استفاده از ابزار برنامه‌نویسی پایتون در توسعه مدل‌های داده‌کاوی شدت تصادفات برون‌شهری استان اصفهان

مطابق آمارهای پزشکی قانونی ایران، آمار مرگ‌ومیر و مصدومین برا اثر حوادث ترافیکی از سال 1396 تا 1401 افزایشی بوده است. این روند نه‌تنها در کل کشور بلکه در استان‌ها نیز قابل مشاهده است. روند افزایشی مرگ‌ومیر و مصدومین حوادث ترافیکی در طی سالیان اخیر می‌تواند زنگ خطری برای مسئولین برای تحلیل عوامل انسانی، وسیله نقلیه‌ای، راه و محیطی بر تصادفات و یافتن راهکارهایی در جهت کاهش آمار مرگ‌ومیر و مصدومین حوادث ترافیکی استان‌ها باشد. از این جهت در این پژوهش به بررسی عوامل موثر بر شدت تصادفات برون‌شهری استان اصفهان پرداخته شده است. در این مطالعه برای یافتن عوامل موثر بر شدت تصادفات، از مدل رگرسیون لجستیک استفاده شده که با 21 هزار داده مدل نهایی ساخته شده و بر روی نتایج آن تحلیل‌های آماری صورت گرفته است. نتایج این تحلیل‌ها نشان می‌دهد متغیرهایی نظیر ماه وقوع تصادف، ساعت تصادف، نوع راه، نوع برخورد، جنسیت و علت تامه تصادف معنادار شناسایی شدند. نتایج نشان می‌دهند احتمال وقوع یک تصادف شدید در ساعات اولیه روز از باقی ساعات روز بیشتر است؛ همچنین احتمال وقوع یک تصادف شدید در فروردین نسبت به بقیه ماه‌های سال از بقیه بیشتر است؛ و یا نتایج نشان دادند که نقض راه می‌تواند احتمال وقوع تصادف شدید را 5.27 برابر بیشتر از باقی علت تامه تصادفات افزایش دهد (نسبت بخت=5.27) و در نهایت احتمال وقوع یک تصادف شدید برای مردان، 41 درصد بیشتر از زنان است. در انتها سعی شده در رابطه با تعدادی از این متغیرهای اشاره شده، راهکارهایی برای انجام مطالعات بیشتر پیشنهاد شود.

using the python programming in developing data mining models for the accident severity of rural crashes in isfahan province

according to iran’s legal medical statistics, the death and injury rate due to traffic crashes has increased from 1396 to 1401. this trend is observable in the whole country and the provinces. it can be a warning sign for the authorities to analyze the factors on crashes and find solutions to reduce the death and in-jury rate. this research examines the factors affecting the severity of rural crashes in isfahan province. logistic regression model is used with 21 thousand data, and statistical analysis is performed on the results. the results show that variables such as month, time, type of road, type of collision, gender and cause of crash are significant. the probability of a severe crash is higher in the early hours of the day and in farvardin than the rest of the months of the year; road violation can increase the probability of a severe crash by 5.27 times more than other causes (or=5.27); and men have 41 percent higher probability of a severe crash than women. some suggestions are made for further studies on some of these variables.