|
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385 3 84/9/ 84 – تاریخ پذیرش: 15 /6/ * تاریخ دریافت: 20
مدل سازی شدت تصادفات موتورسیکلت در شهر تهران*
محمود احمدی نژاد، استادیار، دانشکده عمران، دانشگاه علم و صنعت ایران، تهران، ایران
جلیل شاهی، دانشیار، دانشکده عمران، دانشگاه علم و صنعت ایران، تهران، ایران
عبدالرضا شیخ الاسلامی، عضو هیئت علمی و دانشجوی دکترای مهندسی و برنامهریزی حمل و نقل دانشکده عمران،
دانشگاه علم و صنعت ایران، تهران، ایران
E-mail: jalil@iust.ac.ir
چکیده:
در این مقاله نتایج کاربرد اطلاعات گر دآوری شده درمورد وقوع تصادفات موتورسیکلت در شهر تهران با هدف
دستیابی به مدلی که قادر به پی شبینی شدت تصادفات مزبور باشد ارایه شده است. روش مد لسازی مورد استفاده در
این تحقیق، روش رگرسیون لاجستیک و یا جایگزین های آن شامل پرابیت و لاجیت دوگانه بوده است. ابتدا با استفاده از
مدل عمومی پرابیت و تعریف یک متغیر که دارای چهار درجه و نشان دهنده شدت تصادف بوده است، متغیرهای مستقل
انتخاب شده اند. wald قابل درنظرگرفتن در مدل، با استفاده از نتیجه آزمون آماری
در مرحله بعد، متغیر شدت به یک متغیر دوگانه تبدیل شده و با بهر هگیری از ترکیبهای مختلف متغیرهای مستقل
غیروابسته، مدلهای مختلف شدت تصادف از روش لاجیت دوگانه به دست آمده اند.
در این تحقیق اصول مد لسازی به روش رگرسیون لاجستیک تشریح شده و رو شهای جایگزین آن نیز مورد بررسی
مقایسهای قرار گرفته و به بررسی اثر متغیرهای مستقل مختلف، بر شدت تصادف پرداخته شده است. بررسی اثر
متغیرها بر شدت، با استفاده از پارامتر شانس احتمال ارزیابی شده که براساس آن، نامشخص بودن مشخصات گواهینامه،
وقوع تصادف بین ساعت 4 تا 6 صبح، دخیل بودن مینی بوس یا اتوبوس، وقوع تصادف در بزرگراه یا کمربندی، برخورد
با وسایل نقلیه سنگین، وجود مانع دید، وقوع تصادف بین ساعت 24 تا 2 بامداد و وجود نقص در علایم، عواملی بوده اند
که نقش عمدهای در افزایش شدت تصادفات داشته اند.
واژه های کلیدی: تصادف، موتورسیکلت، شدت، مدل سازی، لاجستیک، پرابیت
1. مقدمه
باتوجه به این که هزینه و عوارض هر تصادف تابع مستقیم شدت
آن است، شناخت عواملی که باعث تشدید عوارض تصادفات
میشوند از اهمیت قابل توجهی برخوردار است. به همین دلیل در
مطالعات ایمنی ترافیک تلاش بسیاری برای ارایۀ مدل های شدت
به عمل آمده است. در عین حال، بررسی سوابق مطالعات
نشان میدهد که تا کنون به مدل سازی شدت تصادفات
موتورسیکلت توجه کافی نشده است.
عوامل بسیاری چون جنسیت، سن، نوع وسای لنقلیه درگیر، نحوه
حرکت وسایل نقلیه در هنگام تصادف، سرعت حرکت و عوامل
طرح هندسی راه و غیره که بر شدت تصادف تاثیرگذارند،
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385 3 84/9/ 84 – تاریخ پذیرش: 15 /6/ * تاریخ دریافت: 20
احمدی نژاد، شاهی و شیخ الاسلامی
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 14 1385
قابل منظور کردن در مدل شدت هستند. مدل سازی شدت
تصادفات برحسب پارامترهای مزبور، امکان پی شبینی وقوع یا عدم
وقوع تصادفات نیازمند تجهیزات امدادرسانی را فراهم می کند، و
علاوه بر آن، با استفاده از این مدل، می توان به بررسی میزان تاثیر
هر عامل در شدت بخشیدن به تصادفات پرداخت. آشکار است که
چنین شناختی، منتهی به امکان پذیر شدن تدوین برنامه های
ایمن سازی تردد در جهت کاهش تبعات ناشی از تصادفات
می شود.
درحالت کلی، دو روش برای حصول به اهداف فوق متصور است؛
انجام آزمایش در محیط واقعی و مدل سازی بر پایۀ اطلاعات
گردآوری شده.
آشکار است که ایجاد تغییر در شرایط شبکه معابر شهر تهران
به منظور انجام آزمایشهای واقعی که منجر به شناخت عوامل
مؤثر بر شدت تصادفات موتورسیکلت شود، امری امکان ناپذیر
است. دلایل اصلی غیرممکن بودن انجام چنین آزمایشهایی،
علاوه بر هزینه بسیار زیاد آن، نظم ناپایدار تردد در شبکه معابر
شهر است که تغییرات ناچیز در وضعیت آن، موجب تراکم و
بی نظمی میشود و بعضاً تا وضعیت تردد در محل موردنظر را
تا ساعتها دچار اختلال می سازد. از سوی دیگر، بنابر شرایط
حاکم بر فرهنگ تردد، رفتار شهروندان شدیداً متأثر از این امر
است که نظارتی بر اعمال خویش احساس کنند یا آن که فارغ از
نظارت افرادی همچون پلیس راهنمایی و رانندگی، رفتار آزادانه
داشته باشند. از آنجاکه ترتیب آزمای شهای واقعی بدون همکاری
پلیس مقدور نیست، صِرف برقراری شرایط آزمایشی، منجر به
ایجاد وضعیتی میشود که با وضعیت عادی تردد تفاوت دارد.
بنابراین در تحقیق حاضر با استفاده از اطلاعات گرد آوری شده
درمورد سوابق رخداد تصادفهای موتورسیکلت در شهر تهران،
اقدام به ارایه مد ل پیشبینی شدت تصادفات موتورسیکلت
شده است.
2. پیشینه
مدلسازی و بررسی عوامل موثر بر شدت تصادف تا کنون موضوع
تحقیقات بیشماری بوده است. برخی از مدلهای عمومی ارایه شده
.[ در مورد شدت تصادف در ادامه مورد اشاره قرار می گیرد [ 1
رنسکی 1 و خطاک 2 مدل پرابیت ترتیبی 3 را برای بررسی تأثیر
.[ عوامل مختلف بر شدت تصادفات به کار بردند[ 2
مدل پرابیت ترتیبی علاوه بر مدل سازی شدت تصادفات، در موارد
گوناگونی در بررسی مسائل حم لو نقل به کار رفته است. محمد
حامد و سعید عیسی مدل پرابیت ترتیبی را برای شناسایی عوامل
مؤثر در باور رانندگان به کارآیی کمربند ایمنی و عوامل مؤثر در
.[ استفاده از آن به کار برد هاند [ 3
کوکیلمن 4 مدل هایی در مورد تصادفات شامل دو وسیله،
تک وسیله و تمامی انواع تصادفات را به طور جداگانه ارایه و
بررسی کرده و به علت تفاوت ماهیت انواع تصادفات و عوامل
بروز آنها، برای حصول نتایج بهتر در مدل جداسازی آنها را توصیه
.[ کرد [ 4
لی 5 و منرینگ 6 با به کار بردن مدل لاجیت برای تصادفات خروج
از جاده، رابطهای در مورد پیشبینی شدت این نوع تصادفات ارایه
.[ کرده و به بررسی عوامل مختلف موثر بر آن پرداختند [ 5
کرول 7 و خطاک 8 توسط مدل لاجیت دوگانه، ارتباط شدت
تصادفات تک وسیله را با عوامل مختلف بررسی کردند. شدت
تصادفات در این تحقیق به دو گروه "فوتی و نقص عضو"
.[ یا "جرحی و خسارتی" تقسیم شده است[ 6
وگت 9 و بارد 10 نیز با تقسیم بندی شدت تصادفات به دو گروه
تصادفات "فوتی یا جرحی"، "جرح کم یا مالی" و بکارگیری مدل
لاجیت دوگانه، رابطه ای برای شدت تصادفات در جادههای
.[ دوخطه برون شهری برحسب عوامل مختلف ارایه کردند[ 7
کیم 11 و نیتز 12 با استفاده از مدل لگاریتم خطی، ارتباط بین نحوه
تصادفات و شدت را مورد بررسی قرار دادند. در تحقیق مزبور، از
دادههای مربوط به تصادفات گزارش شده توسط پلیس درمورد
.[ تصادفات ایالت هاوایی استفاده شده است[ 8
چنگ 13 و منرینگ 14 با استفاده از مدل لاجیت، شدت تصادف
.[ کامیون ها را مورد مطالعه قرار دادند[ 9
چیرا چاوالا و همکاران 15 با استفاده از مدل لاجیت، عواملی را که
باعث شدت تصادفات کامیونها میشود بررسی کردند و نشان
دادند که تصادف در شب و جادههای برون شهری جدانشده،
.[ باعث افزایش تلفات و جراحات می شوند[ 10
3. روش مدل سازی
امروزه استفاده از اطلاعات گرد آوری شده درمورد پیشینه یک
رخداد، برای مد لسازی پی شبینی آتی وقوع رخداد موردنظر،
کاربردی متداول یافته است[ 1]. این امر به ویژه در مواردی چون
مطالعات تصادفات که انجام آزمو نهای کنترل شده درمورد آن
هزینه های قاب لتوجهی به همراه دارد، از جایگاه ویژه ای برخوردار
است.
