Did the cannabis recreational use law affect traffic crash outcomes in Toronto? Building evidence for the adequate number of authorised cannabis stores' thresholds
Notice bibliographique
Résumé
INTRODUCTION: In the past decade, a group of studies has begun to explore the association between cannabis recreational use policies and traffic crashes. After these policies are set in place, several factors may affect cannabis consumption, including the number of cannabis stores (NCS) per capita. This study examines the association between the enactment of Canada's Cannabis Act (CCA) (18 October 2018) and the NCS (allowed to function from 1 April 2019) with traffic injuries in Toronto. METHODS: We explored the association of the CCA and the NCS with traffic crashes. We applied two methods: hybrid difference-in-difference (DID) and hybrid-fuzzy DID. We used generalised linear models using CCA and the NCS per capita as the main variables of interest. We adjusted for precipitation, temperature and snow. Information is gathered from Toronto Police Service, Alcohol and Gaming Commission of Ontario, and Environment Canada. The period of analysis was from 1 January 2016 to 31 December 2019. RESULTS: Regardless of the outcome, neither the CCA nor the NCS is associated with concomitant changes in the outcomes. In hybrid DID models, the CCA is associated with non-significant decreases of 9% (incidence rate ratio 0.91, 95% confidence interval 0.74,1.11) in traffic crashes and in the hybrid-fuzzy DID models, the NCS are associated with nonsignificant decreases of 3% (95% confidence interval - 9%, 4%) in the same outcome. DISCUSSION AND CONCLUSIONS: This study observes that more research is needed to better understand the short-term effects (April to December 2019) of NCS in Toronto on road safety outcomes.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».