---

تحلیل علل و شدت مصدومیت تصادفات شاخ به شاخ با مدل رگرسیونی

بررسی علل و شدت تصادفات جلو به جلو (head-on collision) در جاده ها و محورهای ترافیکی کشور یکی از معضلاتی است که سالانه خسارات جانی و مالی زیادی را به شهروندان تحمیل می کند. رفع این مشکل نیازمند مطالعه جامع در خصوص علل این تصادفات و همچنین عوامل موثر بر شدت تصادفات در جاده های کشور ایران است. برای این منظور از داده های ترافیکی پلیس راهور و همچنین اطلاعات آماری اداره کل راهداری و حمل و نقل جاده ای کشور استفاده شده است. در روش شناسی این تحلیل از مدل رگرسیون لجستیک استفاده نموده ایم. هدف این مطالعه بررسی تاثیرگذاری عوامل و متغیرهای مستقل مختلف روی شدت تصادفات رو در رو یا شاخ به شاخ (Head-On Collision Accident) خودروها در محور های حمل و نقلی کشور با استفاده از مدل رگرسیون لجستیک است. در این مقاله از داده های آماری اداره کل راهداری و حمل و نقل جاده ای و همچنین اطلاعات آماری پلیس راهنمایی و رانندگی کشور استفاده شده است. یافته های این پژوهش نشان می دهد که عوامل یک طرفه یا دوطرفه بودن محورها، ناهمواری ها و توپوگرافی جاده ها و خیابان ها، و همچنین شرایط جوی می توانند تاثیر معنی داری روی شدت تصادفات داشته باشند.

---

تصادف رو در رو یا تصادف شاخ به شاخ چیست؟

اهمیت تصادفات شاخ به شاخ

تلفات جانی ناشی از تصادفات جلو به جلو

مطالعات انجام شده درباره تصادفات جلو به جلو

روش مطالعه تصادفات با رگرسیون

مدل رگرسیونی

آمار های تصادفات براساس ترافیک

ارتباط پارامترهای ترافیک محور ها با تصادفات

نتیجه گیری

منابع

---

تصادف رو در رو یا تصادف شاخ به شاخ چیست؟

برخورد رو به رو زمانی رخ می دهد که دو وسیله نقلیه که در جهت مخالف حرکت می کنند به طور مستقیم با یکدیگر برخورد می کنند، معمولا سپر جلو به سپر جلو. تصور کنید دو ماشین با سر در یک جاده به هم می رسند⁶. این یکی از جدی ترین انواع تصادفات رانندگی به دلیل نیروی وارده است. از مهمترین علل این تصادفات بطور کلی می توان به موارد زیر اشاره کرد. این برخوردها می تواند به دلایل مختلفی اتفاق بیفتد: عبور راننده به ترافیک مقابل (شاید به دلیل حواس پرتی، نقص یا خستگی)، تغییر خط نادرست یا حتی شرایط جاده (مانند سطوح لغزنده یا دید ضعیف). تصادفات سر به خصوص خطرناک هستند. نیروهای ضربه متمرکز هستند که منجر به صدمات شدید می شود. رانندگان و مسافران هر دو وسیله نقلیه ممکن است آسیب ببینند، از جمله شکستگی استخوان، ضربه به سر، صدمات ستون فقرات و آسیب های داخلی. متأسفانه، احتمال مرگ و میر در تصادفات رودررو بیشتر است. اینکه در این تصادفات چه کسی مقصر است به شرایط مختلف و عواملی بستگی دارد. تشخیص مقصر تصادفات شاخ به شاخ بستگی به شرایط خاص دارد.  مقصر می تواند راننده ای باشد که از خط مرکزی عبور کرده است، نقص خودرو یا حتی مشکلات طراحی جاده با اینحال تحقیقات پلیس و نظر کارشناسی افسر راهنمایی و رانندگی و شواهد نقش مهمی در تعیین مسئولیت دارد.

