ارزیابی میزان کاربرد تابلوهای راهنمایی و رانندگی در درک رانندگان مبتنی بر روش‌‌‌های پرسشنامه‌ای و آماری (مطالعه موردی: محور همدان-کرمانشاه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی عمران، دانشگاه آیت‌الله بروجردی، بروجرد، ایران

2 دانش‌آموخته کارشناسی ارشد، دانشکده مدیریت ترافیک، دانشگاه علوم انتظامی امین، تهران، ایران

3 دانش‌آموخته دکتری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

چکیده

در راه‌ها، میزان درک رانندگان از تابلوهای مختلف یکسان نیست و میزان درک از تابلویی به تابلوی دیگر متفاوت است. بنابراین، به‌منظور افزایش ایمنی و استفاده حداکثر از راه‌ها توسط رانندگان، پژهش حاضر به بررسی میزان درک رانندگان از تابلوها و تأثیر میـزان کاربرد تابلوها بر درک رانندگان می‌پردازد. تابلوها در سه گروه تابلوهای "پـر‌ کـاربرد "، تابلوهـای "بـا کاربرد متوسط"، و تابلوهای "کم کاربرد"دسته‌بندی می‌شوند و برای هر گرو ه 4 تابلو مـورد بررسـی قـرار می‌گیرد. روش پژوهش حاضر مبتنی بر پرسشنامه، بررسی آزمون‌های کای دو و ضریب همبستگی اسپیرمن می‌باشد. همچنین، در طول 5 روز پرسش-گری در محل پلیس راه محور همدان – کرمانشاه، تعداد 380 پرسشنامه با مصاحبه رانندگان تکمیل شد. برای اعتبارسنجی داده‌ها نیز مطالعه مشـابهی در محور ملایر -همدان با پر کردن 50 پرسشنامه انجام گرفت. سپس داده‌‌های حاصل با استفاده از آزمون کای دو و ضریب همبستگی مورد تحلیـل قرار گرفتند. نتایج محاسبه شده نشان داد که درک کلی راننـدگان از تابلوهـا 31/54 درصد بـه دسـت آمـد. بـا ایـن حـال؛ درک راننـدگان از تابلوهای "پرکاربرد"، تابلوهای "بـا کـاربرد متوسـط " و تابلوهـای "کـم کـاربرد " یکسـان نبـوده و بـه ترتیـب 6/88، 60/49 و 97/22 درصد می-باشد. همچنین نتایج حاصل از آزمون‌های کای دو و ضریب همبستگی اسپیرمن نشان داد که با افزایش میزان کاربرد تابلو، درک رانندگان از تابلوها افـزایش مـی‌یابـد که این مقدار ضریب برابر با 59/0 است.

