Road Traffic Injuries, Trends, and Patterns: A Five-Year Retrospective Analysis Using Secondary Police Data in Nepal
Notice bibliographique
Résumé
Introduction: Road traffic accidents are a major public health concern in Nepal, causing significant morbidity and mortality. The study goal was to determine the trends of road traffic injuries in Nepal from Fiscal Years 2020/21 to 2024/25 (mid-July 2020 - mid-July 2025). Methods: A descriptive retrospective study was conducted to analyze de-identified and pooled road traffic accident records from Nepal, following receipt of ethical clearance from the Nepal Health Research Council (ERB no. 607_2025). Data were analyzed using Microsoft Excel 2019. Results: The findings show that road traffic accidents have shown an apparent spike from FY 2020/21 to 2024/25, with both vehicle collisions and accident incidences ascended significantly. Reported vehicle crashes rose from 33135 in FY 2020/21 to 43165 in FY 2024/25, while total RTAs increased from 20640 to 28692 over the same period. RTAs surged in six provinces of Nepal. Two-wheelers, four-wheelers, and public transport vehicles accounted for the majority of incidents. Speeding 46398 (44.08%), mechanical failure 1173 (39.14%), potholes 685 (21.69%), pedestrian road crossings 5523 (79.55%), and unfavourable weather conditions like fog and mist 122 (26.23%) were major contributing factors. Although injuries increased significantly, fatality rates did not rise in same proportion. Conclusions: The results show that road traffic accidents are becoming more common in Nepal, especially involving motorbikes, four-wheelers, and public vehicles. Reducing accident rates and their effects may require increased road safety enforcement, better infrastructure, and awareness-raising initiatives.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| 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 | 0,000 | 0,000 |
| 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 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 ».