تحلیل آماری و مدلسازی شدت تصادفات موتورسواران در راه‌های استان گیلان با استفاده از رگرسیون و شبکه عصبی مصنوعی

تصادفات هزینه های جبران ناپذیری هر ساله به اقتصاد کشورها تحمیل می کنند. علاوه بر این، بسیاری از آمار کشته شده ها مربوط به تصادفات می باشد که این موضوع می تواند خود عامل انسانی که عامل محرک اقتصاد می باشد را در خطر قرار دهد.در این بین، یکی از کاربران راه که بسیار در معرض تصادفات می باشند، موتورسیکلت سواران می باشد که هرساله بخش زیادی از کشته شده ها و مجروحان تصادفات را شامل می شوند که هدف اصلی بررسی متغیرهای تاثیرگذار بر تصادفات موتورسیکلت سواران می باشد.که با استفاده از جمع آوری اطلاعات تصادفات و همچنین استفاده از روش های مختلف آماری و مدلسازی ازجمله فیریدمن، عاملی و مدل لوجیت و شبکه عصبی به بررسی تاثیر هر یک از این متغیرها پرداخته می شود. نتایج نشان داد متغیرهای فصل تصادف، علت تامه، شرایط سطح راه و شرایط روشنایی به ترتیب بالاترین رتبه را داشتند. از طرف دیگر، متغیرهای روز و فصل تصادف و سن موتورسواران به ترتیب کمترین اهمیت را در وقوع تصادفات موتورسواران معابر جاده ای استان گیلان داشتند. علاوه بر این متغیرهای وضعیت هوا، شرایط سطح راه و وضعیت روشنایی تحت اولین عامل موثر در تصادفات موتورسواران استان گیلان قرار گرفتند؛ با توجه به مدل لوجیت بدست آمده از تصادفات موتورسیکلت سواران مشخص شد که متغیرهای فصل بهار، ساعت 6 تا12 و 18 تا 24، شرایط سطح خشک، شرایط روشنایی شب بدون نور کافی؛ وضع اب و هوایی بارانی؛ عدم توجه به جلو و تغییر مسیر ناگهانی، احتمال وقوع تصادفات موتورسواران معابر جاده ای گیلان را افزایش می‌دهند. براساس مدل شبکه عصبی؛ مقادیر علت تامه و وضع روشنایی و وضع آب و هوا به ترتیب بیشترین تاثیر را در شدت تصادفات موتورسواران معابر گیلان داشته‌اند. همچنین مدل شبکه عصبی با مقادیر r2، 93.31 دقت بالاتری را نسبت به مدل لوجیت نشان داد.

statistics and modeling of the severity of motorcycle accidents on the roads of gilan province through regression and artificial neural network method

accidents impose irreparable costs on the economy of countries every year. in addition, many of the death statistics are related to accidents, which can endanger the human factor itself, which is the driving factor of the economy. in the meantime, one of the road users who is very are exposed to accidents, it is the motorcycle riders who every year include a large part of the dead and injured in the accidents, the main purpose of which is to investigate the variables affecting the accidents of motorcycle riders. collecting information on accidents as well as using various statistical and modeling methods such as friedman, aamili, logit model and neural network to investigate the effect of each of these variables. the results showed that the variables of accident season, cause of accident, road surface conditions and lighting conditions had the highest rank respectively. on the other hand, the variables of the day and season of the accident and the age of motorcyclists, respectively, had the least importance in the occurrence of motorcyclist accidents on the roads of gilan province. in addition to these variables, weather conditions, road surface conditions and lighting conditions were the first effective factors in the accidents of motorcyclists in gilan province; according to the logit model obtained from the accidents of motorcycle riders, it was found that the variables of spring season, 6 to 12 and 18 to 24, dry surface conditions, night lighting conditions without sufficient light; rainy weather; failure to pay attention to the front and sudden change of direction increase the possibility of accidents of motorcyclists on gilan road crossings. based on the neural network model; the values of cause, lighting conditions and weather conditions respectively have the greatest effect on the severity of motorcyclist accidents on gilan roads. also, the neural network model with r2 values of 93.31 showed higher accuracy than the logit model.