پایش ایمنی راه‌های برون‌شهری با استفاده از مدل‌های پیش‌بینی شدت تصادفات، مطالعه موردی: استان خراسان رضوی ایران

یکی از پیامدهای منفی حمل ‌و نقل بین‌شهری شدت بالای تصادفات ناشی از تردد با سرعت بالای وسایل نقلیه است. تصادفات با شدت بالا هزینه‌های سنگینی همچون مرگ ‌و میر، جراحت، خسارت‌های وارده به جاده، تجهیزات جاده‌ای و وسایل نقلیه و همچنین عواقب مخرب روانی را در بردارد. این مطالعه قصد دارد تا با استفاده از متغیرهای ترافیکی که خود قابل پیش بینی هستند، شدت تصادفات در جاده‌های برون‌شهری را با بهره‌گیری از مدل‌های خانواده لوجیت پیش بینی کند. لذا در مرحله اول داده های تصادفات با داده‌های ترافیکی به دست آمده از تردد شمارهای موجود در راه‌ها تلفیق شده و سپس مورد تحلیل و مدل‌سازی قرار می گیرد. در تلفیق این دو داده از سناریوهای زمانی و مکانی به نوعی استفاده می‌شود که بیشترین معنی‌داری را برای مدل‌های تحلیلی این مطالعه به ارمغان آورند. مدل‌های لوجیت مورد استفاده در این مطالعه شامل؛ لوجیت ترتیبی و لوجیت چندگانه می شود. داده‌های مورد استفاده نیز مربوط به جاده‌های برون‌شهری استان خراسان رضوی است که طی یک بازه زمانی چهار ساله برداشت شده است. نتایج نشان می دهد ضریب خوبی برازش حاصل شده برای مدل لوجیت ترتیبی0/017 و برای مدل لوجیت چندگانه 0/019 تخمین زده شده است. این بدان معناست که مدل لوجیت چندگانه برازش بهتری را از خود نشان داده است. در مدل لوجیت ترتیبی ارائه شده متغیرهای مستقل ترافیکی جریان وسیله نقلیه سنگین و سرعت بالای 85 کیلومتر بر ساعت معنادار شده است. همچنین در مدل لوچیت چندگانه علاوه بر معنادار شدن متغیرهای مستقل جریان وسیله نقلیه سنگین و سرعت بالای 85 کیلومتر بر ساعت برای شدت تصادفات جرحی و فوتی، متغیر مستقل حداقل سرفاصله زمانی نیز برای تصادفات با شدت خسارتی معنادار شده است.

rural road safety monitoring using crash severity predictive models: a case study of khorasan razavi province in iran

the high severity of crashes caused by high speed vehicles is one of the drawbacks of intercity transportation. heavy costs are linked to severe crashes, including death, injuries, and damage to the road, road equipment, and vehicles, as well as major psychological effects. this study uses predictable traffic characteristics to forecast the severity of crashes on suburban highways using logit family models. as a result, the traffic data from the traffic detectors on the roadways is integrated with the crash data in the first stage before being evaluated and modeled. spatial temporal scenarios are combined with these two datasets. in this investigation, the ordered logit (ol) and multinominal logit (mnl) models were used. the data, which refers to the roads in iran’s north eastern province of khorasan razavi, was collected over a four year period. results indicate that the mnl model performs better than the ol model with more significant traffic parameters.