• 1. 绪论
  • 1.1 研究背景与修订说明
  • 1.2 动力两轮车（PTW）的定义范畴与异质性
  • 1.3 数据来源与方法论局限
• 2. 理论框架：微亡率与统计学模型
  • 2.1 微亡率（Micromort）的概念与应用价值
  • 2.2 稀有事件的泊松分布与置信区间检验
  • 2.3 风险接受准则（ALARP）
• 3. 动力两轮车微亡率基准测算与比较分析
  • 3.1 基础微亡率测算
  • 3.2 累积风险与长期暴露
  • 3.3 风险的经济学度量
• 4. 电动自行车（E-bike）的兴起与安全悖论
  • 4.1 “电动自行车悖论”的现象描述
  • 4.2 悖论背后的驱动因素
  • 4.3 伤害模式的特异性分析
• 5. 安全风险分层矩阵（Risk Stratification Matrix）
  • 5.1 驾驶员行为层：风险的“倍增器”
  • 5.2 车辆物理特性层
  • 5.3 环境与基础设施层
  • 5.4 综合风险矩阵应用
• 6. 基础设施评估与iRAP评级分析
  • 6.1 “五星级道路”的缺失
  • 6.2 致命的细节：基础设施致因分析
• 7. 统计学深度分析：置信区间与趋势归因
  • 7.1 事故率波动的统计显著性检验
  • 7.2 优势比（Odds Ratio, OR）的应用
• 8. 结论与政策建议
  • 8.1 结论综述
  • 8.2 基于ALARP原则的改进建议
• 参考文献

§1. 绪论

§1.1 研究背景与修订说明

在全球交通生态系统中，动力两轮车（Powered Two-Wheelers, PTW）占据着独特而复杂的地位。作为一种具备高机动性、低经济门槛且空间占用率极低的交通工具，PTW 在缓解城市拥堵、解决“最后一公里”通勤以及支撑中低收入国家物流体系方面发挥着不可替代的作用 。然而，这种便利性伴随着极高的安全代价。由于缺乏车身外壳的物理保护，PTW 驾驶员被归类为弱势道路使用者（Vulnerable Road Users, VRU），其在交通事故中的致死致残率显著高于其他机动车驾驶员¹。

为了解决不同类别 PTW（特别是电动自行车与传统摩托车）风险异质性的考量不足、统计学显著性检验的缺失，以及基础设施致因分析的深度不够等常见缺失，本项研究引入了更为严谨的计量经济学工具——微亡率（Micromort），结合泊松分布统计检验，并整合最新的国际道路评估计划（iRAP）数据与流行病学研究成果，构建一个多维度、动态化的安全风险分层模型。

本研究的核心目标是将抽象的宏观事故统计数据转化为微观层面的、可感知的风险单位，即“微亡”（Micromort），从而为政策制定者、基础设施规划者以及公众提供更为直观的决策支持。研究范围涵盖了从低速电动辅助自行车（Pedelec）到大排量内燃机摩托车的全谱系车辆，重点分析其在人、车、路、环境四维空间中的风险交互机制。

§1.2 动力两轮车（PTW）的定义范畴与异质性

在进行风险分析之前，必须明确 PTW 的定义及其内部的高度异质性。根据世界卫生组织（WHO）及欧盟道路安全观测站（ERSO）的标准，PTW 是指由内燃机或电动机驱动的两轮（可能包括部分三轮）车辆 。这一宽泛的定义在实际安全分析中往往掩盖了不同车型之间的风险差异。

为实现精确的风险分层，本研究依据欧盟 L 类车辆法规及相关技术标准，将 PTW 细分为以下三个主要风险组别：

1. L1e-L2e 类（轻便动力两轮车）：主要包括设计时速不超过 45 km/h、最大连续额定功率不超过 4 kW 的电动自行车（E-bikes）和轻便摩托车（Mopeds）。此类车辆在城市通勤中占比极高，其使用者往往不需要持有完全的机动车驾驶证，且经常混行于非机动车道与机动车道之间，面临独特的混合交通流风险²。
2. L3e-L4e 类（标准摩托车）：涵盖了设计时速超过 45 km/h 的各型摩托车。这一类别的车辆是传统交通事故统计中的主体，广泛用于通勤、商业配送及警务巡逻。其行驶环境主要为机动车道，面临与四轮车辆的高速冲突风险。
3. L5e 及以上（高性能/重型摩托车）：主要指大排量、高性能的摩托车，通常用于休闲娱乐、长途旅行或竞技运动。此类车辆的事故机制往往与高速度、操控失误以及路侧环境的容错性不足密切相关³。

§1.3 数据来源与方法论局限

本研究采用了多源数据融合的分析方法，数据主要来源于以下权威数据库：

• 美国国家公路交通安全管理局（NHTSA）FARS数据库：提供了详尽的致死性事故个案数据，包括环境特征、车辆参数及驾驶员行为记录^{4 5}。
• 欧盟 CARE 数据库与 ERSO 专题报告提供了欧洲地区高纬度、完善法规环境下的 PTW 安全数据，特别是关于基础设施评级的详细信息^{6 7}。
• iRAP 全球道路安全评估数据：涵盖了全球 80 多个国家、近 50 万公里的道路基础设施属性数据，为分析道路环境对PTW安全的影响提供了物理层面的证据⁸。
• 临床流行病学研究：引用了来自 UCLA、瑞士及中国地的医院创伤登记数据，以补充官方警务数据中关于非致死性伤害（特别是 E-bike 伤害）的漏报问题^{9 10 11}。

局限性声明：在计算基于暴露量（Exposure-based）的风险指标时，摩托车行驶里程（Vehicle Miles Traveled, VMT）的数据可靠性始终是全球性的难题 。与通过燃油税或定期年检精确掌握的汽车 VMT 不同，摩托车的行驶里程往往依赖于抽样调查或估算，存在较大的统计偏差。因此，本研究在涉及 VMT 的微亡率计算中，将采用区间估计法，并辅以车辆注册数作为校准指标，以提高结论的稳健性^{12 13 14}。

§2. 理论框架：微亡率与统计学模型

§2.1 微亡率（Micromort）的概念与应用价值

传统的交通安全指标，如“每十万人口死亡率”或“每万车死亡率”，虽然适用于宏观政策评估，但在个体风险感知与微观决策层面往往显得抽象且缺乏敏感度。为了弥补这一缺陷，本研究引入了微亡率（Micromort）作为核心计量单位。

微亡率由斯坦福大学决策分析专家 Ronald A. Howard 教授于 20 世纪 70 年代提出，定义为“百万分之一的死亡概率”。其数学表达为：

$$R_{\mu} = \frac{N_{fatalities}}{E_{exposure}} \times 10^6$$

其中，$$R_{\mu}$$ 表示微亡值，$$N_{fatalities}$$为特定活动或时间段内的死亡人数，$$E_{exposure}$$为暴露量（通常以人数、行程次数或距离衡量）。

引入微亡率的优势在于：

1. 直观性：将极小的概率转化为整数，便于公众理解。例如，与其说“本次骑行有 0.000001 的死亡概率”，不如说“本次骑行风险为 1 微亡”。
2. 可比性：打破了不同风险源之间的壁垒，使得驾驶摩托车、乘坐飞机、进行外科手术甚至吸烟等截然不同的活动可以在同一把标尺上进行风险比较¹⁵。
3. 价值货币化：结合统计生命价值（Value of Statistical Life, VSL），微亡率可以直接转化为货币单位，用于评估安全改进措施的成本效益。根据现有研究，1 微亡的支付意愿（Willingness to Pay）约为 50 美元（2009年基准），这为评估基础设施投资回报提供了经济学依据 。

§2.2 稀有事件的泊松分布与置信区间检验

交通事故，尤其是致死性事故，在特定的时间窗口和空间路段上属于典型的“稀有事件”。统计学上，这类计数数据（Count Data）服从泊松分布（Poisson Distribution）而非正态分布 ¹⁶。

在对比不同年份或不同路段的 PTW 微亡率时，直接比较数值大小（例如：某路段去年死亡 4 人，今年死亡 6 人，增加了 50%）极易导致误判，因为这种波动可能完全源于随机性。为了确保分析的科学性，本研究引入了基于泊松分布的置信区间（Confidence Interval, CI）检验方法。

对于观测到的事故数量$$n$$，其发生的平均速率参数$$\lambda$$的 95% 置信区间可以通过以下公式估算： $$CI_{95\%} = \hat{\lambda} \pm 1.96 \sqrt{\frac{\hat{\lambda}}{n}}$$

或者，为了获得更精确的非对称区间，采用对数变换后的近似公式¹⁷： $$CI_{95\%} = \exp\left(\log \hat{\lambda} \pm Z_{\alpha/2} \sqrt{\frac{1}{n\hat{\lambda}}}\right)$$

只有当两个比较对象的置信区间不发生重叠，或者观测值落在基准值的置信区间之外时，我们才在统计学上认定风险发生了显著变化。这种严谨的检验方法能够有效过滤掉数据中的随机噪声，揭示出真实的安全趋势。

§2.3 风险接受准则（ALARP）

在界定“多安全才算足够安全”这一伦理与工程难题时，本研究采纳工业界通用的 ALARP 原则（As Low As Reasonably Practicable，合理可行尽可能低）。根据该原则，风险被划分为三个区域^{18 19}:

1. 不可接受区（Unacceptable Region）：风险极高，无论经济效益如何，除非在极端特殊情况下，否则必须禁止相关活动。
2. ALARP区（Tolerable Region）：风险处于可容忍范围，但必须证明进一步降低风险在成本上是不成比例的（Grossly Disproportionate）。即，必须持续寻求降低风险的措施，直到成本远超收益。
3. 广泛接受区（Broadly Acceptable Region）：风险极低，社会视其为日常生活的一部分，无需进行详细的监管干预。

研究表明，公众对于非自愿风险（如核电站泄漏）的接受阈值通常为每年 1 微亡，而对于自愿风险（如驾驶 PTW、攀岩），接受度可放宽至每年 100-1000 微亡²⁰。这一阈值构成了我们进行 PTW 风险分层的基准线。

§3. 动力两轮车微亡率基准测算与比较分析

§3.1 基础微亡率测算

为了建立 PTW 的风险基准，我们首先需要测算其单位暴露量的微亡值，并与其他交通方式进行横向对比。

根据英国及美国的综合交通统计数据：

• 汽车：驾驶汽车行驶约 2.3 亿至 4 亿公里才会发生 1 起死亡事故。换算为微亡率，大约每行驶 370 公里至 400 公里，驾驶员累积 1 微亡的风险 。这意味着对于大多数人来说，只有长途自驾旅行才会产生可感知的微亡积累^{21 22}。
• 民航飞机：作为最安全的交通方式之一，乘坐民航飞机行驶约 10,000 公里才会累积 1 微亡的风险 。
• 动力两轮车（摩托车）：数据的对比呈现出数量级的差异。统计显示，摩托车每行驶约 10 公里（6英里）即累积 1 微亡的风险²³。

这意味着，在相同的行驶距离下，摩托车的致死风险是汽车的约 38 倍。如果以单次行程为单位，假设摩托车驾驶员每天通勤往返共 20 公里，那么他每天仅因通勤就累积了约 2 微亡的风险。

§3.2 累积风险与长期暴露

微亡率的单一数值可能掩盖了长期暴露的严重性。若一名摩托车爱好者每年骑行 5,000 公里，其年度基础风险累积即达到 500 微亡。根据 ALARP 原则，这已经进入了“可容忍但在高位”的区间，远超普通公众每年面临的自然灾害或职业风险。

更值得注意的是，这一基准数值仅仅是平均值。对于高风险亚群（如年轻男性、大排量跑车驾驶员），其实际微亡率可能呈指数级上升。例如，驾驶运动型摩托车（Supersport bikes）的死亡率是巡航车（Cruiser）的4倍²⁴，这意味着对于该群体，每行驶 2.5 公里可能就累积 1 微亡。

§3.3 风险的经济学度量

将微亡率与货币价值联系起来，有助于理解社会为 PTW 安全支付的隐形成本。如果按照每微亡 50 美元的支付意愿计算，摩托车每行驶 10 公里的“生命风险成本”即为 50 美元。这意味着，对于一次 100 公里的周末骑行，驾驶员实际上隐性承担了约 500 美元的生命风险成本。这一数字远超燃油、维护及保险的显性财务成本，揭示了 PTW 出行在全生命周期成本核算中的严重不对称性。

§4. 电动自行车（E-bike）的兴起与安全悖论

§4.1 “电动自行车悖论”的现象描述

近年来，电动自行车（E-bike）在全球范围内经历了爆发式增长，被视为绿色出行的重要解决方案。然而，随着保有量的增加，E-bike 的安全数据呈现出一种令人困惑的“悖论”现象，这对传统的 PTW 风险认知提出了挑战。

• 绝对伤亡数的激增：以中国为例，2007 年至 2022 年间，尽管全国道路交通事故总体伤亡率下降了34.5%，但 E-bike 相关的事故数量却增长了 3.5 倍，占比从微不足道上升至 13.8%²⁵。在美国，加州大学旧金山分校的研究也显示，2017 年至 2022 年间，E-bike 受伤人数每年翻倍²⁶。
• 单位里程风险的相对低位：然而，一些基于行驶里程的研究指出，E-bike 的每公里伤亡风险实际上可能低于传统自行车。这是因为 E-bike 的使用频率更高、行驶距离更长，导致作为分母的暴露量大幅增加，从而稀释了单位风险数值²⁷。
• 伤害严重度的高位：尽管单位里程风险看似较低，但从医院创伤数据来看，E-bike 事故的后果往往比传统自行车严重得多，甚至在某些指标上逼近摩托车。研究显示，E-bike 骑行者每百万次出行的受伤率（115次）高于摩托车（104次）和汽车（8次）²⁸。

§4.2 悖论背后的驱动因素

造成上述悖论的原因是多方面的，主要包括人口统计学特征、物理特性以及防护装备的缺失。

1. 使用者老龄化：与摩托车用户主要为青壮年不同，E-bike 在中老年群体中极受欢迎。瑞士的一项研究发现，E-bike 受伤者的平均年龄比自行车受伤者大 14 岁²⁹。老年人骨质疏松、反应时间较慢，且在摔倒时自我保护能力较弱，这直接导致了更高的骨折率和重伤率。
2. 速度差与基础设施错配：E-bike 能够轻松维持 25km/h 以上的巡航速度，且加速性能优于人力自行车。然而，在大多数城市，E-bike 被归类为非机动车，被要求在非机动车道行驶。在狭窄的非机动车道上，E-bike 与时速 15km/h 的普通自行车及以 5km/h 步行的行人混行，巨大的速度差（Speed Differential）极易引发追尾和剐蹭事故³⁰。
3. 头盔保护的缺位：这是最关键的风险放大器。在强制佩戴摩托车头盔的地区，摩托车驾驶人的头盔佩戴率接近 96%，且使用的是全盔。相比之下，E-bike 骑行者的头盔佩戴率普遍较低（例如瑞士仅为73%，而在许多没有强制法规的国家更低），且即使佩戴，也多为半盔或自行车头盔，无法有效保护下颌及面部³¹。

§4.3 伤害模式的特异性分析

为了更深入地理解 E-bike 的风险，我们需要对比其与摩托车在伤害解剖学上的差异。统计数据的分析揭示了两者截然不同的“伤害指纹”。

骨盆与脊柱损伤：E-bike 事故中，骑行者发生骨盆损伤的概率是普通自行车的近2倍（OR=1.95），脊柱损伤的风险也显著增加（OR=1.71）³²。这可能与 E-bike 的骑行姿态（通常更为直立，冲击力直接沿脊柱传导）以及缺乏专业防护服（摩托车驾驶人通常穿着带有脊柱护板的骑行服）有关。

颅脑损伤（TBI）：虽然摩托车事故的整体能量更高，但由于全盔的普及，摩托车驾驶人发生严重颅脑损伤的比例在某些统计中反而低于未佩戴头盔或佩戴不当的 E-bike 骑行者³³ 。

下表详细对比了 E-bike 与摩托车在伤害分布上的关键差异，并通过可视化图表进一步阐释。

§5. 安全风险分层矩阵（Risk Stratification Matrix）

为了突破“平均数”的误导，本研究构建了 WICRS（Weather, Infrastructure, Crash, Rider, Speed）多维度风险分层模型³⁴，旨在识别导致微亡率呈指数级跃升的关键风险因子。

§5.1 驾驶员行为层：风险的“倍增器”

人类行为因素始终是事故链中最活跃的变量。数据分析表明，以下三个行为构成了风险矩阵中的核心“倍增器”：

• 酒精受损（Impairment）：酒精对 PTW 驾驶员的影响远甚于汽车驾驶员，因为它不仅延缓反应时间，更严重破坏了维持两轮平衡所需的前庭觉和精细运动控制。数据显示，43% 的单车致死事故涉及酒精。在夜间，这一比例激增至 42%（白天为 16%）³⁵。统计回归分析表明，酒驾发生单车事故的几率（Odds）是正常驾驶的 2.38 倍³⁶。
• 头盔佩戴（Helmet Use）：头盔是 PTW 驾驶员唯一的“保命符”。在无强制头盔法的地区，55% 的死亡者未佩戴头盔。头盔能降低 37% 的死亡风险和 67% 的脑损伤风险³⁷。不戴头盔不仅增加了物理层面的致死率，它通常还作为一种 “信号变量” ，与酒驾、无证驾驶等其他高风险行为高度共变。
• 超速与激进驾驶（Speeding/Racing）：车型与驾驶风格密切相关。涉及运动型摩托车（如 Suzuki GSX 系列, Kawasaki Ninja 系列）的致死事故中，约 22% 与超速或飙车有关；而巡航车（如 Harley-Davidson）这一比例仅为 9%³⁸。这表明风险分层必须考虑“人车匹配”的心理因素。

§5.2 车辆物理特性层

• 功率重量比：大排量运动摩托车（Supersport）拥有极高的功率重量比，其致死率是标准巡航车的4倍³⁹。高动能意味着在发生碰撞时，人体需要承受巨大的减速度。
• 主动安全技术：缺乏 ABS（防抱死系统）和 MSC（摩托车稳定性控制）的车辆在紧急制动时极易发生侧滑（Low-side）或翻滚（High-side）。对于两轮车，车轮抱死通常意味着瞬间失控，驾驶员几乎没有修正机会。

§5.3 环境与基础设施层

环境因素对 PTW 的影响具有极大的非线性特征。

• 城乡差异：直觉上城市交通更危险，但数据却显示乡村地区更为致命。乡村道路的每亿车公里致死率（1.74）显著高于城市（1.19）⁴⁰。原因包括：乡村道路车速更高、弯道视距不良、医疗救援响应时间长，以及路侧充满了树木、电线杆等致命障碍物。
• 光照条件：夜间骑行的风险被显著放大。除了视野受限外，夜间也是酒驾高发时段，两者叠加产生了协同效应。
• 路面状况： PTW 仅依靠两个轮胎与地面接触，接触面积总和仅相当于两张信用卡大小。因此，对于汽车仅产生轻微震动的路面缺陷（如沥青接缝、井盖、标线油漆），对 PTW 而言可能是致命的失控诱因⁴¹。

§5.4 综合风险矩阵应用

基于上述分析，我们可以将 PTW 出行场景划分为三个风险层级，为个体决策和政策干预提供依据：

表 5-1：动力两轮车综合风险分层矩阵

§6. 基础设施评估与iRAP评级分析

§6.1 “五星级道路”的缺失

基础设施的设计往往以四轮车辆为模版，系统性地忽视了 PTW 的物理特性。根据 iRAP（国际道路评估计划）对全球数据的分析，针对 PTW 的基础设施现状令人担忧⁴¹：

• 仅有 29% 的道路针对 PTW 达到了 3 星或以上标准。
• 随着设计速度的提升，道路的安全性急剧下降。在限速超过 60km/h 的道路上，达到 3 星标准的比例降至 20%。这表明高速道路的设计严重缺乏对 PTW 的“宽容度”（Forgiveness）。

§6.2 致命的细节：基础设施致因分析

为了具体说明基础设施如何影响 PTW 安全，本节对比了“敌对型”与“宽容型”基础设施的关键特征。

表 6-1：敌对型与宽容型道路基础设施特征对比

通过对比可见，现有的许多道路设施虽然能有效保护汽车乘员，但对 PTW 却构成了额外的致死威胁。例如，未铺装的路肩对于宽胎汽车可能只是颠簸，但对于窄胎摩托车则是致命的陷阱。

§7. 统计学深度分析：置信区间与趋势归因

§7.1 事故率波动的统计显著性检验

在解读年度事故数据时，媒体和公众往往容易被简单的数字增减所误导。例如，某城市摩托车死亡人数从 40 人增加到 50 人，这是否意味着安全状况显著恶化？

利用泊松分布的置信区间工具，我们可以进行科学的判断。假设基准年份死亡人数为 $$n=40$$，其 95% 置信区间为： $$CI = 40 \pm 1.96 \sqrt{40} \approx [27.6, 52.4]$$

由于观察值 50 落在了基准值的置信区间内，我们在统计学上无法拒绝“零假设”，即这种增加可能仅仅是随机波动的结果，而非系统性恶化⁴²。

然而，当我们审视长周期的趋势时，结论则截然不同。例如，NHTSA 数据显示，摩托车每亿英里行驶里程的死亡率在 2023 年上升了 19%，且长期趋势线已经突破了历年的置信区间上界⁴³。这种突破置信区间的变化，强有力地证明了存在结构性的安全问题（如驾驶分心增加、车辆性能提升超过驾驶技术进步等），需要政策层面的强力干预。

§7.2 优势比（Odds Ratio, OR）的应用

在分析 E-bike 与自行车的风险差异时，优势比（OR）提供了量化的比较依据。例如，关于 E-bike 发生碰撞的类型，研究发现其发生与其他车辆碰撞（相较于单车摔倒）的 OR 值为 1.64（95% CI: 1.31-2.1, p<0.001）⁴⁴。这意味着 E-bike 骑行者卷入机动车碰撞事故的几率显著高于普通自行车，这有力地支持了“速度差”是主要风险源的假设。

§8. 结论与政策建议

§8.1 结论综述

本研究通过微亡率模型、多维风险分层矩阵及基础设施评估，对动力两轮车（PTW）的安全现状进行了系统性剖析。研究确认，PTW 作为一种高风险交通方式，其每公里的致死风险（约 0.12 微亡/公里）远超社会平均可接受水平，主要受制于缺乏物理防护、基础设施的非宽容设计以及驾驶员的高风险行为。

特别值得警惕的是，电动自行车（E-bike）的普及引入了新的风险特征。尽管其单位里程的致死风险可能被巨大的行驶里程基数所稀释，但其在特定伤害类型（骨盆、脊柱）上的高致残率，以及使用者老龄化、装备简陋化等特征，使其成为了城市交通安全的新隐患。

§8.2 基于ALARP原则的改进建议

为了将 PTW 的风险从“不可接受区”逐步降维至“ALARP 区”，本研究提出以下针对性的政策建议：

1. 数据监测体系的重构
   • 建立精确的 VMT 监测机制：利用车辆年检里程记录或车联网数据，获取真实的摩托车行驶里程，从而校准分母，获得准确的微亡率数据⁴⁵。
   • 细化 ICD 伤害编码：在医疗系统中明确区分 E-bike、电动滑板车与摩托车，以便精准追踪不同车型的流行病学特征，打破“电动车”一词掩盖下的数据模糊⁴⁶。
2. 基础设施的“宽容性”升级
   • 推广摩托车下部防护系统（MPS）：在事故高发的弯道外侧，必须强制加装 MPS，消除护栏立柱的切割风险。
   • 路肩硬化工程：确保所有设计时速超过 60km/h 的道路，尤其是乡村公路，拥有至少 1.5 米的铺装路肩，为 PTW 提供救命的容错空间。
3. 车辆法规与装备标准化
   • 强制 ABS 下探：将 ABS 防抱死系统的强制安装标准从 125cc 以上下探至所有设计时速超过 45km/h 的 PTW，包括高速电摩，从物理层面遏制失控侧滑。
   • E-bike 分类管理：严格区分踏板辅助（Pedelec）与油门控制（Throttle-controlled）车型。对于高速 E-bike（Class 3），应强制要求佩戴通过摩托车认证标准（而非自行车标准）的头盔。
4. 公众风险沟通的微亡率化：
   • 利用微亡率概念革新安全教育。不再使用枯燥的百分比，而是告知公众：“不戴头盔骑行 20 公里增加的风险，相当于吸食 1.4 支香烟或进行一次低空跳伞。”这种具象化的风险沟通能有效提升公众的安全依从性。

