Risk Perception of Vehicle-to-Vehicle Vendors and General Pedestrians: A Comparative Study
Notice bibliographique
Résumé
Pedestrians account for 65% of all traffic fatalities worldwide. A sub-category of pedestrians is vehicle-to-vehicle vendors, who pose a concern in countries with rapid motorization. For example, 70% of traffic fatalities in Nigeria involve general pedestrians and vendors. Previous studies have highlighted vendors’ heterogeneous road crossing and car-following behaviors. Furthermore, they create a nuisance for general pedestrians. This study contrasts the risk perception of vehicle-to-vehicle vendors and general pedestrians and analyzes grouped and ungrouped illegal crossings of vendors. A questionnaire survey was developed, based on a literature review and expert knowledge, to identify variables associated with risk perception. Interviews based on a questionnaire were conducted in various locations in Dhaka, Bangladesh, which collected 1,019 responses containing information on the respondents’ demographic attributes, risk perception, aggressive behavior, near-crash experiences, and accepted yielding distances. Next, ordinal logit/probit and complementary log-log models were employed to analyze the data. The findings revealed that vehicle-to-vehicle vendors had a lower risk perception than general pedestrians. It also indicated that vendors would take a higher risk than general pedestrians. Furthermore, vendors jaywalking alone had a significantly lower perception of risk. Finally, gender, age, education, accepted yielding distance, and aggressive behavior were the most prominent factors affecting vendors’ risk perception. Gradually separating vendors from the traffic system by shifting them to proper street markets could be a critical solution.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».