شناسایی عوامل موثر بر شدت تصادفات برون‌‌شهری با استفاده از مدل لوجیت چندجمله‌ای (mnl) (مطالعه موردی استان ایلام)

شناسایی عواملی که در شدت نتیجه یک تصادف سهیم هستند، به تصمیم‌گیرندگان و طراحان راه برای اجرای اقدامات‌اصلاحی که میتواند شدت جراحت و هزینه تصادف را کاهش دهد، کمک می‌کند. با توجه به این مورد، هدف از این تحقیق شناسایی عواملی است که در شدت تصادفات راه‌های برونشهری سهیم هستند. امروزه محققین از مدلسازی آماری و ریاضیاتی برای حل مسئله پیچیده ایمنی راه استفاده می‌کنند. در این راستا، مدلهای انتخاب گسسته بصورت گسترده برای مدلسازی شدت تصادف بکار می‌روند. از این مدلها، عوامل سهیم در شدت تصادفات شناسایی می‌شوند. مدل لوجیت چندجمله‌ای (mnl) متداولترین مدل انتخاب گسسته برای مدلسازی شدت تصادف است. در این تحقیق به منظور شناسایی عوامل موثر در شدت تصادفات راه‌های برونشهری از مدل mnl استفاده شد. برای مدلسازی، از داده‌های یک دوره 5 ساله از تصادفات برونشهری استان ایلام استفاده شده است. متغیرهای ورودی در مدل پس از انجام ارزیابی معناداری انتخاب شدند. این متغیرها شامل سن کم، سرعت زیاد، مصرف الکل، برخورد جلوبه جلو، وجود کیسه‌هوا، پرت شدن از خودرو، بستن کمربندایمنی، فاصله خیلی نزدیک با خودروی جلویی، جنس راننده و وقوع تصادف در قوس بود. پس از انتخاب متغیرها، دقت مدل نیز مورد بررسی قرار گرفت. برای معتبرسازی مدل از نسبت لگاریتم درستنمایی و دقت پیشبینی مدل در هر سطح شدت استفاده شد. پس از ارزیابی دقت مدل در پیشبینی شدت تصادفات، مشخص شد که مدل برای ارزیابی شدت تصادفات نتایج قابل قبولی ارائه می‌دهد و مشخص شد که بجز متغیرهای قوس و فاصله نزدیک، تمامی متغیرهای انتخابی در شدت تصادفات سهیم هستند.

Identifying Factors Affecting Rural Crash Severity Using Multinomial Logit (MNL) Model (Case Study Ilam Province)

Identifying the factors that contribute to injury as a result of crashes will help policy makers and road designers implement countermeasures, which could reduce crash injury severity, and cost. In result, objective of this study is identifying factors are more likely to contribute to crashes severity. Today, Researchers have utilized mathematical and statistical modelingschemes to solve this complex roadsafety problem. For this, discrete choice modeling is widely used to model injury severity of the crash. From the models, factors contributing to the injury severity are identified. MNL is the most prominent discrete choice model for modeling crash severity. For modeling, the data of a 5year period of crashes occurred at the rural roads of Ilam province has been used. The input variables of the model were selected after a significance evaluation test. These variables included Age, Speed, Alcohol, Headon, Airbag, Ejection, Seatbelt, following too Close, Gender, and Curved. After selecting the variables, the accuracy of the model was also studied. To validate the model, the likelihood ratio and the percent correctly predicted by the model at each crash severity level were used. After evaluating the model accuracy in the prediction of accidents severity, it was found that the model provides acceptable results for evaluating crashes severity, and it was found that except curve and following too close variables, all selected variables contributing in crashes severity.