Application of a novel hybrid multigroup statistical approach to investigate the factors affecting crash severity
Notice bibliographique
Résumé
Identifying the complex relationships contributing to crash severity is vital for effective road safety strategies but can be challenging. This study explores a hybrid Structural Equation Modeling/Fuzzy-set Qualitative Comparative Analysis (SEM-FsQCA) technique to analyze these relationships, including moderation effects. By integrating SEM and FsQCA to offer a more comprehensive analysis, it overcomes a key challenge of traditional methods-the inability to simultaneously address complex causal relationships and interaction effects. Also investigated was the potential of the Synthesizing Minority Oversampling Technique (SMOTE) for addressing the inherently imbalanced nature of the crash severity and other data used for the analysis. Utilizing a database of Ohio collector roads as a case study, a multigroup analysis was also implemented to analyze factors in lower and higher-income neighbourhoods, which were characterized by imbalanced samples, and assess how combinations of road and environmental variables affect crash severity on roads adjacent to these two neighbourhoods. The SEM results indicated that, regardless of the neighbourhood income level, age, percentage of grade, the proportion of the population having a diploma or higher, horizontal curve, and speed limit all significantly affect crash severity. Those results did indicate that the effects of independent and moderating variables are significantly different for the two neighbourhoods. Using FsQCA, the causal configurations leading to higher crash severity were explored for the two neighbourhood categories. The results of the case study revealed that crash prevention measures could be more effectively developed for crashes based on the income level of neighbourhoods adjacent to the collector roads investigated.
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 | 0,001 |
| 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 ».