شناسایی مولفه‌های مدیریت هوشمند تخلفات رانندگی

زمینه و هدف: بی‌توجهی به مقررات راهنمایی و رانندگی و قانون‌گریزی همواره از علل بروز مشکلات، معضلات و حوادث ترافیکی در همه جوامع بوده است؛ حوادث و سوانح ترافیکی و میزان مرگ‌ومیر و مجروحان حاصل از آن، سالانه بیش از 6 درصد تولید ناخالص ملی کشور ایران را تلف می‌کند. از این‎رو، هدف تحقیق حاضر، شناسایی مولفه‌ها و شاخص‌های مدیریت هوشمند تخلفات رانندگی با رویکرد ماتریس هادون است.روش: این پژوهش از نظر هدف، کاربردی و از نظر نوع، کیفی با رویکرد تحلیل مضمون انجام شده است. جامعه تحقیق را خبرگان و صاحب‌نظران حوزه درون و برون‌شهری پلیس راهنمایی و رانندگی، مهندسان حمل‌ونقل و متخصصان حوزه سامانه حمل‎ونقل هوشمند[1] تشکیل می‌دهد که 10 نفر به روش هدف‌مند انتخاب شدند و برای گردآوری داده‌ها از ابزار مصاحبه عمیق نیمه‌ساختاریافته استفاده شد.یافته‌ها: در تحلیل داده‌های حاصل از مصاحبه؛ سه مقوله اصلی شامل: مدیریت هوشمند تخلفات رانندگی قبل از وقوع، مدیریت هوشمند تخلفات رانندگی حین وقوع و مدیریت هوشمند تخلفات رانندگی بعد از وقوع در مدیریت تخلفات رانندگی ارائه شد که هرکدام شامل مولفه‌ها و شاخص‌های متعددی بود و در مجموع تعداد 93 شاخص و 21 مولفه در حوزه مدیریت هوشمند تخلفات رانندگی شناسایی و احصا شد.نتیجه‌گیری: از تعداد 93 شاخص موجود صرفاً 22 شاخص آن مربوط به حین وقوع تخلف رانندگی بوده و تعداد 71 شاخص آن مربوط به قبل و بعد از وقوع تخلف رانندگی است. لذا شاخص‌های مدیریت هوشمند تخلفات رانندگی در مراحل قبل و بعد از وقوع تخلف از فراوانی بالاتری برخوردار هستند.

Identifying the components of intelligent management of traffic violations with the Haddon matrix approach

Background and Aim:Traffic accidents and the number of deaths and injuries resulting from it, annually wastes more than 6% of Iran’s GDP And this has become a major concern and has highlighted the need for intelligent management of traffic violations. Therefore, the purpose of this study is to identify the dimensions, components and indicators of intelligent management of traffic violations with the Haddon matrix approach and according to experts.Method: This research is a developmental application in terms of purpose and qualitative in terms of content with a content analysis approach. The research community consists of experts and experts in the inner and outer city of traffic police, traffic engineers, urban management and ITS experts. 10 people were purposefully selected and semistructured indepth interview tools were used to collect data.Findings:In analyzing the data obtained from the interview; three main categories including intelligent management of traffic violations before occurrence, intelligent management of traffic violations during occurrence and intelligent management of traffic violations after occurrence were presented in traffic violation management, each of which included several components and indicators and a total of 93 indicators and 21 components. In the field of intelligent management, driving violations were identified.Conclusion: Of the 93 indicators available, only 22 indicators are related to the occurrence of traffic violations and 71 indicators are related to before and after the occurrence of traffic violations.