Spatiotemporal disparities in macro-microscopic properties of motorcycle injury level
Notice bibliographique
Résumé
Motorcyclists in Florida face significantly higher rates of injuries and fatalities compared to national averages, highlighting the need for a better understanding of the contributing factors. This study addresses important gaps in existing literature by (1) integrating macro-level socio-demographic variables (such as population density, education, and poverty) with micro-level crash-specific factors (including rider behaviour, helmet use, and roadway conditions), and (2) utilising a novel partially temporally constrained random-parameters logit (RPL) model that accounts for heterogeneity in means and variances across different spatiotemporal dimensions. Using data from Florida between 2020 and 2022, counties were categorised into low-medium (LM) and high-risk (HR) groups based on crash frequency. The proposed methodology advances the analysis of crash severity by demonstrating the importance of spatial stratification (comparing LM and HR counties) for accurate policy insights. It also validates model robustness through transferability tests (χ² > 164, p < 0.001) and out-of-sample predictions. Key findings reveal significant spatiotemporal instability, including (1) Macro–micro interactions: In HR counties during the COVID-19 pandemic (2020), higher population density increased fatalities, whereas in 2021-2022, it appeared to reduce severity, suggesting behavioural shifts related to the pandemic. (2) Spatial disparities: Male riders in HR counties had a 6.95% higher likelihood of fatality compared to 0.60% in LM counties, underscoring the need for targeted enforcement. (3) Temporal variability: Helmet use decreased fatalities in LM counties but had mixed effects in HR counties, potentially due to risk compensation factors such as increased speeding. This research bridges theoretical and practical gaps by integrating macro and micro perspectives, presenting a replicable model for regional motorcycle safety planning, and highlighting the significance of spatiotemporal heterogeneity in traffic safety analyses.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».