کلیدواژه‌ها


-بهزادی، غ.، و احمدیان، س.، (1392). تعیین مقدار بهینه تابلوی ترافیکی سرعتگیر با استفاده از تاثیرپذیری رفتار رانندگان. سیزدهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، تهران.
-جعفری حقیقت­پور، پ.، و صفی­خانی، ع.، (1398). مدل پیشبینی میزان درک رانندگان از مفاهیم تابلوهای ترافیکی با  استفاده از الگوریتم درخت تصمیم. چهارمین کنفرانس بین­ المللی پژوهش در علوم و مهندسی.
-حسن­پور، ش.، و جاپلقی، د.، (1394). تأثیر تابلوهای تبلیغاتی بر ایمنی جاده­ها. کنفرانس بین­المللی پژوهش در علوم و مهندسی.
-رحیمی، ا.م.، محمدزاده‌جمالیان، ر.، و مدقالچی، ع.، (1397). ارزیابی تأثیر میزان کاربرد تابلوهای راهنمایی و رانندگی در درک آنها توسط رانندگان ایرانی. پژوهشنامه حمل و نقل، 15(4)، 28-17.
-رحیمی، ا.م.، و کاظمی، م.، (1393). شناسایی و تحلیل پارامترهای مؤثر بر رفتار کاربران راه در مواجهه با علایم ترافیکی درون‌شهری. فصلنامه مهندسی حمل و نقل، 5 (4)، 512-495.
-فربد، الف.، و اولادی ، ب، و عباسی ، ن. (1388). تحلیل داده­های پرسشنامه­های به کمک نرم­افزار SPSS"، انتشارات مهرگان قلم، عابد.
-Aghdam, H. H., Heravi, E. J., & Puig, D., (2016). A practical approach for detection and classification of traffic signs using convolutional neural networks. Robotics and Autonomous Systems, 84, 97-112.
-Akple, M. S., Sogbe, E., & Atombo, C., (2020), Evaluation of road traffic signs, markings and traffic rules compliance among drivers’ in Ghana. Case studies on transport policy, 8(4), 1295-1306.
-Al-Madani, H. (2004), Comprehension of signs: Driver demographic and traffic safety characteristics. In The Human Factors
of Transport Signs
, CRC Press, 169-183.
-Al-Madani, H., & Al-Janahi, A. R., (2002), Role of drivers’ personal characteristics in understanding traffic sign symbols, Accident analysis & prevention, 34(2), 185-196.
-Al-Madani, H., & Al-Janahi, A. R., (2002). Assessment of drivers' comprehension of traffic signs based on their traffic, personal and social characteristics. Transportation research part F: Traffic psychology and behaviour, 5(1), 63-76.
-American National Standards Institute (ANSI Z535), https://webstore.ansi.org/standards/nema/ansiz5352011r2017-1668873.
-Badue, C., Guidolini, R., Carneiro, R. V., Azevedo, P., Cardoso, V. B., Forechi, A., ... & De Souza, A. F., (2021). Self-driving cars: A survey. Expert Systems with Applications, 165, 113816.
-Ben-Bassat, T., & Shinar, D., (2015). The effect of context and drivers’ age on highway traffic signs comprehension. Transportation research part F: traffic psychology and behavior, 33, 117-127.
-Dhawan, K., & RK, N., (2023), Identification of traffic signs for advanced driving assistance systems in smart cities using deep learning. Multimedia Tools and Applications, 1-16.
-Hasheminezhad, A., Hadadi, F., & Shirmohammadi, H., (2021), Investigation and prioritization of risk factors in the collision of two passenger trains based on fuzzy COPRAS and fuzzy DEMATEL methods Soft Computing, 25(6), 4677-4697.
-Hernando, A., Lucas-Alba, A., Blanch, M. T., & Lombas, A. S., (2022), Effect of design factors on drivers’ understanding of variable message signs locating traffic events. Transportation research part F: traffic psychology and behavior, 91, 223-235.
-International Organization for Standardization (ISO 3864-1), (2011). https://www.iso.org/standard/51021.html.
-Jayapal, P. K., Muvva, V. R., & Desanamukula, V. S., (2023). Stacked extreme learning machine with horse herd optimization: A methodology for traffic sign recognition in advanced driver assistance systems. Mechatron. Intel Transp. Syst., 2(3), 131-145.
-Kirmizioglu, E., & Tuydes-Yaman, H., (2012). Comprehensibility of traffic signs among urban drivers in Turkey. Accident Analysis & Prevention, 45, 131-141.
-Maulina, D., Andini, E., Tanri, D., Kamsanih, N., Mazaya, S., & Zhafirah, T., (2022). Traffic Signs Comprehension among Motorcyclists: The Effect of Sign Type and Sign Familiarity. Humaniora, 13(1).
-Ng, A. W., & Chan, A. H. (2008). The effects of driver factors and sign design features on the comprehensibility of traffic signs. Journal of safety research, 39(3), 321-328.
-Oviedo-Trespalacios, O., Truelove, V., Watson, B., & Hinton, J. A. (2019), .The impact of road advertising signs on driver behavior and implications for road safety: A critical systematic review. Transportation research part A: policy and practice, 122, 85-98.
-Razzak, A., & Hasan, T., (2010). Motorist understanding of traffic signs: a study in Dhaka city", Journal of Civil Engineering (IEB), 38(1), 17-29.
-Shabani, S., (2019), Assessment of Driver's Attention to Traffic Signs through Analysis of Gaze and Driving Sequences (Doctoral dissertation). The University of Western Ontario (Canada).
-Shahverdy, M., Fathy, M., Berangi, R., & Sabokrou, M., (2020), Driver behavior detection and classification using deep convolutional neural networks. Expert Systems with Applications, 149, 113240.
-Shinar, D., & M. Vogelzang., (2013). Comprehension of Traffic Signs with Symbolic versus Text Displays. Transportation Research Part F: traffic Psychology and Behavior. 18, 72–82.
-Shirmohammadi, H., & Hadadi, F., (2017). Assessment of drowsy drivers by fuzzy logic approach based on multinomial logistic regression analysis. International Journal of Computer Science and Network Security, 17(4), 298.
-Shirmohammadi, H., & Hadadi, F., (2019).  Optimizing total delay and average queue length based on fuzzy logic controller in urban intersections. International Journal of Supply and Operations Management, 6(2), 142-158.
-Shirmohammadi, H., Hadadi, F., & Saeedian, M., (2019). Clustering analysis of drivers based on behavioral characteristics regarding road safety. International Journal of Civil Engineering, 17(8), . 1327-1340.
-Shirmohammadi, H., Najib, A. S., & Hadadi, F., (2018). Identification of road critical segments using wavelet theory and multi-criteria decision-making method., European Transport-trasporti Europei, (68).
-Taamneh, M., & Alkheder, S., (2018). Traffic sign perception among Jordanian drivers: An evaluation study. Transport policy, 66, 17-29.
-Tabassum, A., & Vaidehi, K., (2021).Traffic Sign Recognition For An Intelligent Vehicle: A Review. Turkish Online Journal of Qualitative Inquiry, 12(6).
-Triki, N., Karray, M., & Ksantini, M. (2023). A real-time traffic sign recognition method using a new attention-based deep convolutional neural network for smart vehicles. Applied Sciences, 13(8), 4793.
-Wali, S. B., Abdullah, M. A., Hannan, M. A., Hussain, A., Samad, S. A., Ker, P. J., & Mansor, M. B. (2019). Vision-based traffic sign detection and recognition systems: Current trends and challenges, Sensors, 19(9), 2093.
-Williams, R. H., Zimmerman, D. W., Zumbo, B. D., & Ross, D., (2003). Charles Spearman: British behavioral scientist. Human Nature Review, 3(12), 114-118.
-Zhao, W., Xu, L., Bai, J., Ji, M., & Runge, T. (2018). Sensor-based risk perception ability network design for drivers in snow and ice environmental freeway: a deep learning and rough sets approach. Soft Computing, 22, 1457-146.