Low Traffic Neighbourhoods in London reduce road traffic injuries: a controlled before-and-after analysis (2012–2024)
Notice bibliographique
Résumé
BACKGROUND: Between 2015 and 2024, 113 Low Traffic Neighbourhoods (LTNs) were implemented across Greater London, with 27 subsequently removed. We investigated their impacts on road traffic injuries inside LTNs and on 'boundary roads' immediately surrounding the LTNs. METHODS: We matched police-recorded injuries from STATS19 data to Ordnance Survey road links that were spatially intersected with LTNs/boundary roads. Conditional fixed-effects Poisson regression models used the number of injuries per road link per quarter of each year (January 2012 to June 2024) to test whether LTN implementation was associated with changes in injury rates. RESULTS: LTN implementation was associated with a 35% (95% CI 29% to 40%; p<0.001) decrease in all injuries and a 37% (95% CI 24% to 48%; p<0.001) decrease in people Killed or Seriously Injured (KSI). Injuries decreased across a range of casualty and LTN characteristics. However, there was evidence of a smaller benefit in LTNs implemented in Outer London since 2020. Following the removal of an LTN, injury numbers increased back to pre-intervention levels. On boundary roads, there was no evidence of a change in total injury numbers (estimate -2%, 95% CI -5% to +2%) or KSI injury numbers (estimate 0%, 95% CI -7% to +8%). This reflected decreased numbers of injuries on boundary roads for cyclists and motorcyclists, and no change for pedestrians and other motor vehicle users. CONCLUSION: LTNs in London reduced road traffic injuries among all road users inside the LTN areas, with no evidence of overall impact (and for cyclists and motorcyclists a benefit) on boundary roads.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».