The Application Of Seemingly Unrelated Equations Technique To Explore Surrogate Measures In Road Safety
This presentation discusses the application of Seemingly Unrelated Regression (SUR) in highway safety. Traditional road safety metrics rely on collision data involving fatalities, injuries, or property damage, but this data often has quality and availability limitations. To address these gaps, surrogate safety measures, including subjective safety perceptions, have been introduced for more proactive risk assessment. Establishing the link between objective collision data and subjective perceptions is essential. A case study from Western Canada is presented where both data types were jointly analyzed using SUR framework. Macro-level collision prediction models were developed, and relative risks (RRs) derived from model parameters identified key risk factors. When subjective and objective RRs aligned, it suggested perceptions could reliably indicate actual collision risk. This approach offers a valuable tool for clarifying how well perceived safety reflects real-world collision patterns.
Application de la technique des équations apparemment sans rapport aux mesures de substitution en matière de sécurité routière
Cette présentation traite de l'application de la régression apparemment sans rapport (SUR) dans le domaine de la sécurité routière. Les mesures traditionnelles de la sécurité routière s'appuient sur des données de collisions impliquant des décès, des blessures ou des dommages matériels, mais ces données présentent souvent des limites en termes de qualité et de disponibilité. Pour combler ces lacunes, des mesures de sécurité de substitution, y compris des perceptions subjectives de la sécurité, ont été introduites pour une évaluation plus proactive des risques. Il est essentiel d'établir le lien entre les données objectives sur les collisions et les perceptions subjectives. Nous présentons une étude de cas de l'ouest du Canada dans laquelle les deux types de données sont analysés conjointement dans un cadre SUR. Nous développons des modèles de prédiction des collisions au niveau macro; les risques relatifs (RR) dérivés des paramètres du modèle permettent d'identifier les principaux facteurs de risque. Lorsque les RR subjectifs et objectifs s'alignent, cela suggère que les perceptions indiquent le risque réel de collision de manière fiable. Cette approche constitue un outil précieux pour clarifier dans quelle mesure la sécurité perçue reflète les schémas de collision réels.
Session
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais