مدل توزیع ریسک تصادفات شدید در بین هر جفت مبدا- مقصد از نواحی ترافیکی- مطالعه موردی شهر قم

مدل‌های پیش‌بینی تصادفات ابزار مفیدی در مطالعات برنامه‌ریزی حمل و نقل هستند که امکان بررسی ایمنی و تغییرات آن به‌لحاظ تصمیمات اتخاذ شده برای آینده را میسر می‌سازند. هدف اصلی این مطالعه، توسعه مدل پیش‌بینی تصادفات بر‌اساس گام توزیع سفر از مدل‌های مرسوم چهار‌مرحله‌ای تقاضای سفر است که در این مطالعه به اسم مدل توزیع ریسک تصادفات عنوان شده است. به این‌منظور مدل دو‌جمله‌ای منفی با توزیع لگاریتمی به کار گرفته شده است. فراوانی تصادفات شدید شهر قم شامل مجموع تصادفات فوتی و جرحی در بین هر جفت مبدا- مقصد از نواحی ترافیکی به‌عنوان متغیر وابسته و متغیر‌های توصیفی شامل داده‌های ترافیکی و نتایج توزیع سفر برای کالیبراسیون مدل، مورد استفاده قرار گرفته است. داده‌های ترافیکی شامل وسیله- کیلومتر طی شده، زمان‌سفر تجربه شده با وسیله نقلیه و متوسط سرعت وسیله‌سفر در بین هر جفت مبدا- مقصد از نواحی ترافیکی استفاده شده است. نتایج توزیع سفر شامل توزیع سفر به تفکیک اهداف شغلی، تحصیلی، خرید و شخصی استفاده شده است. نتایج حاصل از کالیبراسیون و اعتبارسنجی مدل نشان‌دهنده وجود رابطه معنا‌دار بین متغیرهای مذکور با فراوانی تصادفات شدید است. از این‌رو، مدل توسعه داده شده امکان پیش‌بینی تعداد تصادفات شدید در سال‌های آینده بر‌اساس افزایش تعداد سفرهای توزیع شده در بین نواحی ترافیکی را فراهم می‌کند. بنابر‌این، به کمک این مدل، امکان شناسایی و اولویت‌بندی سفرهای با مبدا- مقصد پر‌خطر به‌لحاظ ایمنی فراهم شده و می‌توان تاثیر سناریوهای مختلف مدیریت تقاضای سفر را بر ایمنی ارزیابی کرد.

severe crash risk distribution model between each origin-destination pair of traffic analysis zones- the case study of the city of qom in iran

crash prediction models (cpms) are a valuable tool in transportation planning studies that enable safety and its changes to be investigated in future decisions. the main goal of this study is to develop the cpms based on the trip distribution step from the common four-step demand models, which is called the crash risk distribution in this study. in order to, the negative binomial formulation with a log-link function is used. the frequency of severe crash in the city of qom, iran, including the total number of fatal and injury crash among each origin-destination (od) pair of traffic analysis zones (tazs) as a dependent variable, and explanation variables, including the traffic-related and trip distribution results, have been used for model calibration. traffic-related data include the vehicle kilometers traveled, experienced travel time with vehicle, and average vehicle speed between each od pair of tazs. the results of trip distribution include the trip distribution by purposes of work, education, shop, and personal. model calibration and validation results show a significant relationship between the mentioned variables and the frequency of severe crashes. hence, the developed model predicts the number of severe crashes in future years based on increased trips distributed among tazs. therefore, with the help of this model, it is possible to identify and prioritize trips with high-risk origin-destination in terms of safety, and the impact of different travel demand management scenarios on safety can be evaluated.