Investigating the severity of non-urban road traffic accidents in typical regions of Sichuan and Guizhou, China
Notice bibliographique
Résumé
OBJECTIVE: The traffic characteristics of Sichuan and Guizhou differ from those of other regions due to its unique geographical features. In addition, accident studies in China mainly focus on urban roads in the eastern and central regions. However, studies on western regions, especially non-urban roads, are scarce. Thus, this study aims to explore the factors that influence the severity of accidents on non-urban roads in typical regions of Sichuan and Guizhou. METHODS: A total of 541 cases from 2014 to 2020 were selected from the database of the China In-Depth Accident Study, where 18 variables, which may exert an impact on accident severity, were extracted after screening. First, heterogeneity of data was eliminated through latent class analysis (LCA). The ordered probit (OP) model was then conducted for each class to obtain significant variables that exert an impact on accident severity. The study quantified the degree of influence of the significant variables using marginal effect analysis. RESULTS: The LCA results demonstrate that data were categorized into the following classes, namely, (a) two-vehicle accidents involving trucks, (b) pedestrian and multiple-vehicle accidents, (c) two-wheeler accidents, and (d) single-vehicle accidents. The OP results show that most variables could exert impact on accident severity, and some of them exerted varying levels of influence on the severity of different classes, whereas others only influence a specific class. CONCLUSION: According to this study, we obtained the accident characteristics of these regions and put forward some targeted suggestions to further improve the level of road traffic safety. The findings can provide support for the construction of transportation in line with the regional characteristics in China.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».