مدل سازی شدت تصادفات با بهرهگیری از اطلاعات گردآوری
شده، با روشهای مختلف قابل انجام است. عموماً مدلهای مورد
استفاده در این بخش، مدلهای رگرسیون لاجستیک یا مشتقات آن
هستند. مدلهای پرابیت و لاجیت چندگانه، در شرایطی که متغیر
وابسته یک متغیر دستهبندی شده باشد، در مطالعات ایمنی بیشترین
کاربرد را داشته اند. در مواردی که دستهبندی متغیر وابسته ساختار
ترتیبی داشته باشد، یعنی دستهبندی از رتبه پائینتر به رتبه بالاتر،
برحسب شدت یا درجه اهمیت یک پارامتر صورت گرفته باشد،
انتخاب طبیعی بهعنوان مدل برتر، مدلهای رگرسیون لاجستیک
.[ ترتیبی 15 است [ 11
1-3 اصول آماری
رگرسیون لاجستیک در اصل به منظور مدل سازی اطلاعات
دوگانه 16 و برای مواردی که متغیر پاسخ، صرفاً یک مقدار از بین
دو حالت محتمل را به خود بگیرد تدوین شده است. در این
حالات، عموماً شرایط آزمون برنولی بر داده ها حاکم است. در
علم آمار، آزمون برنولی ب هعنوان یک آزمایش تصادفی تعریف
میشود که فضای نمونه آن تنها از دو پیشامد تحت عنوان شکست
به عنوان متغیر تصادفی برنولی Y . یا پیروزی تشکیل شده باشد
:[ به صورت زیر تعریف می شود[ 12
Y( 0 = (شکست Y( 1 = (پیروزی
، P(Y = 0) = q و P(Y = 1) = p : درصورتی که فرض شود
به ترتیب احتمال های کسب پیروزی یا شکست در آزمون برنولی
برقرار است: q و p باشند، روابط زیر بین
0 < p <1
(1)
p + q = 1
بار مستقلاً تکرار n ، p درصورتی که یک آزمون برنولی با پارامتر
تعداد کل پیروزیهای حاصل را Y شود، و متغیر تصادفی
دارای توزیع دو جمله ای 17 است که تابع توزیع آن Y ، نشان دهد
به صورت زیر است:
Σ( ) (2)
0
( , )
y
k
k n k nk
f y n p p q
=
= −
در توزیع دو جمل های، امید ریاضی و واریانس مقادیر، هردو وابسته
هستند. بنابراین، هر متغیر مؤثر بر احتمال، نه تنها بر p به احتمال
میانگین مقادیر، بلکه بر واریانس آنها نیز موثر است.
این امر مهمترین وجه تمایز رگرسیون لاجستیک نسبت
به رگرسیون خطی است. در روش رگرسیون خطی فرض م یشود
که متغیرهای مستقل صرفاً بر مقدار میانگین مقادیر مؤثرند و
.[ واریانس مقادیر الزاماً ثابت است[ 13
رگرسیون لاجستیک را می توان یک مدل رگرسیون خطی
تعمیم یافته در نظر گرفت که توزیع بینم یا دوجملهای بر متغیرهای
.[ پاسخ آن حاکم بوده و از تابع انتقال لاجیت پیروی می کند [ 14
2-3 تابع انتقال لاجیت
شرایطی درنظر گرفته می شود که در آن هدف از کاربرد رگرسیون،
پیش بینی احتمال وقوع یک رخداد باشد. در این حالت، هدف از
رگرسیون، ساخت مدلی است که قادر باشد به پیشبینی
احتمال i
π یعنی بُرداری از متغیرهای Xi به صورت تابعی از
توان ترین حالت می است در ساده آشکار . مستقل بپردازد i
π را
در نظر گرفت. Xi تابعی خطی از
π β (3) i i = X ′
بردار ضرایب رگرسیون است. یکی از مشکلات β که در آن
چنین مدلی آن است که سمت چپ معادله باید بین صفر و یک
زیرا ( باشد i
π یک احتمال است)، در حالی که ضرب برداری
β i در سمت راست، کلیه اعداد حقیقی را شامل م یشود. X ′
یک روش ساده برای حل این مسأله، مدل سازی تابع انتقال یافته ای
از احتمال i
π به منظور تعریف تابع انتقال، ابتدا احتمال . است i
π
به شانس موفقیت 18 تبدیل می شود.
(4)
i
i
i odds
π
π
−
=
1
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385
احمدی نژاد، شاهی و شیخ الاسلامی
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 16 1385
رابطه فوق، نسبت یک احتمال به مکمل آن، یا نسبت موارد
موفقیت به شکست را محاسبه میکند. (احتمال 50 % به معنی شانس
موفقیت یک به یک است).
مزیت رابطه فوق آن است که مقدار آن همواره کوچکتر از یک
است. در مرحله دوم، از رابطه فوق لگاریتم گرفته م یشود تا
لاجیت یا لگاریتم شانس موفقیت 19 به دست آید:
(5)
i
i
i i Log it Log
π
π
η π
−
= =
1
( )
دراثر کاربرد این رابطه، محدودیت حد پائینی (صفر) به صورت
خودکار در مد لسازی اعمال م یشود. طبق تعریف فوق، لاجیت،
تابع انتقالی است که احتمالات واقع در بازه ( 1 و 0) را به تمام
% مقادیر اعداد حقیقی نگاشت میکند. درصورتی که احتمال 50
باشد، شانس موفقیت یکسان و لاجیت صفر است. لاجیتهای
منفی بیانگر احتمالات کمتر از 50 % و لاجیتهای مثبت بیانگر
احتمالات بیشتر از 50 % است.
که لاجیت احتمال فرض این مدل رگرسیون لاجستیک با i
π
به جای خود احتمال، از مدل خطی تبعیت کند و توزیع دو
جملهای بر داده ها حاکم باشد تعریف م یشود.
در رگرسیون لاجستیک نیز همانند ضرایب β ضرایب ثابت
متغیرها در مدل خطی، به منظور بررسی اثر متغیرهای مستقل بر
متغیر پاسخ به کار می روند. تفاوت موجود در این زمینه آن است
که سمت چ پ معادله درعوض مقادیرپاسخ، لاجیت مقادیر است.
بیانگر تغییر در مقدار لاجیت احتمال ناشی از ایجاد β j بنابراین
اُم با فرض ثابت بودن سایر j یک واحد تغییر در متغیر
متغیرهاست زیرا:
(6)
j j n n j
j j n n
B x B x B x B
B x B x B x
+ + =
+ + + + −
( .... .... )
.... ( 1) ....
