تحلیل و پیش‌بینی شدت تصادفات جاده‌ای با استفاده از مدل لوجیت دودویی: مطالعه موردی داده‌های تصادفات رانندگی کشور کانادا سال 2019

تحقیق حاضر بر روی مدل لوجیت دودویی برای پیش‌بینی احتمال مرگ رانندگان در تصادفات جاده‌ای تمرکز دارد. در این تحقیق، از داده‌های تصادفات رانندگی جاده‌ای کشور کانادا استفاده شده است. این داده‌ها در سال 2019 توسط پلیس راه جمع‌آوری شده‌اند و در پایگاه ملی داده‌های تصادفات ثبت شده‌اند. متغیر وابسته در این مدل شدت تصادف می‌باشد که یک متغیر دودویی است (مرگ رانندگان و مجروح شدن رانندگان). متغیرهای مستقل شامل انواع وسایل نقلیه، سن خودرو، روزها، بازه‌های زمانی، برخورد هم جهت و مخالف جهت، محل تصادف، شرایط جوی، سن و جنسیت راننده است. با تحلیل داده‌ها و تخمین پارامترها، مدل تا 41 درصد تغییرات متغیر وابسته را پیش‌بینی می‌تواند. در مرحله اعتبارسنجی مدل، داده‌ها به دو بخش تقسیم شده است و 70 درصد آن‌ها برای مدل‌سازی و 30 درصد باقی‌مانده برای اعتبارسنجی مدل استفاده شده است. از شاخص‌ آزمون عدد مک فادن برای ارزیابی عملکرد مدل استفاده شده است. ساخت مدل‌های این تحقیق به کمک نرم افزار‌های spss و nlogit6.0 صورت گرفته است. نتایج نشان می‌دهد که مدل به خوبی با داده‌ها تطابق دارد و توانایی پیش‌بینی تغییرات شدت تصادفات را دارد. در نتیجه، این تحقیق نشان می‌دهد که متغیرهای خشک بودن سطح جاده، بازه نیمه شب و سن وسیله نقلیه باعث افزایش مرگ‌ افراد شده و متغیرهایی مانند وسیله نقلیه سبک، اتوبوس مدرسه و برخودر هم‌جهت تصادف منجر به مرگ را کاهش می‌دهد.

analysis and prediction of road accident severity using binary logit model: a case study of road traffic accident data in canada 2019

the present study focuses on the binary logit model for predicting the probability of driver fatalities in road accidents. the study utilizes data from road traffic accidents in canada. these data were collected by the highway police in 2019 and recorded in the national collison database (ncbd). the dependent variable in this model is the severity of accidents, which is a binary variable representing driver fatalities and injuries. the independent variables include vehicle types, vehicle age, days of the week, time intervals, same direction and opposite direction collisions, intersections, weather conditions, driver age, and gender. by analyzing the data and estimating the parameters, the model can predict up to 41% of the variations in the dependent variable. in the model validation stage, the data were divided into two parts, with 70% used for modeling and 30% for validation. mcfadden's pseudo were used to evaluate the model's performance. the models were constructed using spss and nlogit6.0 software. the results demonstrate that the model fits well with the data and has the capability to predict changes in accident severity. consequently, the study indicates that variables such as road dryness, midnight time interval, and vehicle age contribute to an increase in driver fatalities, while variables such as light duty vehicles, school buses, and same direction collisions contribute to a reduction in fatalities.