Advancing knowledge on speed management and developing a speed prediction model for a mixed traffic

Road traffic fatalities and injuries pose a significant global challenge, particularly in low- and middle-income countries (LMICs), where a major cause is consistently linked to speeding (i.e., excessive or inappropriate speeds). Meanwhile, LMICs continue to face challenges in managing speeding risks. Part of the problem is the absence of knowledge on speed management that can guide effective policies, with LMICs frequently resorting to adopting solutions from high-income countries (HICs), which may not always be suitable for their unique contexts. Critical gaps in the literature include a lack of robust speed prediction models suitable for LMICs, a lack of synthesis and understanding of the role of speeding in contributing to crashes and fatalities, and unclear linkages between speed management and various transport externalities, including emissions, congestions, and road user behaviour. This thesis aimed to fill these gaps through two principal objectives: (1) to synthesize and enhance knowledge on speed, speed management, and speed outcomes under different thematic areas of speed with an emphasis on LMICs; (2) to calibrate and validate a generalized and transferable desired speed prediction model for mixed traffic to predict mean and operating speeds on both urban and rural LMIC roads. The methodology of this thesis combined various literature reviews, quantitative synthesis, and empirical data analysis to achieve its objectives. Literature reviews, including exploratory, scoping, and systematic reviews, were conducted to synthesize existing research on speed-related issues. This was complemented by quantitative synthesis to synthesize estimates. For the development of speed models, data on the spot speed of 39,413 vehicles and road attributes were collected at 64 sites across five LMICs, including Argentina, Colombia, Ecuador, Kenya, and Uganda. This data was used to calibrate and validate the models using robust multilevel modeling techniques (MLM) and multiple linear regression (MLR). Multilevel models were particularly used to address the hierarchical nature of the data and to account for within-group dependencies and between-group variability. The results of the quantitative synthesis showed that speeding contributes to approximately 54% of fatalities worldwide, 57% in LMICs, and 28% in HICs and that reducing speed limits had positive impacts on emissions in both high-speed and low-speed environments. The results of the empirical analysis revealed distinct speed hierarchies and variabilities of vehicle types between rural and urban areas. The rural MLR models identified posted speed limit, access point density, lane width, and land use type as significant predictors, with high explanatory power. Urban models had fewer significant predictors but still achieved good performance. A combined rural-urban model performed well overall but had larger validation errors than the rural and urban models. In both rural and urban settings, all-vehicle models outperformed car-only models. The MLM highlighted the importance of considering the hierarchical nature of the data, as they revealed significant country-level effects on individual driver speeds. This country effect was not significant for aggregated speed data models, however, underscoring the issue of ecological fallacy. All models were validated on an independent data set from the five countries. These findings advance the understanding and knowledge of speed management issues in LMICs and provide evidence-based, LMIC-focused solutions, and reliable and adaptable speed prediction models that transportation practitioners and policymakers can use to improve road safety in LMICs, and globally.

Gli incidenti stradali e le lesioni a essi correlate rappresentano una significativa sfida globale, in particolare nei Paesi a basso e medio reddito (LMICs), dove una delle principali cause è prevalentemente legata all'eccesso di velocità (eccessiva o inadeguata). Nel frattempo, i LMICs continuano ad affrontare le sfide nel gestire i rischi legati all'eccesso di velocità. Parte del problema è legata all'assenza di conoscenze sulla gestione della velocità che possano alimentare politiche efficaci, con i LMICs che ricorrono frequentemente all'adozione di soluzioni dai Paesi ad alto reddito (HICs), non sempre adatte ai loro contesti unici. Le lacune critiche riscontrabili nella letteratura includono la mancanza di modelli considerevoli di previsione della velocità adatti ai LMICs, la mancanza di sintesi e comprensione del ruolo dell'eccesso di velocità nel contribuire agli incidenti e alle vittime, e collegamenti poco chiari tra la gestione della velocità e le varie caratteristiche del trasporto, tra cui le emissioni, il tempo di viaggio e il comportamento degli utenti della strada. Lo scopo di questa tesi è quello di colmare queste lacune attraverso due obiettivi principali: (1) sintetizzare e migliorare le conoscenze sulla velocità, la gestione della velocità e i risultati della velocità in diverse aree tematiche della velocità, con un focus sui LMICs; (2) calibrare e convalidare un modello generalizzato e trasferibile di previsione della velocità desiderata per il traffico misto, al fine di prevedere le velocità medie e operative sia sulle strade urbane che rurali dei LMICs. La metodologia di questa tesi combina diverse revisioni della letteratura, sintesi quantitative e analisi dei dati empirici per raggiungere i suoi obiettivi. Sono state condotte revisioni della letteratura, tra cui analisi esplorative e sistematiche, per sintetizzare la ricerca esistente su questioni legate alla velocità. Ciò è stato possibile mediante una sintesi quantitativa sulle stime. Per lo sviluppo dei modelli di velocità, sono stati raccolti dati sulla velocità istantanea di 39.413 veicoli e attributi stradali in 64 siti in cinque LMICs, tra cui Argentina, Colombia, Ecuador, Kenya e Uganda. Questi dati sono stati utilizzati per calibrare e convalidare i modelli utilizzando robuste tecniche di modellazione multilivello (MLM) e regressione lineare multipla (MLR). I modelli multilivello sono stati particolarmente utilizzati per affrontare la natura gerarchica dei dati e per tener conto delle dipendenze all'interno del gruppo e della variabilità tra i gruppi. I risultati della sintesi quantitativa evidenziano che l'eccesso di velocità contribuisce a circa il 54% delle vittime in tutto il mondo, al 57% nei LMICs e al 28% nei HICs, e che la riduzione dei limiti di velocità ha avuto impatti positivi sulle emissioni sia in ambienti ad alta velocità che a bassa velocità. I risultati dell'analisi empirica hanno rivelato gerarchie di velocità distinte e variabilità dei tipi di veicoli tra le aree rurali e urbane. I modelli MLR rurali hanno messo in luce il limite di velocità segnalato, la densità dei punti di accesso, la larghezza della corsia e il tipo di uso del suolo come predittori significativi, con un'elevata potenza esplicativa. I modelli urbani hanno mostrato meno predittori significativi, ma hanno comunque ottenuto buone prestazioni. Un modello combinato rurale-urbano ha fornito buone prestazioni complessive, ma ha fatto registrare errori di convalida più grandi rispetto ai modelli rurali e urbani. In entrambi i contesti rurali e urbani, i modelli per tutti i veicoli hanno superato i modelli basati solo su automobile. La MLM ha evidenziato l'importanza di considerare la natura gerarchica dei dati, poiché ha rivelato significativi effetti a livello nazionale sulle velocità dei singoli conducenti. Tuttavia, questo effetto non si è rivelato significativo per i modelli aggregati dei dati di velocità, sottolineando il problema della fallacia ecologica. Tutti i modelli sono stati convalidati su un set di dati indipendente dai cinque Paesi presi in considerazione. Tali risultati mettono in risalto la comprensione e la conoscenza delle questioni legate alla gestione della velocità nei LMICs e forniscono soluzioni basate su evidenze e orientate ai LMICs e modelli di velocità affidabili e adattabile che i professionisti dei trasporti e i responsabili delle politiche possono utilizzare per migliorare la sicurezza stradale nei LMICs e globalmente.