1 1
1 1
از آنجاکه طبق تعریف لاجیت،
{ β } (7)
π
π
i
i
i = X ′
−
exp
1
اُم با فرض ثابت بودن سایر متغیرها j است، درصورتی که متغیر
exp{β j } یک واحد تغییر کند، شانس موفقیت ها در ضریب
، exp{β j } ضرب می شود. بنابراین تابع نمایی ضرایب ثابت
[ بیانگر مقدار تغییر در شانس موفقیت 20 است.[ 15
3-3 تحلیل پرابیت 21
دلیل این امر که به جای مدل سازی خود احتمال، لاجیت احتمال
مدل میشود، این است که احتمالات برآورد شده توسط مدل را
الزاماً در بازه ای بین صفر و یک قرار دهد. اما آشکار است که
"لاجیت" تنها تابعی نیست که می تواند این امر را محقق سازد.
مدلهای دیگری نیز وجود دارند که به شکل مشابه، از توابع انتقال
با شکلهای متفاوت استفاده می کنند. برجسته ترین این مدلها، مدل
پرابیت است. در تحلیل پرابیت، مدلها به صورت زیر
تعریف می شوند.
i k ki (8) − p =b + b x + + b x 0 1 1 K
φ 1 ( )
که در آن:
تابع توزیع در توزیع نرمال استاندارد است =φ
φ −1 = نیز معکوس تابع توزیع نرمال است.
روش تحلیل پرابیت نسبت به رگرسیون لاجستیک، قدمت نسبتاً
قابل توجهی دارد، اگرچه تقریباً هر دو مدل دارای ساختار کاملاً
در Bliss که اولین بار توسط ) probit مشابهی هستند. عبارت
probablityUnit سال 1934 معرفی شد)، در واقع مخفف
Logarithmic Unit مخفف logit است، هما نگونه که
است.
مدلهای لاجستیک یا پرابیت منظم، از منطق و شیوۀ تقریباً یکسانی
برخوردارند.
تفاوت عمده این مدلها با یکدیگر، استفاده از نوع متفاوت تابع
انتقال درمورد متغیر وابسته مدل است. در تحقیق حاضر، متناسب
که برای برآورد SPSS با امکانات موجود در نرمافزار آماری
مدلها مورد استفاده قرار گرفته است، از چهار تابع انتقال معروف
موجود درمورد مد لسازی رگرسیون لاجستیک ترتیبی که عبارتند
از کاچیت 22 ، لاجیت 23 ، لگاریتمی- لگاریتمی منفی 24 و پرابیت
هستند استفاده شده است. تابع ارتباط لگاریتمی- لگاریتمی منفی
تعریف میشود. تابع f (z) = −Log (−Log (z)) بهصورت
، f (z) = tan (π (z − انتقال کاچیت نیز عبارت از ( 0.5
[ که معکوس تابع توزیع کاچی 25 است.[ 14
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 16 1385
مدلسازی شدت تصادفات موتورسیکلت در شهر تهران
4-3 رگرسیون لاجستیک چندگانه 26
دسته طبقه بندی شده k به جای دوگانه بودن، در Y اگر متغیر
باشد، لازم است تعمیمی از مدل لاجستیک تعریف شود. در این
نشان دهنده yi و i بیانگر تعداد مشاهدات در دسته ni ، حالت
تعداد دفعاتی است که متغیر پاسخ در دسته مزبور دارای مقدار یک
بازتاب yi بوده است. فرض می شود که در این صورت، متغیر
0,1 را اختیار کند. ,K,ni باشد به طوری که Yi متغیر تصادفی
ها، تعداد مشاهدات هر دسته مستقل بوده و ni درصورتی که
همگی دارای احتمال وقوع مشابه i
π باشند، در این صورت متغیر
i Y دارای توزیع دوجمله ای با پارامترهای i
π خواهد بود. ni و
این مدل در شرایطی مورد استفاده قرار می گیرد که متغیر وابستۀ
مدل لاجستیک بیشتر از دو درجه داشته باشد. (در مد لسازی
شدت تصادفات در موارد متعددی، مقیاس شدت دارای درجاتی
بیشتر از دو درجه است) در این حالت، سه شکل متداول مدل
رگرسیون به صورت زیرند:
1) مدل های اسمی به صورت
{ } { } (8)
Σ { } −
= + + + +
+ + +
= = 1
1 0 1 1
0 1 1
1 exp
exp
k
i i i pi p
j j pj p
b b X b X
b b X b X
pr Y j X
L
L
اُمین) درجه k ) هستند که در آنها احتمال مربوط به آخرین
pr {Y = j } پاسخ ها به نحوی تعریف می شود که مجموع
ضرورتاً درمورد کلیه دسته های موجود در مدل، برابر با عدد
"یک" شود. این نوع تابع، ب هعنوان مدل لاجیت تعمیمی 27
شناخته می شود.
2) مدل ترتیبی که به صورت زیر تعریف م یشود:
{ } { } (9)
{ }p p
p p
b b X b X
b b X b X
pr Y j X
+ + + +
+ + +
> =
L
L
0 1 1
0 1 1
1 exp
exp
در این مدل ها فرض می شود که بین دسته های مختلف پاسخ ،
شیب ثابتی وجود دارد. درواقع در این حالت دسته بندی متغیر
پاسخ به صورت ترتیبی و از کوچک به بزرگ صورت گرفته است.
به همین دلیل مدل حاصل از این حالت را مدل لاجیت ترتیبی یا
لاجیت منظم می نامند.
3) مدل احتمالات یکسان به صورت
{ } { } (10)
{ }p p
k
i
p p
b k i b X b X
b k j b X b X
pr Y j X
+ + − + +
+ − + +
= =
Σ −
= L
L
0 1 1
1
1
0 1 1
1 exp ( ) (
exp ( ) (
که در آن فرض م یشود اثر متغیرهای مستقل در گذر از درجه 1
.[ است[ 16 j + به درجه 1 j به درجه 2 همانند گذر از درجه
در تحقیق حاضر از مدل ترتیبی استفاده شده است.
4. متغیر وابسته
متغیر وابسته در مدل سازی شدت تصادفات، یک متغیر دارای
ساختار رتبه بندی شده و بیانگر درجه اهمیت شدت تصادف از
کمترین میزان به بیشترین حد موجود است.
شدت تصادفات تهران به س هدسته صرفاً خسارتی، جرحی و فوتی
تقسیم م یشوند. درنظر گرفتن دسته بندی به این صورت باعث
میشود که تعداد تصادفات موجود در گروه صرفاً خسارتی به
مراتب بیشتر از سایر دستهها باشد. از آنجا که درنظرگرفتن یک
دستهبندی یکسان درمورد گروه متعددی از تصادفات، امکان
بهرهگیری از نتایج مدل را کاهش میدهد، تصمیم گرفته شد تا با
افزودن تقسیمبندی دیگری درمورد تصادفات صرفاً خسارتی، مدل
شدت تصادفات از کاربرد ودقت بیشتری در تحلیل برخوردارشود.
درمورد تصادفات صرفاً خسارتی قاعدتاً هزینۀ ریالی خسارت
ناشی از تصادف، باید ملاک تعیین شدت قرار گیرد، اما عموماً
تخمینی درمورد برآورد این هزینه وجود ندارد.
بنابراین روشی که در تحقیق حاضر ملاک دسته بندی شدت
تصادفات صرفاً خسارتی قرارگرفته است، تعداد وسای لنقلیه درگیر
در تصادف است. در تحقیق حاضر در مواردی که بیش از دو
وسیله نقلیه در یک تصادف دخیل باشند، تصادف به عنوان یک
تصادف چند وسیله ای دارای درجه شدت بیشتری نسبت به سایر
تصادفات صرفاً خسارتی درنظر گرفته شده است. براین اساس،
نشان داده می شود Y متغیر وابسته تحلیل شدت تصادفات که با
به چهار گروه ترتیبی (یا منظم) برای انجام رگرسیون
دسته بندی شده است.
