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 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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».