Assessing the effect of automated speed enforcement and comprehensive measures on road safety in Rwanda
Notice bibliographique
Résumé
OBJECTIVES: Daily, approximately 3,400 traffic-related deaths occur globally, with over 90% concentrated in low and middle-income countries (LMICs). Notably, Rwanda has one of the highest road traffic death rates in the world (29.7 per 100,000 people) and is the first low-income country to implement a national Automated Speed Enforcement (ASE) policy. The primary goal of this study is to evaluate the effectiveness of ASE cameras in reducing the primary outcome of road traffic deaths and secondary outcomes of serious injury crashes and fatal crashes. METHODS: The study used data on road traffic deaths, and serious injury and fatal crashes collected by the Rwanda National Police between 2010 and 2022. Interrupted time series (ITS) models were fit to quantify the association between ASE and change in road traffic crash outcomes, adjusted for COVID-19-related variables (such as the start of the pandemic, the closure of schools and bars), along with exposure variables (such as GDP and population), and other concurrent road safety measures (such as road safety campaigns). RESULTS: The ITS models show that the implementation of ASE cameras significantly reduced road traffic deaths, serious injury crashes, and fatal crashes at the provincial level. For instance, the implementation of ASE cameras in the whole of Rwanda in April 2021 was significantly associated with a 0.14 (95% CI [0.072, 0.212]) reduction in monthly death incidence, equating to a 38.16% monthly decrease compared to the period before their installation (January 2010-March 2021). CONCLUSION: This study emphasizes the significant association of ASE in Rwanda with improved road traffic crash outcomes, a result that may inform road safety policy in other LMICs. Rwanda has become the first low-income country to implement nationwide scaling of ASE in Africa, paving the way for the generation of valuable evidence on speed-related interventions. In addition to new knowledge generation, African road safety research efforts like this one are opportunities to grow academic and law enforcement cooperations while improving data systems and sources for future research benefits.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».