= Y
1 در تصادف خسارتی غیر چند وسیل های
2 در تصادف خسارتی چند وسیل های
3 در تصادف جرحی
4 در تصادف فوتی
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385
احمدی نژاد، شاهی و شیخ الاسلامی
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 18 1385
جدول ( 1) تعداد موارد متعلق به هر گروه از دست هبندی فوق را
برحسب اطلاعات استخراج شده از بانک اطلاعات تصادفات
تهران نشان م یدهد. لازم به یادآوری است که از 480751 مورد
اطلاعات موجود درمورد سه سال تصادفات شهر تهران در فاصله
43742 مورد به دلیل وجود نقص در ، سالهای 1381 تا 1383
اطلاعات، فاقد قابلیت کد بندی شدت تصادف بوده اند که ناگزیر
برای مدل سازی شدت تصادفات درنظرگرفته نشده اند.
جدول 1. دسته بندی تصادفات تهران برحسب شدت
کد تصادفات موتورسیکلت کل تصادفات
شدت تعداد درصد تعداد درصد
84/8 370631 27/6 8042 1
5/3 22952 1/4 414 2
9/8 42665 70/2 20464 3
0/2 761 0/7 212 4
100 437009 100 مجموع 29132
5. متغیرهای مستقل
متغیرهای مستقل در مدل سازی تصادفات غالباً عبارتند از شرایط
آب و هوایی، شرایط شبکه معابر، عوامل انسانی، عامل وسیله نقلیه
و غیره که به عنوان پارامترهای موثر در وقوع یا شناخت
مشخصات تصادفات دخالت میکنند. با توجه به این که منبع
دستیابی به اطلاعات تصادف، گزارشهای تهیه شده توسط مأموران
راهنمایی و رانندگی از صحنه تصادفات است، طبیعتاً اطلاعات
قابل درج در مدل، منحصر به موارد درج شده در این
گزارشهاست. در شهر تهران، اطلاعات تصادفات بر مبنای فرم
کام- 113 و فرم کروکی تصادفات گردآوری می شود. موارد
کدبندی شده اطلاعات مزبور در جدول 2 فهرست شدهاند. بنا بر
، دلایل متعدد از قبیل دست هبندی ناصحیح گزینه ها در فرم کام- 113
اشتباه در ورود اطلاعات، عدم درج اطلاعات لازم و کاربرد بیش
از حد گزینۀ "سایر" ، بهره گیری از تمام اطلاعات مندرج در
جدول ( 2) در مدل مقدور نیست.
شرط منظور کردن هر متغیر مستقل در مدل، معنی دار بودن ضریب
آن براساس نتیجه آزمون آماری است. درمورد متغیرهای مستقل، از
برای تعیین معنی دار بودن آماری ضرایب wald تست آماری
پارامترها بهرهگرفته شده است.
جدول 2. جزئیات اطلاعاتی موجود در بانک اطلاعات تصادفات
کد جزء اطلاعاتی کد جزء اطلاعاتی کد جزء اطلاعاتی
1 نحوه برخورد 23 نقایص معبر 42 نوع پلاک
2 شغل 24 علت تامه 45 نوع وسیله نقلیه
3 نوع تصادف 25 نوع برخورد 47 نوع گواهینامه
4 رنگ خودرو 26 روز هفته 48 محل صدور
8 مقصر بودن 29 شرایط سطح 49 درون یا برون
13 وضع هوا 30 نوع معبر 50 جنسیت
16 وضع روشنایی 31 عامل انسانی 52 دوره پلاک
20 موقعیت عابر 33 عامل وسیله 53 شهر شماره
21 رنگ لباس 35 شدت صدمه 54 میزان
22 موانع دید 36 وضعیت کمربند 56 نوع کروکی
در این روش، برای بررسی معنی دار بودن آماری یک ضریب
در نظر H0 :β j = در مدل، تست آزمون 0 (β j خاص (مثلاً
گرفته می شود. فرض صفر بودن نتیجۀ آزمون مزبور دلالت بر صفر
دارد و به معنی آن ( x j بودن مقدار ضریب پارامتر مورد نظر (مثلاً
است که اثر پارامتر مزبور از نظر آماری اختلاف معنیداری با صفر
ندارد (آشکار است که در این شرایط کاربرد متغیر مزبور در
مدل سازی منطقی نیست). این تست برمبنای پارامتر بنا می شود.
با فرض نرمال بودن توزیع، نسبت ضرایب به خطای استانداردشان
درصورتی که H تحت فرض 0
توسط σ 2 نامعلوم و
( ˆ ) j n − p با t تخمین زده شده باشد، دارای توزیع Var β
درجه آزادی را خواهد داشت.
(11)
( ˆ )
ˆ
j
j
Var
t
β
β
=
شاخص با سطح اطمینان t حاصل از معادله، بزرگتر از t اگر مقدار
استخراج میشود، فرض صفر t باشد که از جدول توزیع آماری α
بودن آزمون رد میشود. این حالت نشان دهنده اختلاف معنیدار
x j با صفر و بیانگر معنیدار بودن آماری اثر متغیر β j ضریب
در مدل از x j بر متغیر وابسته است. در این صورت درج متغیر
نظر آماری معنیدار است.
برای محاسبه فاصله اطمینان t علاوه بر این، می توان از آزمون
مربوط به ضریب موردنظر نیز استفاده کرد. به عنوان مثال،
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 18 1385
مدلسازی شدت تصادفات موتورسیکلت در شهر تهران
19 پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385
بین β j 100 درصد می توان بیان نمود که (1−α ) با اطمینان
دو حد زیر قرار دارد:
ˆ ( ˆ ) (12)
j ,n p j β t Var β −α − ± 1 2
است که از جدول t مقدار شاخص توزیع t1−α 2, n−ρ که در آن
α درجه آزادی و با درجه اطمینان n − p توزیع مزبور با
استخراج شده است. آشکار است اگر فرض صفر آزمون رد شده
باشد، عدد صفر باید خارج از بازۀ مشخص شده توسط این معادله
.[ قرار گیرد[ 15
6. مدل شدت تصادفات موتورسیکلت شهرتهران
در این بخش نتایج کاربرد روش رگرسیون ترتیبی با کاربرد
متغیرهای مستقل قابل استخراج از بانک اطلاعات تصادفات تهران
برای ساخت مدلی که بتواند شدت تصادفات موتورسیکلت
به عنوان متغیر وابستۀ تحلیل را پیش بینی کند ارایه می شود. منظور
از تصادفات موتورسیکلت، تصادفاتی است که در بین وسایل نقلیه
درگیر درآن، حداقل یکی از وسایل نقلیه، موتورسیکلت بوده باشد.
با سعی و خطای زیادی که در آزمودن ترکیبات مختلف متغیرهای
مستقل صورت گرفته، در نهایت متغیرهای نشان داده شده در
جدول ( 3) به عنوان ترکیبی از متغیرها که قادر به ارایه بیشترین
میزان قدرت پی شبینی مدل شدت تصادفات موتورسیکلت
باشند انتخاب شدهاند.
نتایج جدول مزبور با استفاده از روش پرابیت ترتیبی (منظم)
در wald به دست آمدهاند. در این جدول، نتیجۀ محاسبۀ آماره
ستون سوم ارایه شده و سپس باتوجه به میزان درجات آزادی هر
عامل (چون متغیرها همگی مجازی و دارای کد صفر یا یک
2 می باشد) و استفاده از -1= هستند، درجه آزادی در هر صورت 1
جدول آماری توزیع مربوط، سطح معنی داری آماری متغیر در مدل
0/ محاسبه شده است. معمولاً سطح معنی داری آماری کمتر از 05
را ملاک تشخیص حضور یک متغیر در مدل قرار م یدهند. در این
صورت تست آماری صورت گرفته این گونه تعبیر میشود که
حداقل با 95 درصد اطمینان از نظر آماری م یتوان حضور متغیر
( مورد نظر را در مدل معتبر دانست. چنان چه در جدول ( 3
مشاهده می شود سطح معنادار بودن آماری درج متغیرهای مشتقل
0 است. / معرفی شده در این جدول در تمام موارد کمتر از 05
از آنجا که مدل پرابیت در اکثر تحقیقات ایمنی در مدل سازی
شدت، کاربرد داشته است[ 15 ]، ابتدا نتایج مدل پرابیت منطبق شده
بر داد هها ارایه شده است. اما مدل سازی به روش رگرسیون ترتیبی
(منظم) با شیوه های مختلفی قابل انجام است. با کاربرد پارامترهای
مندرج در جدول 3، مدلسازی با استفاده از توابع انتقال مختلف
3 صورت گرفته تا اختلاف میزان انطباق - معرفی شده در بند 3
نتایج مدل با واقعیت در هر مورد قابل مقایسه باشد. جدول 4 نتایج
این مقایسه را نشان م یدهد.
