Investigating Contributors to Hit‐and‐Run Violations in Urban River‐Crossing Road Tunnels: A Random Parameter Logit Model With Heterogeneity in Means
Notice bibliographique
Résumé
The hit‐and‐run caused a delay in medical assistance to the victim and posed a significant threat to the safety of drivers in road tunnels. This study investigates the potential factors contributing to drivers’ hit‐and‐run violations in river‐crossing tunnels. This paper built three models (the logit model, the random parameter logit model, and the random parameter logit model with heterogeneity in means) based on a dataset consisting of crashes reported in thirteen river‐crossing tunnels in Shanghai, China. Potential contributors from five aspects (offending drivers, vehicle conditions, tunnel characteristics, environmental conditions, and crash information) were explored. Results showed that the random parameter logit model with heterogeneity in means produced the highest fitting accuracy among the three models. Eight important variables (nighttime, single‐vehicle, multi‐vehicle, two‐wheeled vehicle, passenger car, heavy goods vehicle, rear‐end, and short tunnel) were found to affect hit‐and‐run violations significantly. The research has highlighted that nighttime and short tunnel increase the likelihood of hit‐and‐run and other variables are the opposite. The results of this study could provide useful information for the development of interventions to improve the level of safety in tunnels and reduce the rate of hit‐and‐run offenses.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».