Influence of non-pharmaceutical COVID-19 interventions on speed-related and alcohol-related traffic injuries in five cities of the province of Québec, Canada
Notice bibliographique
Résumé
INTRODUCTION: Understanding the impact of non-pharmaceutical COVID-19 interventions (NPIs) on road safety has become increasingly important to uncover the unintended consequences of the pandemic. This study explores how NPIs influenced alcohol-related and speed-related traffic collisions, including fatalities and serious injuries, in five cities of the province of Québec, Canada: Montréal, Québec, Laval, Longueuil and Sherbrooke. METHODS: We performed Poisson interrupted time-series analyses using daily traffic fatality and injury data from 2015 to 2022, to assess the change in rate expressed per 10 000 population. A Québec COVID-19 NPIs Index was applied, incorporating 58 interventions enacted from March 2020 to March 2022 in these cities. We accounted for weather conditions and seasonal patterns and divided the pandemic period into four semesters to better understand changes over time. RESULTS: The analysis revealed a nuanced interaction between NPIs and road safety. Alcohol-related injuries decreased during stringent NPIs, particularly in Montréal, Québec city and Longueuil. In contrast, the effects on speed-related incidents were mixed, with Montréal and Laval, showing increases and the other three cities displaying no meaningful changes across the four semesters. CONCLUSIONS: These findings highlight the necessity for ad hoc road safety strategies that address specific patterns of alcohol consumption and speeding risks during future pandemic-related disruptions.
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 ».