Managing the road safety risks of last mile deliveries: Do telematics have a role to play?
Notice bibliographique
Résumé
OBJECTIVE: The research aimed to understand the impact of telematics in reducing traffic violations and crashes among drivers working in parcel delivery and the perceived utility, effectiveness, and acceptability of telematics among drivers using them. The objective was to carry out an online survey among drivers who have telematics versus drivers who do not and compare their behaviors in terms of risks and violations controlling for key demographics an exposure. METHODS: An online anonymous survey was conducted of 780 home delivery drivers of which 430 used telematics in 2022. The survey was conducted by a fieldwork company and participants were compensated for their time. Univariate and multivariate analysis was conducted on the data. RESULTS: Telematics users did not report less crashes than drivers who did not use telematics. Most drivers, irrespective of telematics use agreed that the time pressure of delivery work increased speed limit violations and unsafe or hazardous parking. Multivariate analysis indicated that damage collisions for all drivers were associated with factors such as, driving medium to large vans, hazardous behavior related to parking, and having penalties for violations, especially related to speed. Delivery drivers, while generally facing pressure to speed and take risks to meet delivery schedules, did perceive telematics as a tool for safety enhancement and information dissemination, as well as for the management of performance. Non-telematics users viewed it with skepticism. CONCLUSIONS: Telematics alone may not ensure the safety of last-mile deliveries and could potentially increase the pressure of deliveries. This research underscores the need for a holistic approach to road safety in the home delivery sector, combining telematics technology with a proactive safety culture.
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 ».