مدل‌سازی شدت تصادفات وسایل‌نقلیه با عابرپیاده با استفاده از رگرسیون لجستیک چندگانه

زمینه و هدف: با افزایش تعداد تصادفات رانندگی در سطح جهان، ایمنی ترافیک به یک موضوع مهم عمومی تبدیل شده است. تصادفات با عابرپیاده در مقایسه با انواع دیگر تصادفات، سطح شدت بالاتری دارد. از این‌رو بایستی عوامل بالقوه تاثیرگذار بر سطوح مختلف شدت این نوع تصادفات شناسایی شود تا اقداماتی متناسب با هر یک از عوامل صورت گیرد.روش: در این مقاله از مدل رگرسیون لجستیک چندگانه (mnl) برای شناسایی عوامل موثر در شدت تصادف وسایل‌نقلیه با عابرپیاده استفاده شده است. داده‌های تصادفات عابرپیاده سامانه اطلاعات ایمنی راه (hsis) ایالت کالیفرنیا از سال 2015 تا 2017 در این مقاله مورد استفاده قرار گرفته است. شدت آسیب با استفاده از مقیاس kabco تعریف شده و به پنج سطح طبقه‌بندی می‌شود: آسیب کشنده (k) و 4 سطح آسیب‌دیدگی شامل: آسیب شدید یا ناتوان‌کننده (سطح 1، (a))، آسیب غیرناتوان‌کننده یا آسیب‌دیدگی متوسط (سطح 2، (b))، آسیب‌دیدگی کم یا ممکن (سطح 3، (c)) و بدون آسیب (سطح 4، (o)).یافته‌ها: نتایج نشان می‌دهد عواملی‌که احتمال مرگ‌ومیر و صدمات جانی را به میزان قابل‌توجهی افزایش می‌دهند، عبارت‌اند از: سن رانندگان (26 تا 65 و بالای 65 سال)، روزهای کاری هفته، میانگین سالانه ترافیک روزانه (aadt) کم و متوسط، ساعات اوج صبح و ساعات غیر اوج روز شرایط و وضعیت روشنایی نور روز.نتیجه‌گیری: مدل توسعه‌یافته و نتایج تحلیل، راه‌کارهای موثری را برای کاهش شدت تصادفات وسایل‌نقلیه با عابرپیاده و بهبود عملکرد ایمنی سامانه ترافیک ارائه می‌دهد. نتایج این مطالعه می‌تواند برای شناسایی عوامل تصادفات عابرپیاده در دنیای واقعی مفید باشد. هم‌چنین کارشناسان و مسئولان حوزه ایمنی راه می‌توانند از نتایج این مطالعه جهت بهبود وضع ایمنی عابران پیاده اقدام کنند.

modeling the severity of pedestrian-vehicle accidents using multinomial logit regression

background and aim: pedestrian-vehicle accidents have a higher level of severity compared to other types of accidents. therefore, the potential contributing factors at different severity levels of this type of accident should be identified so that appropriate measures can be taken for each of these factors.method: in this paper, the multinomial logit (mnl) model is used to identify the factors affecting the severity of pedestrian-vehicle accidents. the pedestrian-vehicle accident data from highway safety information system (hsis) of california from 2015 to 2017 is used in this article. the severity of injury is defined using the kabco scale and is classified into five levels: fatal injury (k) and 4 injury levels including: severe or disabling injury (level 1, (a)), evident injury (level 2, (b)), minor or possible injury (level 3, (c)) and no injury (level 4, (o)).findings: the results show that the factors that significantly increase the risk of death and injury are: drivers’ age (26 to 65 and over 65 years), weekday, low and medium annual average daily traffic (aadt), morning peak and daytime off peak and daylight.conclusion: the developed model and the results of the analysis offer effective solutions to reduce the severity of pedestrian traffic accidents and improve the safety performance of the traffic system. the results of this study can be useful for identifying the potential contributing factors to pedestrian-vehicle accidents in the real world. in addition, road safety experts and officials can use the results of this study to improve pedestrian safety.