Exploring the Impact of Climate Change on Road Fatalities: A Macroscopic Panel Data Analysis
Notice bibliographique
Résumé
The present road traffic safety situation faces significant challenges. Examining the influences of diverse contributing factors on road traffic crashes is of crucial importance. However, different factors may have different influences as the change of location and time and the neglect of potential heterogeneity while modelling the frequency of traffic crashes may lead to biases in parameter estimation and incorrect inference. To address the unobserved spatiotemporal heterogeneity and accurately explore the correlations between contributing factors and fatal traffic crashes, a fixed effects panel model with structural breaks is applied to identify the influences of crucial factors on fatal traffic crashes from a macroscopic level. A multisource dataset, including fatal crash numbers, socioeconomic factors, laws and regulations and climate factors is collected from the United States spanning 45 years (from 1977 to 2021). The climate change events (i.e., El Niño–Southern Oscillation phenomena) are examined for their influences on fatal traffic crashes. The experimental results illustrate that high temperatures and frequent meteorological disasters have increasing impacts on fatal crash numbers. High precipitation shows a decreasing one from a macroscope level because of the lagged effect of precipitation on crashes across days. Particularly, the climate change events (including EP E1 Niño, CP E1 Niño and La Niña) represent an adverse impact on road traffic safety. Additionally, the states with similar meteorological characteristics are categorized as high temperature, high precipitation and frequent meteorological disaster subsets for separate analysis. Under these subsets, rural trip proportion becomes a more pronounced factor that affects fatal road traffic crashes, and helmet laws are more efficient in reducing fatal crash frequency. The research findings reveal an increasingly complex road traffic safety environment in the context of global warming, offering valuable perspectives for enhancing road traffic 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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».