Vehicle Size and Risk of Side-Impact Collisions: A Case Control Study in Toronto and Montreal
Notice bibliographique
Résumé
Vehicle size has long been a concern in traffic crashes when examining the risks of injury to vehicle occupants. It has less frequently been examined as a risk factor for crashing in the first place. This report describes a case-control study of 61 side-impact crashes in Toronto and Montreal to see which vehicle characteristics are associated with crash risk. The crashes were part of the on-going Transport Canada project of detailed crash investigations of side-impact crashes. For each vehicle, observers returned to the site of the crash and identified four control vehicles traveling in the same direction as each of the two crashing vehicles. From the license numbers of these vehicles, the authors obtained the Vehicle Information Number (VIN) and thereby details of engine size, wheelbase, curb weight and other specifications of each vehicle. The paper used conditional logistic regression to compare crashing vehicles and their matched controls and estimate the odds of crashing as a function of vehicle characteristics; when required, separate odds were estimated for struck and striking vehicles. Several vehicle characteristics were associated with crash risk; however, many were significantly different for struck and striking vehicles. For example, engine size had increased odds of crashing as a striking vehicle (OR = 1.74 per 1000 cc.) but decreased odds of crashing as a target vehicle (OR = 0.72 per 1000 cc.). Safety factors, such as anti-lock brakes and traction control showed a substantial protective effect for both target and bullet vehicles. The explanation for these findings may relate to conspicuity; it may also relate to the ways vehicle size and power affect driver behavior at intersections and in other situations where traffic conflicts occur. The case-control method described in this study is relatively simple as well as economical. It is a useful method to evaluate road safety and vehicle characteristics without the need for large detailed databases maintained in many developed countries.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».