لازم به یادآوری است که اعتبار مدلهای آماری در رگرسیون
ترتیبی توسط تست آماری نسبت درست نمایی سنجیده
می شود[ 17 ]، که کلیۀ مدلهای فوق بر اساس تست آماری مزبور
0 دارای اعتبار بود هاند. / در سطح اطمینان 05
مقایسه نتایج ثابت میکند که هرچند اختلاف نتایج قابل توجه
نیست، اما مدلهای لاجیت، پرابیت، کاچیت و لگاریتم- لگاریتم
منفی دارای بیشترین میزان قدرت ارایه نتایج صحیح بود هاند.
ستون دوم جدول ( 4)، بیانگر میزان درست نمایی مدلهای مختلف
است که در ضریب 2- ضرب و از آن لگاریتم گرفته شده است.
آشکار است کمتر بودن اعداد این ستون به منزله درس تنمایی
بیشتر مدل و انطباق بهتر نتایج با واقعیت است.
به دلیل انطباق بیشتر مدل لاجیت با واقعیت و همچنین به دلیل
این که بررسی اثر پارامترها در مدل لاجیت ساده تر است، در ادامه
نتایج مدل سازی صورت گرفته از این روش ارایه و به بررسی اثر
متغیرهای مستقل بر متغیر پاسخ (شدت تصادف) پرداخته می شود.
درحالت کلی، یکی از مهمترین نتایج حاصل از مدل، ضرایب
پارامترها (متغیرهای مستقل) است که برای تخمین میزان اثر هر
پارامتر بر متغیر وابسته به کار می رود. اما درصورتی که متغیرهای
مستقل دارای وابستگی با یکدیگر باشند، بخشی از ضریب یک
متغیر به متغیرهای وابسته به آن انتقال مییابد و برآورد اثر خالص
غیر ممکن می شود. (B) متغیرها بر اساس ضرایب آنها در مدل
با توجه به نکته ذکر شده، به منظور ایجاد امکان بررسی اثر
پارامترها، متغیرهای مستقل دارای وابستگی با یکدیگر، با محاسبه
ضریب همبستگی پیرسون شناسایی شده و در مواردی که
0- بوده است، / 0 یا کمتر از 2 / همبستگی بین دو پارامتر بیشتر از 2
صرفاً یکی از متغیر ها در مدل درج شده است.
19 پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385
احمدی نژاد، شاهی و شیخ الاسلامی
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 20 1385
جدول 3. نتیجه مدل سازی شدت تصادفات موتورسیکلت به روش پرابیت ترتیبی
% فاصله اطمینان 95
نام متغیر کد متغیر
wald
سطح معنادار
بودن آماری
ضریب متغیر
انحراف معیار
حد پائین حد
تعداد به ازاء متغیر
دارای کد برابر با مشخصات متغیر
-1/95 -2/79 0/21 -2/37 Intercept 1 ضریب ثابت 1
-1/89 -2/73 0/21 -2/31 Intercept 2 ضریب ثابت 2
Intercept 3 ضریب ثابت 3
11457
0/000
2/13 1/29 1/71
صفر یک میانگین
انحرا
ف
معیار
0/36 0/15 3636 21893 0/15 0/09 0/02 0/12 0/000 58 VAL1_ نحوه برخورد = جلو به جلو 1
0/36 0/15 3822 21707 -0/11 -0/17 0/02 -0/14 0/000 81 VAL1_ نحوه برخورد = جلو به عقب 2
0/29 0/91 2320 2324 0/00 -0/08 0/02 -0/04 0/000 5 VAL13_ وضعیت هوا = صاف 1
0/19 0/96 2473 798 0/19 0/07 0/03 0/13 0/030 19 VAL29_ وضعیت روسازی = خشک 1
0/45 0/73 1844 7082 -0/01 -0/05 0/01 -0/03 0/000 8 VAL16_ وضعیت روشنائی = روز 1
0/07 0/00 110 25419 0/36 0/08 0/07 0/22 0/005 9 V22_ موانع دید = وجود شیب 7
0/07 0/00 105 25424 0/38 0/08 0/07 0/23 0/002 9 V22_ موانع دید = وجود پیچ 8
0/07 0/00 113 25416 0/30 0/02 0/07 0/16 0/002 5 V22_ موانع دید = وجود ساختمان یا مانع فیزیکی 123
0/15 0/02 551 24978 0/19 0/06 0/03 0/12 0/028 14 V23_ نقائص معبر = نقص در علائم 12
0/29 0/09 2285 23244 -0/09 -0/16 0/02 -0/13 0/000 50 V24_ علت تصادف = عدم رعایت فاصله عرضی 0219
0/18 0/03 855 24674 -0/07 -0/18 0/03 -0/12 0/000 20 V24_ علت تصادف = عبور از چراغ قرمز 23
0/14 0/02 499 25030 -0/05 -0/18 0/03 -0/12 0/000 13 V24_ علت تصادف = دور زدن در محل ممنوع 25
0/46 0/31 8360 17169 -0/07 -0/12 0/01 -0/10 0/000 48 V24_ علت تصادف = کم عرض بودن معبر 3
0/28 0/09 2072 23457 -0/07 -0/15 0/02 -0/11 0/000 27 V24_ علت تصادف= انحراف به چپ 0911
0/34 0/14 3330 22199 -0/10 -0/17 0/02 -0/14 0/000 53 V24_ علت تصادف = عبور از محل ممنوع 1415
0/06 0/00 93 25436 0/51 0/19 0/08 0/35 0/000 18 V25_ نوع تصادف = برخورد با شیء ثابت 5
0/26 0/07 1937 23592 -0/03 -0/10 0/02 -0/06 0/000 13 VAL30_ محل تصادف = خیابان یک طرفه 1
0/17 0/03 749 24780 0/23 0/12 0/03 0/18 0/000 39 V30_9_ محل تصادف = بزرگراه یا کمربندی 10
0/49 0/60 1467 10850 -0/28 -0/23 0/01 -0/30 0/000 738 MOT_45M مقصر حادثه = موتور سیکلت
0/48 0/65 1761 7915 -0/20 -0/24 0/01 -0/22 0/000 316 V45_0MG دخیل در حادثه = سواری شخصی
0/16 0/03 685 24844 -0/07 -0/19 0/03 -0/13 0/000 19 V45_1MG دخیل در حادثه = سواری کرایه
0/16 0/03 685 24844 0/16 0/03 0/03 0/10 0/000 9 V45_23MG دخیل در حادثه = اتوبوس یا مینی بوس
0/14 0/02 550 24979 0/30 0/15 0/04 0/23 0/003 37 V45_57MG دخیل در حادثه = وسایل نقلیه سنگین
0/50 0/47 1311 12414 -0/05 -0/09 0/01 -0/07 0/000 42 INTERSEC محل تصادف = تقاطع
0/48 0/66 1692 8606 0/00 -0/04 0/01 -0/02 0/000 5 V31_ عامل موثر = بی توجهی به مقررات 5
0/50 0/46 1152 14000 0/90 0/85 0/01 0/87 0/031 529 LC_ گواهینامه راننده مقصر= نامعلوم 0
0/16 0/03 673 24856 0/17 0/05 0/03 0/11 0/000 13 TIME زمان تصادف = صفر تا دو صبح 1
0/05 0/00 69 25460 0/47 0/08 0/10 0/27 0/000 8 TIME زمان تصادف = چهار تا شش صبح 3
0/16 0/02 645 24884 0/18 0/06 0/03 0/12 0/005 16 TIME زمان تصادف = شش تا هشت صبح 4
0/26 0/07 1885 23644 0/08 0/01 0/02 0/05 0/000 7 TIME زمان تصادف = هشت تا ده صبح 5
0/31 0/11 2860 22669 -0/01 -0/07 0/01 -0/04 0/007 7 TIME زمان تصادف = ده تا 12 ظهر 6
0/28 0/09 1903 23626 0/00 -0/07 0/02 -0/04 0/010 5 MAH ماه تصادف = اردیبهشت 2
0/26 0/07 1864 23665 0/00 -0/07 0/02 -0/04 0/031 4 MAH ماه تصادف = آذر 9
0/25 0/07 1567 23962 0/10 0/02 0/02 0/06 0/045 10 MAH ماه تصادف = بهمن 11
0/26 0/07 1705 23824 0/11 0/04 0/02 0/08 0/001 16 MAH ماه تصادف = اسفند 12
0/32 0/11 2950 22579 0/08 0/02 0/01 0/05 0/000 10 DAY روز تصادف= جمعه 7
جدول 4. مقایسه مدلهای مختلف رگرسیون ترتیبی شدت تصادفات
معیار سنجش میزان صحت انطباق مدل
R square
Mc Fadden Neglekerke cox and
snell
درجه زادی chi- square
− 2Log
Likelihood
روش مدل سازی
0/241 0/381 0/288 36 8672 پرابیت 14647
0/246 0/387 0/293 36 8840 لاجیت 14479
0/235 0/373 0/282 36 8458 14862 NLogLog
0/238 0/378 0/285 36 8579 کاچیت 14741
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 20 1385
مدلسازی شدت تصادفات موتورسیکلت در شهر تهران
21 پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385
که یکی Val 29 − و 1 Val13 − به عنوان مثال متغیرهای 1
بیانگر وضعیت جوی و دیگری بیانگر وضعیت روسازی است،
نمی توانند در صورت ورود در مدل منجر به برآورد اثرات منفرد
صحیح شوند.
