Please use this identifier to cite or link to this item: https://hdl.handle.net/10419/319076 
Year of Publication: 
2025
Series/Report no.: 
Ruhr Economic Papers No. 1157
Publisher: 
RWI - Leibniz-Institut für Wirtschaftsforschung, Essen
Abstract: 
This study presents an exploratory analysis of the key factors contributing to fatal and severe crashes on German motorways. We employ Poisson and Negative Binomial regression models, combined with Lasso regularization and stability selection, to explore model specifications incorporating potentially many interaction terms and polynomials. Utilizing an extensive data set including rich geo-spatial characteristics for 500-meter segments covering large parts of the German motorway network, key variables influencing crash frequency are uncovered. To obtain correct standard errors post variable selection, we split the data into separate samples for model selection and parameter estimation. Our results indicate that the inclusion of a limited number of higher-order terms significantly improves the regression formulation. Robustness checks confirm the stability of these findings. The results offer clearer insights into the key crash determinants and are more computationally feasible than simulation-based methods commonly used in accident research.
Abstract (Translated): 
Diese Studie präsentiert eine explorative Analyse von Schlüsselfaktoren, die zu tödlichen und schweren Unfällen auf deutschen Autobahnen beitragen. Wir verwenden Poisson- und Negativ-Binomial-Regressionen, kombiniert mit Lasso-Regularization und Stability Selection, um Modellspezifikationen mit potenziell zahlreichen Interaktionstermen und Polynomen zu untersuchen. Basierend auf einem umfangreichen Datensatz, der raumbezogene Merkmale für 500-Meter-Abschnitte des deutschen Autobahnnetzes enthält, werden zentrale Variablen identifiziert, die die Unfallhäufigkeit beeinflussen. Um korrekte Standardfehler nach der Variablenselektion zu gewährleisten, teilen wir die Daten in separate Stichproben für Modellauswahl und Parameterschätzung. Unsere Ergebnisse zeigen, dass die Einbeziehung einer begrenzten Anzahl Terme höherer Ordnung die Regressionsformulierung signifikant verbessert. Robustheitstests bestätigen die Stabilität dieser Erkenntnisse. Die Resultate bieten Einblick in die zentralen Unfalldeterminanten und sind rechnerisch effizienter als simulationsbasierte Methoden, die in der Unfallforschung üblicherweise eingesetzt werden.
Subjects: 
Road safety
crash frequency
lasso regression
machine learning
stability selection
JEL: 
C52
H10
R41
Persistent Identifier of the first edition: 
ISBN: 
978-3-96973-341-7
Document Type: 
Working Paper

Files in This Item:
File
Size





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.