تحلیل آماری و مدلسازی شدت تصادفات موتورسواران در راه‌های استان گیلان با استفاده از رگرسیون و شبکه عصبی مصنوعی

نویسندگان

1 استادیار، گروه مهندسی عمران، دانشگاه علم و فناوری مازندران، بهشهر، ایران

2 دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی، موسسه اموزش عالی آریان، امیرکلا، مازندران، ایران

10.22034/road.2023.170679

چکیده

تصادفات هزینه­های جبران ناپذیری هر ساله به اقتصاد کشورها تحمیل می­کنند. علاوه بر این، بسیاری از آمار کشته­شده­ها مربوط به تصادفات می­باشد که این موضوع می­تواند خود عامل انسانی که عامل محرک اقتصاد می­باشد را در خطر قرار دهد.در این بین، یکی از کاربران راه که بسیار در معرض تصادفات می­باشند، موتورسیکلت­سواران می­باشد که هرساله بخش زیادی از کشته­شده­ها و مجروحان تصادفات را شامل می­شوند که هدف اصلی بررسی متغیرهای تاثیرگذار بر تصادفات موتورسیکلت­سواران می­باشد.که با استفاده از جمع­آوری اطلاعات تصادفات و همچنین استفاده از روش­های مختلف آماری و مدلسازی ازجمله فیریدمن، عاملی و مدل لوجیت و شبکه عصبی به بررسی تاثیر هر یک از این متغیرها پرداخته می­شود. نتایج نشان داد متغیرهای فصل تصادف، علت تامه، شرایط سطح راه و شرایط روشنایی به ترتیب بالاترین رتبه را داشتند. از طرف دیگر، متغیرهای روز و فصل تصادف و سن موتورسواران به ترتیب کمترین اهمیت را در وقوع تصادفات موتورسواران معابر جاده­ای استان گیلان داشتند. علاوه بر این متغیرهای وضعیت هوا، شرایط سطح راه و وضعیت روشنایی تحت اولین عامل مؤثر در تصادفات موتورسواران استان گیلان قرار گرفتند؛ با توجه به مدل لوجیت بدست آمده از تصادفات موتورسیکلت­سواران مشخص شد که متغیرهای فصل بهار، ساعت 6 تا12 و 18 تا 24، شرایط سطح خشک، شرایط روشنایی شب بدون نور کافی؛ وضع اب و هوایی بارانی؛ عدم توجه به جلو و تغییر مسیر ناگهانی، احتمال وقوع تصادفات موتورسواران معابر جاده­ای گیلان را افزایش می‌دهند. براساس مدل شبکه عصبی؛ مقادیر علت تامه و وضع روشنایی و وضع آب و هوا به ترتیب بیشترین تأثیر را در شدت تصادفات موتورسواران معابر گیلان داشته‌اند. همچنین مدل شبکه عصبی با مقادیر R2، 31/93 دقت بالاتری را نسبت به مدل لوجیت نشان داد.

کلیدواژه‌ها


-Amin, S., Backpropagation–Artificial Neural Network (BP-ANN), (2020), “Understanding gender characteristics of older driver accidents in West Midlands of United Kingdom”, Safety science, 122,
pp. 104539.
 
-Ang, B.H., W.S. Chen, and S.W.H. Lee,  (2017), “Global burden of road traffic accidents in older adults: a systematic review and meta-regression analysis”, Archives of gerontology and geriatrics, 72, pp. 32-38.
 
-Bargegol, I. and M. Keyoumarsi, (2016), “An Investigation on Pedestrian Accident Severity in Urban Streets Using Path Analysis”, Computational Research Progress in Applied Science & Engineering (CRPASE), 2(2).
 
-Braitman KA, K.B., McCartt AT, Chaudhary NK, (2008), “Crashes of novice teenage drivers: Characteristics and contributing factors”, Journal of Safety Research [Internet], 39(1), pp. 47–54.
 
-Ćosić, M., L. Šimunović, and M. Jakovljević, (2019), “Relationships Between External Factors and Pedestrian Accident Blackspots, A Case Study of the City of Zagreb”, Promet-Traffic&Transportation, 31(3), pp. 329-340.
-Galanis, A., G. Botzoris, and N. Eliou, (2017), “Pedestrian road safety in relation to urban road type and traffic flow”, Transportation research procedia, 24,
pp. 220-227.
 
-Hakamies-Blomqvist, L. and P. Henriksson, (1999), “Cohort effects in older drivers' accident type distribution: are older drivers as old as they used to be?” Transportation research part F: traffic psychology and behaviour, 2(3), pp. 131-138.
 
-Kar, S., et al.,  (2016), “Pattern of road traffic accidents in Bhubaneswar, Odisha. Clinical epidemiology and global health”, 4(3), pp. 115-119.
 
-Lee, J., et al.,  (2018), “Traffic accident severity analysis with rain-related factors using structural equation modeling–A case study of Seoul City”, Accident Analysis & Prevention, 112, p­p. 1-10.
 
 
 
-Liu, J., et al., (2019), “Exploring factors affecting the severity of night-time vehicle accidents under low illumination conditions”, Advances in Mechanical Engineering, 11(4), pp. 1687814019840940.
-Moafian, G., et al., (2013), “An epidemiologic survey of road traffic accidents in Iran: analysis of driver-related factors”, Chinese journal of traumatology, 16(3), pp. 140-144.
-Salmon, P.M., et al., (2019), “Bad behaviour or societal failure? Perceptions of the factors contributing to drivers' engagement in the fatal five driving behaviours”, Applied ergonomics, 74: pp. 162-171.
-Vorko-Jović, A., J. Kern, and Z. Biloglav,  (2006), “Risk factors in urban road traffic accidents”, Journal of safety research, 37(1), pp. 93-98.
-Wang, L., et al., (2019), “Road traffic mortality in China: analysis of national surveillance data from 2006 to 2016”, The Lancet Public Health, 4(5), pp. e245-e255.