وابستگی این دو متغیر از آنجا ناشی شده است که در شرایط
وضعیت روسازی خشک نیست، ،(Val13 −1 ≠ بارندگی ( 1
آشکار است که اگر هر دو متغیر در مدل . (Val 29 −1 ≠ 1)
وجود داشته باشند، بخشی از اثر هر یک ممکن است به دیگری
منتقل و برآورد اثر خالص هر متغیر بر میزان شدت تصادف
غیرممکن شود.
بحث فوق درمورد این دو متغیر، قابل تعمیم به اثر متقابل
متغیرهای مختلف موجود در مدل است. در این حالت برای
انتخاب یک متغیر و حذف متغیرهای وابسته به آن، جایگش تهای
بسیاری قابل تصور است که ارایه کننده ترکیب های مختلف
متغیرها، به نحوی که وابستگی آنها از یک حد مشخص
کمتر باشد می شود.
از آنجا که استخراج این جایگش تها یک فرآیند تکراری و زمانبر
بوده و در کل این تحقیق بارها نیاز به تکرار آن وجود داشته است،
Excel در قالب نرم افزار Visual Basic یک برنامه
برای محاسبۀ خودکار ترکیب مختلف پارامترهای مستقل
تهیه شده است.
کاربرد این برنامه درمورد متغیرهای موردنظر در جدول 3، منجر
به ارایه 26 حالت مختلف از پارامترهای فاقد استقلال متقابل شده
که م یتواند مبنای ساخت مدلی که استنتاج درمورد اثر پارامترها را
مقدور می سازد قرار گیرد.
در این مورد به دلیل انطباق بهتر مدل لاجیت بر داده ها و همچنین
سهولت تفسیر اثر ضرایب متغیرها در مدل لاجیت، از این نوع
مدل استفاده شده است.
همچنین به دلیل ایجاد امکان انطباق بهتر مدل بر واقعیت و
پردازش مناسب اثر پارامترها، متغیر شدت به یک متغیر دوگانه
به صورت زیر تبدیل شده است.
در صورتی که تصادف جرحی یا فوتی باشد. ، Y = 1
در صورتی که تصادف صرفاً خسارتی باشد. ،Y = 0 =Y
، در واقع کدهای 3 و 4 تعریف شده درمورد متغیر شدت در بند 4
به عنوان وقوع تصادف شدید و کدهای 1 و 2 در تعریف مزبور،
به عنوان تصادفات غیرشدید تلقی شد هاند.
جدول 5 نتیجه مدلسازی به روش لاجیت دوگانه و کاربرد 26
حالت مختلف ترکیب متغیرهای مستقل را درمورد پی شبینی شدت
تصادفات موتورسیکلت نشان می دهد. لازم به ذکر است که هر
یک از ردیف های مندرج در جدول 5 نشان دهنده یک مدل مجزا
است. هر یک از مدلهای مزبور به صورت مستقل، قابل کاربرد در
زمینه پیش بینی شدت تصادفات موتورسیکلت است. در هر
صورت، ردیفهای مختلف جدول صرفاً ترکیب وضرایب
متغیرهای مستقل را تغییر م یدهد و شکل مدل و ساختار آن ثابت
است.
سطح معن یدار بودن درج متغیر مستقل در مدل براساس α مقدار
ضریب متغیر مزبور را نشان β و مقدار wald تست آماری
می دهد. به عنوان مثال با کاربرد متغیرهای موجود در ردیف اول
جدول 5، میتوان یکی از مدلهای قابل استفاده در زمینه
پیش بینی احتمال شدید بودن تصادفات موتورسیکلت را به
صورت زیر نوشت:
(13)
0.083 0.36 29 1 0.55 22 8 0.24 11
1
log ( ) log 0 1 1
VAL V MAH
x x
p
it Y p n n
= + − + − + +
= + + +
−
=
L
β β L β
که در آن:
متغیر وابسته تحلیل است. = Y
فرم مدل مزبور را می توان تبدیل کرده و به صورت معادله
زیر نوشت:
(0.083 0.36 29 1 0.55 22 8 0.24 11)
1
e VAL V MAH
p
p = + − + − + +
−
L (14)
که در آن:
احتمال شدید بودن تصادف است.
21 پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385
احمدی نژاد، شاهی و شیخ الاسلامی
جدول 5. مقادیر ضرایب مدل و سطح معن یداری ضرایب در مدل لاجیت دوگانه شدت تصادفات موتورسیکلت
 
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 22 1385
مدلسازی شدت تصادفات موتورسیکلت در شهر تهران
23 پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 1385
7. بررسی اثر عوامل مختلف بر شدت تصادفات
موتورسیکلت
ارایه مدلهای مختلف، امکان بررسی اثر پارامترها در شرایط
گوناگون را فراهم می کند. اصولاً اثر یک متغیر مستقل بر متغیر
ضریب متغیر مستقل است (در β وابسته کمیتی وابسته به
که میزان تغییر حادث در متغیر وابسته را (β رگرسیون خطی خود
(شدت تصادف) در اثر ایجاد یک واحد تغییر در متغیر مستقل
موردنظر با فرض آن که سایر پارامترهای لحاظ شده در مدل، ثابت
باشند نشان می دهد. این عبارت آخر که دلالت بر ثابت بودن
شرایط ناشی از سایر متغیرهای مدل میکند مفهوم جایگزینی
آزمون تجربی مدل را ب هصورت عملی نشان می دهد و مشخص
میکند که پارامترهای لحاظ شده در مدل چه تأثیری در تعبیر
نتایج آن دارند.
در هر صورت برخلاف مسایل رگرسیون خطی، کاربرد مستقیم
برای برآورد اثر هر متغیر بر تغییرات شدت تصادف β ضریب
مقدور نیست و در این مورد باید از اثر ثانویه و یا اثر متغیر بر
مقدار احتمال استفاده شود. با توجه به آن که بررسی نسبت
احتمال وقوع تصادفات شدید به سایر تصادفات از اهمیت بیشتری
در تحلیل حاضر (نسبت به عدد مطلق احتمال) برخوردار است،
بررسی اثر پارامترها بر شدت تصادف با استفاده از پارامتر اثر مقدار
احتمال صورت م یگیرد. یادآوری میشود بر اساس موارد ذکر
بیانگر ،exp{β j } 2، تابع نمایی ضرایب ثابت - شده در بند 3
مقدار احتمال است. جدول شماره 6 مقادیر این پارامتر را درمورد
مدل های مندرج در جدول ( 5) نشان م یدهد.
