بررسی عوامل موثر بر شدت تصادفات وسایل‌نقلیه سنگین در راه‌های برون‌شهری با استفاده از رگرسیون لاجیت

مهندسی عمران فردوسی

مقاله 6، دوره 35، شماره 2 - شماره پیاپی 38، شهریور 1401، صفحه 75-86  

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jfcei.2022.73927.1093

نویسندگان

ایرج برگ گل ¹؛ محمد رحمانی نژاد اصیل ²؛ سعید فاطمی ³؛ سید امیر سعادتجو ⁴

¹دانشکده مهندسی عمران، دانشکده فنی، دانشگاه گیلان

²دانشکده عمران، راه و ترابری، دانشکده فنی، دانشگاه گیلان

³گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

⁴دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران

چکیده

با توجه به رشد جمعیت و افزایش تعداد وسایل‌نقلیه در راه‌های برون‌شهری، تصادفات رانندگی یکی از مهمترین مشکلات سیستم حمل و نقل می باشد. وسایل‌نقلیه سنگین تاثیر زیادی در پیشرفت اقتصادی کشور‌های در‌حال توسعه مانند ایران دارند. وسایل‌نقلیه سنگین حجم زیادی از کالا را در داخل کشور جا‌به‌جا می‌کند. راه‌های برون‌شهری در استان گیلان، به‌دلیل امکان بازرگانی با کشور‌های حاشیه دریای‌خزر و وجود زمین‌های کشاورزی، تردد حجم زیادی از وسایل‌نقلیه سنگین را تجربه می‌کنند. این پژوهش به‌ بررسی تصادفات وسایل‌نقلیه سنگین در راه‌های برون‌شهری و بررسی عوامل تاثیرگذار بر شدت تصادف با استفاده از آزمون‌های آماری کولموگروف اسمیرنوف و آزمون فریدمن و همچنین رگرسیون لاجیت می‌پردازد. نتایج نشان می‌دهد وجود قوس در هندسه‌راه، برخورد جلو‌به‌جلو، تصادفات ساعات غیر‌اوج ( یک تا شش صبح) و ساعات اوج عصر ( 19 تا نیمه شب)، بومی‌بودن راننده و برخورد با ماشین آلات‌کشاورزی باعث افزایش شدت‌ تصادفات می‌شود. همچنین موتورسواران آسیب‌پذیرترین کاربران راه در برخورد با وسایل‌نقلیه سنگین هستند. از سوی دیگر، عواملی نظیر وجود میانه‌راه، نوع برخورد بغل‌به‌بغل و آب و هوای صاف باعث کاهش شدت تصادفات می‌شود.

کلیدواژه‌ها

شدت تصادفات؛ وسایل‌نقلیه سنگین؛ راه‌های برون‌شهری؛ رگرسیون لاجیت

مراجع

1. Hosseinian, S.M. and Gilani, V.N.M., "Analysis of factors affecting urban road accidents in Rasht metropolis", Eng Transactions, Vol. 1, pp. 1-4. (2020).
2. Hosseinian, S.M., Najafi Moghaddam Gilani, V., Mirbaha, B. and Abdi Kordani, A., "Statistical analysis for study of the effect of dark clothing color of female pedestrians on the severity of accident using machine learning methods", Mathematical Problems in Engineering, Vol. 2021, pp. 1-21. (2021).
3. Rahimi, E., Shamshiripour, A., Samimi, A. and Mohammadian, A.K., "Investigating the injury severity of single-vehicle truck crashes in a developing country", Accident Analysis & Prevention, Vol. 137, pp. 105444. (2020).
4. Effati, M. and Saheli, M.V., "Examining the influence of rural land uses and accessibility-related factors to estimate pedestrian safety: The use of GIS and machine learning techniques", International journal of transportation science and technology, Vol. 11, pp. 144-157. (2022).
5. Vahedi Saheli, M. and Effati, M., "Segment-based count regression geospatial modeling of the effect of roadside land uses on pedestrian crash frequency in rural roads", International journal of intelligent transportation systems research, Vol. 19, pp. 347-365. (2021).
6. Saheli, M.V. and Effati, M., "Examining the impact of land-use related factors on rural traffic collisions", Journal of Injury and Violence Research, Vol. 11, (2019).
7. Wang, Y., Luo, Y. and Chen, F., "Interpreting risk factors for truck crash severity on mountainous freeways in Jiangxi and Shaanxi, China", European transport research review, Vol. 11, pp. 1-11. (2019).
8. Chang, L.-Y. and Chien, J.-T., "Analysis of driver injury severity in truck-involved accidents using a non-parametric classification tree model", Safety science, Vol. 51, pp. 17-22. (2013).
9. Kaplan, S. and Prato, C.G., "Risk factors associated with bus accident severity in the United States: A generalized ordered logit model", Journal of safety research, Vol. 43, pp. 171-180. (2012).
10. Azimi, G., Rahimi, A., Asgari, H. and Jin, X., "Severity analysis for large truck rollover crashes using a random parameter ordered logit model", Accident Analysis & Prevention, Vol. 135, pp. 105355. (2020).
11. Behnood, A. and Al-Bdairi, N.S.S., "Determinant of injury severities in large truck crashes: A weekly instability analysis", Safety science, Vol. 131, pp. 104911. (2020).
12. Ruxton, G.D., Wilkinson, D.M. and Neuhäuser, M., "Advice on testing the null hypothesis that a sample is drawn from a normal distribution", Animal Behaviour, Vol. 107, pp. 249-252. (2015).
13. Eisinga, R., Heskes, T., Pelzer, B. and Te Grotenhuis, M., "Exact p-values for pairwise comparison of Friedman rank sums, with application to comparing classifiers", BMC bioinformatics, Vol. 18, pp. 1-18. (2017).
14. Kamboozia, N., Ameri, M. and Hosseinian, S.M., "Statistical analysis and accident prediction models leading to pedestrian injuries and deaths on rural roads in Iran", International journal of injury control and safety promotion, Vol. 27, pp. 493-509. (2020).
15. Najafi Moghaddam Gilani, V., Hosseinian, S.M., Ghasedi, M. and Nikookar, M., "Data-driven urban traffic accident analysis and prediction using logit and machine learning-based pattern recognition models", Mathematical problems in engineering, Vol. 2021, (2021).
16. Ghasedi, M., Sarfjoo, M. and Bargegol, I., "Prediction and analysis of the severity and number of suburban accidents using logit model, factor analysis and machine learning: a case study in a developing country", SN Applied Sciences, Vol. 3, pp. 1-16. (2021).