E-scooter riders: A cross-cultural analysis of traffic safety attitudes and behaviors
Notice bibliographique
Résumé
The rapid adoption of electric scooters (e-scooters) has transformed urban mobility, offering a practical and flexible alternative to traditional transportation modes, particularly in areas with limited access to public transit. However, this rise in popularity has also brought about serious road safety concerns, particularly regarding risky behaviors such as riding under the influence of alcohol, carrying multiple passengers, and non-compliance with traffic regulations. While non-compliance with traffic regulations is not unique to e-scooter users, the combination of multiple risky behaviors observed among them may contribute to a higher likelihood of such violations. In addition, protective behaviors, such as helmet use, remain low among many riders, increasing injury risk in the event of a crash. This study aimed to analyze the prevalence of self-reported risky behaviors across various demographic groups and regions, and to assess factors contributing to the likelihood of unsafe e-scooter riding behavior. To achieve this, we used data from the third edition of the E -Survey of Road users' Attitudes (ESRA), focusing on responses from 39 countries worldwide. Descriptive analyses of self-reported data were conducted to examine e-scooter usage patterns and self-declared risky behaviors. Additionally, mixed-effects logistic regression models were employed to identify significant predictors of these behaviors, including gender, age, student status, crash history, and attitudes toward traffic laws. The results revealed that younger individuals and males are more likely to use e-scooters and engage in risky behaviors. Key factors influencing or associated with these behaviors included previous crash involvement, student status, and permissive attitudes toward safety regulations. The study highlights the need for targeted safety interventions that address infrastructural factors as well as behavioral factors, including demographic and attitudinal influences. This integrated approach can help policymakers develop more effective strategies to mitigate the risks associated with e-scooter use and enhance urban road safety.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».