Impacts of COVID-19 Pandemic Lockdown on Road Safety in Bangladesh
Notice bibliographique
Résumé
The purpose of this research is to demonstrate the trends of crashes, injuries, and fatalities under the effect of the lockdown and observe the deviation of these trends from the anticipated values that would have been seen without the impact of the lockdown. To that end, data on road collisions, injuries, and fatalities in Bangladesh were compiled over four years (from January 2016 to May 2020) using the dataset from the Accident Research Institute (ARI). The pre-pandemic and lockdown period during the pandemic were included in the selected study period. To compare the observed values of the number of crashes, injuries, and fatalities to the forecasted values, which were meant to show assumed conditions without the emergence of the COVID-19 pandemic, different Autoregressive Integrated Moving Average (ARIMA) time series models were developed for each first-level administrative divisions (Dhaka, Chattogram, Khulna, Barishal, Rajshahi, Sylhet, Rangpur, and Mymensingh). Due to the mobility restrictions, the observed number of collisions, injuries, and deaths remained below the expected values, with a discernible high difference throughout the entire lockdown in Dhaka and Chattogram. In contrast, in the case of other divisions (Khulna, Barishal, Rajshahi, Sylhet, Rangpur, and Mymensingh), it remained under the expected trend for most of the lockdown period but not entirely. The mobility was not eliminated, resulting in a non-zero crash, injury, and fatality records across all divisions. In multiple instances, we observed that actual collision, injury, and fatality rates were higher than expected. Additionally, various divisions exhibited varying patterns of crashes, injuries, and fatalities during stay-at-home orders. Poor performance has been noted in terms of overall road safety during the pandemic era. Given the possibility of future waves of COVID-19 cases and other pandemics, the results of the current study can be used by local authorities and policymakers to improve 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».