اهمیت تصادفات شاخ به شاخ

هر روز هزاران نفر در جاده های ما کشته و زخمی می شوند. مردان، زنان یا کودکانی که در حال پیاده روی، دوچرخه سواری یا سوار شدن به مدرسه یا محل کار، بازی در خیابان ها یا سفرهای طولانی هستند، می توانند قربانی تصادفات جاده ای شوند و خانواده ها و جوامع متلاشی شده را پشت سر بگذارند. هر ساله، میلیون ها نفر پس از تصادفات شدید هفته های طولانی را در بیمارستان سپری می کنند و بسیاری از آنها توانایی زندگی، کار یا بازی عادی را مانند گذشته از دست می دهند. رنج قربانیان و خانواده های آنها از آسیب های ناشی از ترافیک جاده ای غیرقابل محاسبه است. بر اساس گزارش سازمان جهانی بهداشت (WHO)، سالانه حدود ۱.۳۵ میلیون تصادف جاده ای رخ می دهد که بین ۲۰ تا ۵۰ میلیون نفر در سراسر جهان به طور جدی مجروح می شوند. (Ahmed et al., 2023). در مقایسه با انواع دیگر برخوردها، تصادفات رو به رو معمولاً به دلیل برخورد با نیروی زیاد با جراحات شدیدتر مرتبط است. در ایالات متحده، آمار نشان می دهد که تقریباً ۲٪ از تصادفات مرگبار به عنوان تصادفات دسته بندی می شوند، اما این حوادث باعث بیش از ۱۰٪ از کل تلفات ناشی از ترافیک می شود  (Adanu et al., 2023). در مقایسه با بسیاری از کشورها متوسط نرخ تصادفات وسایل نقلیه در کشور ما بسیار بالاست و بیش از نیمی از تصادفات در جاده های دو خطه خارج شهر اتفاق می افتد. لذا تحقیقات فراوانی در کشور در جهت شناسایی عوامل تصادفات انجام شده است (منصور خاکی و همکاران، ۱۳۸۸).

---

---

تلفات جانی ناشی از تصادفات جلو به جلو

در سال ۱۴۰۱ تعداد ۱۹،۴۹۰ فوت ناشی از تصادف رانندگی در سازمان پزشکی قانونی به ثبت رسیده است. استان‌‌های فارس، سیستان و بلوچستان، تهران، کرمان، خراسان رضوی و اصفهان بیشترین سهم را داشته‌اند. تعداد کشته‌های چنین حوادثی در استان‌های ایلام، چهارمحال و بختیاری و اردبیل نسبت به سایر استان‌ها  کمتری بوده‌ است. این درحالی است که در سال ۱۳۹۹ تعداد ۱۵،۳۹۶ فوت ناشی از تصادف رانندگی در سازمان پزشکی قانونی به ثبت رسیده است. در این سال استان‌های فارس، تهران، اصفهان، کرمان، سیستان و بلوچستان، گیلان، مازندران، خراسان رضوی، آذربایجان شرقی و غربی بیشترین سهم را در تعداد کشته شدگان سال ۱۳۹۹ داشته‌اند. تعداد کشته‌های تصادف در استان‌های چهارمحال بختیاری، کهگیلویه و بویراحمد، ایلام، خراسان جنوبی و شمالی، سمنان و یزد نسبت به سایر استان‌ها در این سال کمتر بوده است. 

مطالعه ادانو و همکاران در سال ۲۰۲۳ براساس داده های تاریخی شش ساله از تصادفات رو به رو از غنا را تجزیه و تحلیل کرد و دو مدل را برای رسیدگی به این موضوع ایجاد کرد. تجزیه و تحلیل شدت آسیب با استفاده از یک پارامتر تصادفی لاجیت چند جمله ای با رویکرد ناهمگنی در میانگین و واریانس انجام شد و با هدف شناسایی عواملی که تأثیر قابل توجهی بر شدت صدمات وارده در برخوردهای رو به رو دارند، در حالی که پارامترهای تصادفی مرگ و میر دو جمله ای منفی است، انجام شد.  مدل شمارش برای بررسی عوامل موثر بر تعداد تلفات این تصادفات در کشور طراحی شده است. نتایج نشان داد که تصادفات رودررو با رانندگان بالای ۶۵ سال، اتوبوس، موتورسیکلت و افراد بین ۲۵ تا ۶۵ سال احتمال بیشتری دارد که منجر به مرگ شود. همچنین مشخص شد که سرعت و نقص خودرو از عوامل موثر در تصادفات مرگبار هستند. تصادفات رودررو شامل مینی‌بوس‌ها و حوادثی که راننده می‌خواست از وسیله نقلیه دیگری سبقت بگیرد، به احتمال زیاد منجر به تلفات بیشتر می‌شد. نتایج این مطالعه تعامل جالبی را بین عناصر مرتبط با انسان و عوامل اقتصادی-اجتماعی آشکار می‌کند که مانعی بر سر راه تلاش دولت برای ارتقای بزرگراه‌های اصلی کشور است. علاوه بر این، افزایش نیاز به حمل و نقل منجر به حضور وسایل نقلیه در جاده ها شده است که ممکن است استانداردهای ایمنی را رعایت نکنند. در نتیجه، تعجبی ندارد که بسیاری از یافته‌های این مطالعه با انتظارات مطابقت دارند. یکی دیگر از فاکتور های موثر در این تصادفات مسافت و فاصله بین شهرهای مبدا و مقصد است. این اطلاعات بصورت اکسل فاصله شهرها از لینک زیر قابل دانلود است.

