سنجش خطر تصادفات: نقش خودکارآمدی در رانندگی و عوامل جمعیت شناختی در امنیت تردد

پژوهش حاضر با هدف بررسی احتمال بروز تصادفات رانندگی بر حسب جنسیت، سن، تحصیلات، سابقه رانندگی و خودکارآمدی رانندگان انجام شد. در یک طرح همبستگی، تعداد 200 نفر از افراد مراجعه‌کننده به یکی از مراکز تعویض پلاک خودرو شهر مشهد در بازه زمانی دو هفته‌ای طی بهمن 1402 با روش نمونه‌گیری در دسترس انتخاب شدند. گردآوری داده‌ها با مقیاس خودکارآمدی رانندگی آدلاید (adses) و پرسشنامه شاخص‌های جمعیت شناختی صورت گرفت. نتایج تحلیل لوجستیک نشان داد که بین جنسیت، سابقه رانندگی و خودکارآمدی رانندگی با احتمال تصادف رانندگی رابطه معناداری وجود دارد (0.05>p). سایر نتایج گویای آن بود که احتمال تصادف رانندگی در زنان 78 درصد بیشتر از مردان است. علاوه بر آن افزایش سابقه رانندگی به میزان 19 درصد و افزایش خودکارآمدی رانندگی به میزان 18 درصد احتمال تصادف رانندگی را کاهش می‌دهند. یافته‌های پژوهش حاضر نشان داد که جنسیت، سابقه رانندگی و خودکارآمدی رانندگی در پیش بینی احتمال تصادفات رانندگی موثر هستند.

assessing accident risk: the role of driving self-efficacy and demographic factors in traffic safety

introductionglobally, traffic accidents result in a significant number of fatalities and non-fatal injuries annually (who, 2019). in iran, traffic accidents account for 14% of all mortality, ranking second only to cardiovascular diseases (montazer saheb, 2021). therefore, a comprehensive understanding of factors contributing to traffic accidents is crucial. driving self-efficacy is a key predictor in this context (maghelal et al., 2023). self-efficacy significantly impacts motivational processes; individuals with high self-efficacy exhibit enhanced coping mechanisms for goal-related stress and demonstrate greater positive affect compared to those with low self-efficacy (shokoohi-yekta et al., 2021). while the predictive utility of driving self-efficacy in traffic accidents has been examined in some studies, gaps in the literature persist.demographic factors also appear to play a salient role in traffic accident occurrence (factor, 2014). specifically, gender, age, educational level, and driving experience are posited as influential factors. however, there remains limited research exploring the interplay of these variables in predicting traffic accident likelihood, and findings across existing studies are inconsistent. overall, while self-efficacy and demographic indicators (gender, age, and education) are likely influential in the frequency of traffic accidents, there is a lack of consistent and aligned results to draw precise conclusions about the extent of their impact. thus, the present study aimed to predict traffic accident likelihood based on driving history, driving self-efficacy, and demographic indicators (age, gender, and education). overall, while self-efficacy and demographic indicators (gender, age, and education) are likely influential in the frequency of traffic accidents, there is a lack of consistent and aligned results to draw precise conclusions about the extent of their impact.