通过上述多层级的系统性干预，我们有望在保留 PTW 机动性与经济性优势的同时，将其安全风险控制在社会可容忍的范围内，实现人、车、路在混合交通系统中的和谐共存。

§参考文献

1. https://road-safety.transport.ec.europa.eu/system/files/2021-07/ersosynthesis2018-ptw-summary.pdf
2. https://iris.who.int/bitstream/handle/10665/254759/9789241511926-eng.pdf
3. https://www.roadsafety.unc.edu/wp-content/uploads/2024/02/CSCRS_FinalReport_R40.pdf
4. https://crashstats.nhtsa.dot.gov/Api/Public/Publication/813466
5. https://crashstats.nhtsa.dot.gov/Api/Public/Publication/813306
6. https://road-safety.transport.ec.europa.eu/system/files/2021-07/ersosynthesis2018-ptw-summary.pdf
7. https://road-safety.transport.ec.europa.eu/european-road-safety-observatory/data-and-analysis/thematic-reports_en
8. https://irap.org/2024/08/new-data-on-infrastructure-safety-for-powered-two-wheelers-ptw/
9. https://pmc.ncbi.nlm.nih.gov/articles/PMC8347860/
10. https://pmc.ncbi.nlm.nih.gov/articles/PMC11058882/
11. https://www.gallivanlawfirm.com/study-e-bikes-may-cause-more-injuries-than-motorcycles-cars/
12. https://safetrec.berkeley.edu/2025-safetrec-traffic-safety-facts-motorcycle-safety
13. https://rosap.ntl.bts.gov/view/dot/62081
14. https://www.nhtsa.gov/sites/nhtsa.gov/files/documents/13507-motorcycle_safety_plan_050919_v8-tag.pdf
15. https://plus.maths.org/content/os/issue55/features/risk/index
16. https://assets.publishing.service.gov.uk/media/60d0590c8fa8f57ce8c462ad/testing-for-statistically-significant-changes.pdf
17. https://stats.stackexchange.com/questions/15371/how-to-calculate-a-confidence-level-for-a-poisson-distribution
18. https://www.researchgate.net/figure/ndividual-risk-evaluation-criteria-as-annual-probability-commonly-cited-in-the_fig1_326784438
19. https://www.dnv.com/article/risk-criteria-how-safe-is-safe-enough--199984/
20. https://pmc.ncbi.nlm.nih.gov/articles/PMC8771620/
21. https://plus.maths.org/content/os/issue55/features/risk/index
22. http://understandinguncertainty.org/node/243.html
23. https://krystof.litomisky.com/2023/02/20/life-death-and-motorcycles/
24. https://www.roadsafety.unc.edu/wp-content/uploads/2024/02/CSCRS_FinalReport_R40.pdf
25. https://pmc.ncbi.nlm.nih.gov/articles/PMC11058882/
26. https://www.ucsf.edu/news/2024/07/428096/electric-scooter-and-bike-accidents-are-soaring-across-us
27. https://pmc.ncbi.nlm.nih.gov/articles/PMC12617241/
28. https://www.gallivanlawfirm.com/study-e-bikes-may-cause-more-injuries-than-motorcycles-cars/
29. https://pmc.ncbi.nlm.nih.gov/articles/PMC8347860/
30. https://www.unsw.edu.au/newsroom/news/2025/01/e-bike-popularity-is-booming-but-are-they-as-safe-as-regular-bikes
31. https://pmc.ncbi.nlm.nih.gov/articles/PMC8347860/
32. https://www.researchgate.net/figure/Comparison-of-e-bike-and-bike-related-injuries-Odds-ratios-are-presented-in-blue-mean_fig3_372828117
33. https://pmc.ncbi.nlm.nih.gov/articles/PMC8347860/
34. https://pmc.ncbi.nlm.nih.gov/articles/PMC11865281/
35. https://crashstats.nhtsa.dot.gov/Api/Public/Publication/813466
36. https://pmc.ncbi.nlm.nih.gov/articles/PMC9864229/
37. https://www.iihs.org/research-areas/fatality-statistics/detail/motorcycles-and-atvs
38. https://www.carusolaw.com/the-deadliest-states-for-motorcycle-riders/
39. https://www.roadsafety.unc.edu/wp-content/uploads/2024/02/CSCRS_FinalReport_R40.pdf
40. https://crashstats.nhtsa.dot.gov/Api/Public/Publication/813488
41. https://irap.org/2024/08/new-data-on-infrastructure-safety-for-powered-two-wheelers-ptw/
42. https://stats.stackexchange.com/questions/15371/how-to-calculate-a-confidence-level-for-a-poisson-distribution
43. https://injuryfacts.nsc.org/motor-vehicle/road-users/motorcycles/
44. https://pmc.ncbi.nlm.nih.gov/articles/PMC8347860/
45. https://rosap.ntl.bts.gov/view/dot/62081
46. https://www.ntsb.gov/safety/safety-studies/Documents/SRR2201.pdf