با استفاده از اکسل فاصله شهرها می توانید فاصله تمام شهرهای مهم کشور را نسبت بهم بدست آورید.

مطالعات انجام شده درباره تصادفات جلو به جلو

در مطالعه احمید و همکاران در سال ۲۰۲۳ که با هدف پیش‌بینی تصادف جاده‌ای و عوامل مؤثر با استفاده از مدل‌های یادگیری ماشینی قابل توضیح: تجزیه و تحلیل و عملکرد انجام شد، عوامل زیر مورد بررسی قرار گرفت. آنها چنیدن مدل و چند مطالعه را باهم مقایسه کردند. نتایج مقایسه نشان می دهد که RF با دقت ۸۱.۴۵ درصد، دقت ۸۱.۶۸ درصد، یادآوری ۸۱.۴۲ درصد و ۸۱.۰۴ درصد از امتیاز F1 بهترین طبقه بندی کننده است. سپس، ما از تحلیل ارزش Shapley به عنوان یک تکنیک XML برای تفسیر عملکرد مدل RF در سطوح جهانی و محلی استفاده کرده‌ایم. در حالی که توضیح سطح جهانی رتبه سهم ویژگی ها در طبقه بندی شدت را ارائه می دهد، توضیح محلی برای بررسی استفاده از ویژگی ها در مدل است. علاوه بر این، نمودار وابستگی توضیح افزودنی Shapley (SHAP) برای بررسی رابطه و تعامل ویژگی‌ها نسبت به پیش‌بینی متغیر هدف استفاده می‌شود. بر اساس یافته‌ها، می‌توان گفت که دسته جاده و تعداد وسایل نقلیه درگیر در یک تصادف به‌طور قابل‌توجهی بر شدت آسیب تأثیر می‌گذارد. ویژگی های با رتبه بالا شناسایی شده از طریق تجزیه و تحلیل SHAP برای آموزش مجدد مدل های ML و اندازه گیری عملکرد آنها استفاده می شود. نتیجه به ترتیب ۶%، ۵% و ۸% افزایش را در عملکرد مدل‌های DJ، AdaBoost و CatBoost نشان می‌دهد.

---

---

در ایران نیز مطالعه منصورخاکی و همکاران در سال ۱۳۸۸ با طبقه بندی تصادفات به مطالعه شرایط تصادفات در ایران پرداختند. دراین روش آنها سعی کردند پس از طبقه بندی برای نتایج آن علل و سناریوهای معناداری پیدا نمایند. آنگاه در جهت رفع آن گام برداشت برای ملموس تر شدن این منظور به مطالعه موردی یکی از محورهای پرحادثه کشور پرداخته شده است. پس از طبقه بندی تصادفات (جلو به جلو, جلو به پشت, پهلو به پهلوو…) مشخص می شود که درصد بسیاری از تصادفات از نوع جلو به جلو (۲۰ درصد) و جلو به پشت (۳۷درصد ) می باشد. آنگاه درصدهای معنا دار این تصادفات مورد بررسی قرار می گیرد. برای این منظور از مدلهای ارزیابی عملی طرح هندسی و آنالیز شبیه سازی جریان ترافیک در نرم افزار (IHSDM) استفاده شده است. با استفاده از مدلهای نرم افزار و بررسی سناریوهای مختلف و در نظر گرفتن پارامترهای طرح هندسی و ترافیک مسیر علت درصد زیاد تصادفات از این نوع کاملا مشخص می شود. در واقع می توان نتیجه گرفت قبل ازوقوع تصادفات نیز میتوان به بررسی عوامل آن پرداخت و راهکار مناسب جهت کاشه تصادفات را ارایه کرد در تمامی سناریوها ضعف طرح هندسی به عنوان یکی از عوامل تصادفات دیده می شود اما نقش عامل انسانی در افزایش و کاهش آن مشهودتر است که در واقع فاصله زیاد بین افزایش و کاهش تصادفات به خاطر عامل انسانی مهمترین دلیل نرخ تصادفات بالا در کشور ماست. یکی از فاکتورهای مهم در این زمینه حجم ترافیک و تعداد وسایل نقلیه سبک و سنگین در محورهای کشور است. برای دانلود اکسل ترافیک محورهای کشور با جزئیات حجم و نوع ترافیک و انواع وسایل نقلیه فایل به این لینک مراجعه کنید. با این آموزش می توانید فایل های اکسل عددایکس را به تفکیک ماه های سال و محورهای تمام شهرها و استان های ایران دانلود کنید.