دارای LC −O بر اساس نتایج مندرج در جدول 6، متغیر مجازی
بیشترین اثر بر افزایش شانس وقوع تصادفات شدید در تصادفات
درصورتی برابر با LC − موتورسیکلت بوده است. مقدار متغیر 0
یک میشود که راننده وسیله نقلیه مقصر فاقد گواهینامه باشد و یا
مشخصات گواهینامه وی به هر دلیل قابل ثبت در فرم تصادفات
نبوده باشد. براساس نتایج حاصل، چنین وضعیتی درجۀ شدید
بودن تصادف (نسبت احتمال شدید بودن تصادف به غیرشدید
را تقریباً 18 برابر افزایش می دهد. این اثر (( p 1− p ) بودن آن
19/ 17 تا 34 / برحسب سایر پارامترهای درگیر در شدت، بین 28
متغیر بوده است.
جدول 6. اثر متغیرها بر نسبت مقدار احتمال وقوع تصادفات شدید موتورسیکلتها
 جدول 6. اثر متغیرها بر نسبت مقدار احتمال وقوع تصادفات شدید موتورسیکلتها 23
احمدی نژاد، شاهی و شیخ الاسلامی
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 24 1385
عوامل موثر بر شدت تصادفات در این بند به ترتیب میانگین اثر
متغیرها بر درجۀ شدید بودن تصادف مورد بررسی قرار میگیرند.
بر این اساس، دومین عاملی که اثر قابل توجه بر شدت تصادفات
است. این پارامتر یک متغیر مجازی تعریف شده Time دارد 3
در سیستم است که مقدار آن درصورت وقوع تصادف بین ساعت
4 تا 6 صبح، یک و در غیر این صورت صفر است. بررسی اثر این
متغیر بیانگر آن است که وقوع تصادفات موتورسیکلت بین ساعت
4 تا 6 صبح می تواند احتمال شدید بودن تصادف را تا 5 برابر
افزایش دهد. میانگین اثر این پارامتر بر شدت تصادفات درحدود
4/4 بوده که تغییرات آن بستگی به سایر پارامترهای درگیر در مدل
داشته است.
سومین عامل دارای بیشترین اثر بر شدت تصادفات موتورسیکلت،
است. متغیر مزبور یک متغیر مجازی است که V 45 − 23MG
درصورت دخیل بودن مین یبوس یا اتوبوس در تصادف، مقدار آن
یک و در غیر این صورت صفر است. بر اساس نتایج حاصل از
تحلیل، یک بودن مقدار این پارامتر م یتواند شانس احتمال وقوع
2 برابر کند. این نتیجه که از بین انواع / تصادفات شدید را 2
مختلف وسایل نقلیه، حضور همزمان مینی بوس یا اتوبوس
با موتورسیکلت در تصادف، منجربه شدیدترین برخوردها نسبت
به سایر ترکیبات می شود، نکته ای است که نیاز ویژه به تدوین
راهکارهای ایمنی برای مجزا نمودن این دو گروه وسایل نقلیه را
اثبات میکند. لازم به یادآوری است که در مطالعات رگرسیون،
هدف از کشف روابط، معرفی روابط علت و معلولی بین پارامترها
نیست، بلکه هدف، شناخت وابستگی و اثر متغیرهاست. به عنوان
مثال، علت نتیجه حاصل در این مورد ممکن است وجود خط ویژه
اتوبوس در سطح شهر و استفاده غیرمجاز موتورسیکل تها از این
خطوط باشد که منجر به تشدید تصادف می شود. اثر این علت
V 45 − 23MG غایب در تحلیل، ب هصورت طبیعی در متغیر
لحاظ شده و نتایج حاصل، بیانگر اثر قابل توجه ارتباط بین شدت
تصادفات موتورسیکلت با حضور اتوبوس یا مین یبوس در تصادف
است. با کاربرد قضاو تهای مهندسی و فنی که مستلزم تحلیل
نتایج رگرسیون است م یتوان یکی از راهکارهای جلوگیری از
شدت تصادفات موتورسیکلت را الزام برنام هریزان شهری
به درنظرگرفتن خط ویژه موتورسیکلت در معابر، در صورت
وجود خط ویژه اتوبوس در معبر مزبور، درنظرگرفت. در واقع با
توجه به تجارب حاصل از گسترش خطوط ویژه اتوبوس در شهر
تهران، در صورت اختصاص بخشی از عرض معبر به عبور
اختصاصی اتوبوس، لازم است بخشی از معبر نیز جهت استفاده
اختصاصی موتورسیکلت از مسیر عبوری جدا شود تا وقوع
تصادفات شدید موتورسیکلت را پیشگیری کند. براساس نتایج
حاصل از تحلیل حاضر، درصورتی که امکان حضور همزمان
موتورسیکلت و اتوبوس یا مینی بوس در تصادفات تهران از بین
برده شود، احتمال وقوع تصادفات شدید حدوداً نصف خواهد شد.
چهارمین عامل موثر بر شدت یافتن تصادفات موتور سیکلت،
ظاهر شده است. متغیر مزبور یک متغیر V 30−9− درمتغیر 10
مجازی است که مقدار آن درصورت وقوع تصادف در کمربندی یا
بزرگراه، عدد یک و در غیر این صورت، عدد صفر است. براساس
نتایج حاصل از تحلیل، اگر محل وقوع تصادف، بزرگراه یا
کمربندی باشد، احتمال شدت یافتن تصادف ممکن است تا
2 برابر افزایش یابد.
میانگین میزان این اثر برحسب سایر پارامترهای درگیر در مدل
2/ 1 تا 06 / (فرض ثابت بودن شرایط متفاوت) ممکن است بین 77
نوسان داشته باشد.
پنجمین عامل موثر بر شدت تصادفات موتور سیکلت، مربوط به
است. بر اساس نتایج حاصل از تحلیل، V 45−57MG متغیر
درصورت دخیل بودن کامیون یا تریلی در یک تصادف، احتمال
2 برابر افزایش یابد. / شدید بودن ممکن است تا حدود 5
لازم به یادآوری است که به دلیل وجود ارتباط بین این پارامتر با
تحلیل اثر جزیی هر یک از این متغیرها ،V 45−0MG پارامتر
با حضور متغیر دیگر در مدل نادرست است، زیرا بخشی نامعلوم
از اثر یک متغیر به ضریب متغیر دیگر انتقال مییابد. بنابراین
در V 45−0MG ضرایب متغیر مزبور تنها در مدلهایی که متغیر
آنها وجود ندارد قابل تحلیل است.
در این موارد مشاهده شده که به صورت میانگین، این پارامتر
2/ 2 برابر نمودن احتمال شدید شدن تصادفات را تا 4 / میتواند 4
برابر افزایش دهد.
ششمین عامل موثر بر شدت تصادفات موتورسیکلت، مربوط به
است. باتوجه به تعریف متغیر مزبور، احتمال V 22 − متغیر 8
تشدید تصادفات در صورت وجود پیچ (قوس افقی) به عنوان مانع
1 برابر است. اثر این پارامتر / دید در محل تصادف، در حدود 7
است که براساس آن درصورت V 22 − تقریباً برابر با پارامتر 123
وجود ساختمان، کیوسک و یا موانع فیزیکی به عنوان مانع دید، باز
1 برابر می شود. / هم احتمال وقوع تصادفات شدید در حدود 7
بنابراین م یتوان نتیجه گرفت که اثر وجود موانع دید در محل
تصادف، باعث می شود احتمال نسبی شدت تصادف به
1/7 برابر برسد.
همچنین بر اساس نتایج مندرج در جدول 6، وقوع تصادف بین
ساعت 24 تا 2 بامداد نیز احتمال شدید بودن تصادف را حدود
1/7 برابر افزایش می دهد. این اثر درمورد وقوع تصادفات بین
1 است. براساس نتایج حاصل، در / ساعات 6 تا 8 صبح، عدد 6
مورد تصادفات واقع شده تا قبل از ساعت 10 صبح، احتمال شدید
بودن تصادف بیشتر ست. اثر ساعت تصادف در مواردی که پارامتر
نشان دهنده آن در مدل وجود ندارد، قابل چشم پوشی است.
