Monitoring day and dark traffic collisions in Toronto neighbourhoods with implications for injury reduction and Vision Zero initiatives: A spatial analysis approach
Notice bibliographique
Résumé
• Vision Zero policy improves road safety and reduces traffic accidents and injuries. • Shared-component spatial modeling identifies area-specific risks in day and dark. • Space & time analysis identifies area-specific and mean area trends of injuries. • Bayesian probability estimation and GIS show spatiotemporal hotspots & cold spots. • Spatial epidemiology of socioeconomic, deprivation, & marginalization risk factors. The City of Toronto adopted a Vision Zero strategy in 2016 that aims to eliminate deaths and serious injuries from vehicular collisions. The strategy includes policies to improve lighting to reduce collision risks, and past research has suggested lighting as a road safety factor. We apply Bayesian spatial analysis (including Poisson log-normal regression modelling, shared component spatial modelling, and Bayesian spatiotemporal modelling) to publicly available data on traffic collisions where persons are killed or seriously injured (KSI) based on Day/Dark conditions. We assess (1) links between KSI risk and socioeconomic and built environment factors, (2) spatial distributions of relative Day & Dark KSI risk, and (3) area-specific trends in space and time for Day-Dark KSI risk change across Toronto neighbourhoods. Our analysis does not find significant associations between socioeconomic/built environment factors and KSI risk, but we uncover neighbourhoods with heightened Dark KSI risk and pronounced Day-Dark KSI changes compared to Toronto’s mean area trend. Findings highlight the need for increased policy attention for impacts of lighting on collisions and provide insight for focus regions for improved Vision Zero policy development.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».