered how Uber’s two-wheeler ridesharing service (UberMOTO) might affect traffic-motorcycle fatalities. Monthly counts of car occupant and motorcycle fatalities from the Dominican Republic, a country in which both Uber services have been introduced, were collected from the Ministry of Public Health. We conducted interrupted time-series analyses using monthly traffic fatalities per 100,000 population for the period 2012–2018. We studied Santo Domingo and Santiago, the only two cities in which UberCAR and UberMOTO were launched in different times. The introduction of UberMOTO was associated with a 0.16 short-term decrease (95% CI -0.29 to −0.05) in the level of monthly motorcycle fatalities per 100,000 population in Santo Domingo, and a 0.34 decrease (95% CI −0.68, 0.00) in Santiago. UberCAR was associated with an increase of 0.03 (95% CI −0.06 to 0.13) in the level of monthly car occupant fatalities per 100,000 population in Santo Domingo, and with a 0.20 increase (95% CI 0.05 to 0.35) in Santiago. After Santo Domingo and Santiago introduced UberMOTO and UberCAR services, we observed short-term decreases in motorcycle fatalities and abrupt increases in car fatalities, respectively. These associations of ridesharing services with traffic fatalities vary between cities and over time, which might reflect differences in specific city features, including characteristics of the vehicle fleet and public transportation systems.
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.
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 | 0,002 |
| 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 découle