Analysis of Factors Affecting the Severity of Injuries in Electric Two‐Wheeled Vehicle Crashes with or without Violation: A Random Parametric Logit Model considering Heterogeneity of Means and Variances
Notice bibliographique
Résumé
Electric two‐wheeled vehicle is one of the main commuting tools in China, but they are also more likely to have violations of the road group. In order to study the effect of the presence of violation on the severity of road traffic crashes among electric two‐wheeler riders, in this study, the effects of rider characteristics, road characteristics, collision characteristics, and environmental characteristics on the severity of injuries of electric two‐wheeled vehicle riders were considered separately analyzed based on the data of 6403 two‐wheeled electric vehicle traffic crashes in a region of Shandong Province from 2015 to 2021, and a random parametric logit model considering the heterogeneity of the mean and the variance (RP‐HMV logit) was established based on the presence or absence of violation behaviors of riders, respectively, in order to explore unobserved heterogeneity. In order to test the validity of the model for modeling the injury severity of pedestrians riding electric two‐wheelers, multinomial logit (MN‐logit model), and random parameter logit model (RP‐logit) were estimated, and the results showed that the RP‐HMV logit model was significantly superior in terms of goodness of fit. The study showed that some of the factors differed somewhat between the two scenarios, such as gender, while the factors that were significant in both scenarios were >60, broken pavement, street lights at night, no street lights at night, mixed motorized and nonmotorized lanes, sidewalks, other angles, no control, severe weather, and visibility <200 m, where the severe weather and visibility <200 m were random parameters obeying normal distributions, there is a significant difference between having street lights and no control at night in both scenarios, and the difference is significant. The results of the study can provide a reference for the development of targeted countermeasures to improve the traffic safety of electric two‐wheeled vehicles 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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,006 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».