پارامتر دیگری که براساس نتایج مندرج در جدول 6 بر تشدید
است. براساس نتایج Val 23− تصادفات نقش دارد، 12
حاصل، وجود نقص علایم عمودی یا افقی، باعث می شود تا
1 برابر شود. بر اساس نتایج / شانس احتمال تشدید تصادفات 6
مزبور، تلاش درجهت رفع نقایص معابر از نظر تکمیل علایم
موردنیاز، کمک قابل توجهی به کاهش شدت تصادفات
موتورسیکلت می کند، به نحوی که اگر تمام مشکلات مرتبط با آن
0 برابر / حذف شود، احتمال شدت تصادفات موتورسیکلت 63
خواهد شد که کاهش قابل توجهی در ایجاد جرح یا فوت افراد
پدید می آورد.
در صورتی ،Val 29− براساس نتایج حاصل از تحلیل متغیر 1
که شرایط سطح روسازی عادی (فاقد رطوبت یا شرایط غیر عادی)
1 برابر می شود. این / باشد، احتمال شدید بودن تصادف حدود 46
امر به صورت غیرمستقیم اثر توجه رانندگان به دقت عمل در
رانندگی را باز میتابد، به گونهای که در شرایط غیر عادی سطح
راه، که نیاز به دقت مضاعف در رانندگی دارد و ناگزیر با سرعت
کمتر حرکت در معابر همراه است، شدت تصادفات
1 برابر می شود. /(1/46) = 0/68
و دخیل بودن Val1− وقوع برخورد به صورت جلو به جلو 1
نیز عواملی هستند که Val 45−1MG وسایل نقلیه مسافرکش
1 برابر می کنند. / شانس نسبت احتمال وقوع را حدود 3
بر اساس نتایج حاصل، وقوع تصادف در ماه بهمن نیز معمولاً با
شدت تصادفات همراه است.
1 برابر است. البته / در این حالت احتمال شدید بودن تصادف 25
اثر فصل تصادف، تغییرات ساعت روشنایی روزانه، یخبندان و
سایر عوامل نهفته در این پارامتر را نیز منعکس می کند. سایر
پارامترها اثر چندانی در افزایش شدت تصادفات موتورسیکلت
ندارند.
8. نتیجه گیری
در تحقیق حاضر نشان داده شده است که انطباق نتایج حاصل از
کاربرد مدلهای لاجیت و پرابیت درمورد پی شبینی شدت تصادفات
موتورسیکلت تقریباً یکسان و دارای اعتبار آماری است.
پارامترهای مختلفی که نشان دهنده شرایط آ بوهوایی، رانندگان،
وسایل نقلیه و ... بوده است. در تحلیل به عنوان متغیر مستقل وارد
شده اند و اثر متغیرهایی که براساس تست های آماری دارای اعتبار
بوده اند مورد بررسی قرار گرفته است.
در اثر نتایج تحقیق حاضر علاوه بر آن که امکان پی شبینی شدت
تصادفات موتورسیکلت با بهره گیری از روش پرابیت و در 4 درجه
شدت فراهم شده است، مشخص شده که نامشخص بودن
اطلاعات گواهینامه راننده مقصر، وقوع تصادف بین ساعت 4 تا 6
صبح، دخیل بودن مین یبوس یا اتوبوس در تصادف، وقوع تصادف
در بزرگراه یا کمربندی، برخورد با وسایل نقلیه سنگین، وجود مانع
دید، وقوع تصادف بین ساعت 24 تا 2 بامداد، وجود نقص در
علایم، عواملی هستند که باعث افزایش شدت تصادفات
موتورسیکلت می شوند و باید در تدوین برنامه های ایمنی
موتورسیکلت سواران مورد توجه قرار گیرند.
.9 مراجع
1. ادریسی، علی( 1380 ) "مدل سازی فاکتورهای مؤثر در شدت و
تواتر تصادفات کامیونها در جاد ههای دوخطۀ برو نشهری با
استفاده از مدل لاجیت و شبکۀ عصبی"، پایان نامۀ کارشناسی
ارشد راه و ترابری، تهران، دانشگاه صنعتی شریف.
2. Renski, H., Khattak, A. and Council,
F.(1999) "Impact of speed limit increase on
crash severity: analysis of single-vehicle
crashes on North Carolina Interstate
Highway" (Paper no 990975). Presented at the
78th Annual Meeting of Transportation
Research Board, Washington D.C.
3. Hamed, M.H and Easa, M.S. (1998) "Ordered
Probit modelling of seat belt usage", Journal
of Transportation Engineering, Vol.124,
No.3., pp.271-276.
4. Kockelman, M.K.and Kweon, Y.J. (2001)
"Driver injury severity: An application of
ordered Probit models", Paper submitted to
احمدی نژاد، شاهی و شیخ الاسلامی
پژوهشنامه حمل و نقل، سال سوم، شماره اول، بهار 26 1385
Accident Analysis and Prevention, January
2001.
5. Lee, J. and Mannering, F. (1999) "Analysis of
road accident frequency and severity and
roadside safety management", Find Research
Report , Research Project T9903, Task 97,
Washington State Transportation Center.
6. Krull, A.K. and Khattak, J.A. (2000) "Injury
effects of rollovers and events sequence in
single-vehicle crashes", Presented at the 79th
Annual Meeting of Transportation Research
Board.
7. Vogt, A., and Bared, J.G.(1998) "Accident
models for two-lane rural roads: Segments
and intersections", Federal Highway
Administration , Report Number FHWA-RD-
98-133, No.3A5A, Final Report, Mclean,
USA.
8. Richardson, J., Kim, K.[et al] (1996) "Patterns
of motor vehicle crash involvement by driver
age and sex in Hawaii", Journal of Safety
Research, 27:2.
9. Chang, L.Y. and Mannering, F. (1999)
"Analysis of injury severity and vehicle
occupancy in truck-non-truck-involved
accidents", Accident Analysis and Prevention,
31, pp.579-592.
10. Chira-Chavala, T. and Cleveland, D. (1986)
"Causal analysis of accident involvements for
the nations large trucks and combination
vehicles", Transportation Research Record,
No. 1047.
11. OECD Report (1997) "Road safety principles
and models: Review of descriptive, predictive,
risk and accident consequence models",
OCDE / GD (97)/153, Paris, Organization for
Economic Co-operation and Development.
12 . شریفی ، حسن پاشا و نجفی زند ، جعفر ( 1375 ) "روشهای
آماری در علوم رفتاری"، تهران، نشر دانا.
13 . ابن شهر آشوب، مرتضی و میکائیلی، فتاح( 1366 )"مفاهیم و
روشهای آماری"، تهران ، مرکز نشر دانشگاهی.
14. Rodriguez. G. (2001) "wws 509- generalized
linear models", U.S.A., Princeton University.
15. Willits, Neil "The pragmatists guide to
statistics: Logistic Regression". USA,UC
Davis Department of Statistics.
16. SPSS Inc. (2003) "SPSS 12.0 Command
Syntax Reference", Chicago, U.S.A.
17. Ridgeway, G. (2003) "Strategies and methods
for prediction", Chapter 6 of the Handbook of
Data Mining, Lawrence-Erlbaum Associates,
Mahwah, New Jersey.
پانویس ها:
1-Renski
2- Khattak
3- Ordered Probit Model
4- Kockelman
5- Lee
6- Mannering
7- Krull
8- Khattak
9- Vogt
10- Bared
11- Kim
12- Nitz
13- Chang
14- Mannering
15- Chira - Chavala
16- Ordinal Logistic Regression
17- Binary
18- Binomial Distribution
19- Odds
20- Log – odds
21- Odds ratio
22- Probit
23 Cauchit
24-Logit
25- Negative Log – Log (NlogLog)
26-Cauchy Distribution
( , ) 1 arctan(( )/ ) 1/2 0 0 F x x γ = π × x− x γ +
27-Polytomous (Polychotomous) Logistic
Regression
26
|
کلیه حقوق تحت مجوز