Changes in Local Community Spatial Trends of Motor Vehicle Accidents Near Cannabis Dispensaries after Recreational Cannabis Legalization
Notice bibliographique
Résumé
Introduction: In recent years, the impact of recreational cannabis legalization (RCL) on road safety and motor vehicle accidents (MVAs) has become a growing area of research, given increasing cannabis legalization and the impact of cannabis on motor control and attention. In 2023, Connecticut legalized recreational cannabis, and this study explored changes in MVAs both in a statewide analysis and in the local vicinity of recreational cannabis dispensaries. Materials and Methods: We conducted an ecological study to assess the impact of recreational cannabis dispensaries on MVAs in Connecticut after legalization on January 10, 2023. Using crash data from Connecticut and Maryland (as a control) for two 24-week periods before and after legalization, we performed a difference-in-differences analysis with negative binomial regression, controlling confounders. At the dispensary level, we compared MVAs within an 800-m radius 8 weeks before and after opening, employing interrupted time series analysis with negative binomial mixed-effects regression models. Results: In the statewide analysis comparing Connecticut with Maryland over two 24-week periods before and after RCL in Connecticut, no significant effect on MVAs was found after adjusting for autocorrelation and seasonal variations (interaction term coefficient = −0.0391, p = 0.0696). In the local analysis, examining accident rates within an 800-m radius of 13 dispensaries over 8 weeks before and after their openings, the negative binomial mixed-effects model showed no significant change (incidence rate ratio = 1.10, 95% confidence interval: 0.74–1.64, p = 0.63). Discussion: These findings suggest that cannabis legalization and dispensary openings did not significantly impact motor vehicle accident rates during the study period.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».