باباگلی و همکاران در مطالعه خود با عنوان ارایه مدل پیش بینی شدت تصادفات وسایل نقلیه با استفاده از داده های تصادفات (مطالعه موردی محور بابل-گنج افروز) به بررسی شدت تصادفات در استان توریستی مازندران پرداختند. در این پژوهش با بکارگیری مدل چند جمله ای لوجیت از مجموعه مدل های انتخاب برای ارایه مدل پیش بینی شدت تصادفات بهره گرفته شده است. همچنین با استفاده از مدل پیش بینی دو تایی از مجموعه الگوریتم های داده کاوی شامل الگوریتم CART به عنوان یکی از الگوریتم های درخت تصمیم و الگوریتمANN-MLP از مجموعه الگوریتم های شبکه های عصبی مصنوعی استفاده گردید و نتایج مورد نیاز استخراج و با یکدیگر مقایسه شده اند. براساس مطالعه ها صورت گرفته شده در این پژوهش نشان داده شده است که بهترین مدل از نظر درصد درست پیش بینی و قابلیت ارائه فرمول پیش بینی برای هر سطح, مدلMNL بوده است. نتایج بدست آمده در بخش مدلهای پیش بینی نشان می دهد فرمول برآورد شده قادر به پیش بینی شدت تصادفات در سطوح۰ (صفر) و ۱ با دقت کافی می باشند.

هدف این مطالعه بررسی تاثیرگذاری عوامل و متغیرهای مستقل مختلف روی شدت تصادفات رو در رو یا شاخ به شاخ خودروها در محور های حمل و نقلی کشور با استفاده از مدل رگرسیون لجستیک است. در این مقاله از داده های آماری اداره کل راهداری و حمل و نقل جاده ای و همچنین اطلاعات آماری پلیس راهنمایی و رانندگی کشور استفاده شده است.

روش مطالعه تصادفات با رگرسیون

مدل رگرسیونی

تحلیل رگرسیون  یک مدل آمار استنباطی است که روابط بین متغیرها را بررسی می کند. تصور کنید که دارید سعی می کنید بفهمید چگونه یک چیز (بیایید آن را متغیر وابسته بنامیم) هنگامی که چیز دیگری (*متغیر مستقل) تغییر می کند تغییر می کند. تجزیه و تحلیل رگرسیون به ما کمک می کند تا این اسرار را کشف کنیم.  مهمترین پارامترهای مدل رگرسونی در ادامه آمده است.

 متغیر وابسته (Y): این ستاره نمایش است—چیزی که ما سعی در پیش بینی یا توضیح آن داریم. این می تواند هر چیزی از درآمد فروش گرفته تا نمرات امتحانی باشد. آن را به عنوان قهرمان داستان آماری ما تصور کنید. متغیرهای مستقل (X): اینها بازیگران مکمل هستند. آنها بر متغیر وابسته تأثیر می گذارند. آنها را به عنوان افراد کمکی در نظر بگیرید – گاهی واضح هستند (مثل دما که بر فروش بستنی تأثیر می گذارد)، و گاهی اوقات آنها بداخلاق تر هستند (مثل وضعیت اجتماعی و اقتصادی که بر پیشرفت تحصیلی تأثیر می گذارد). معادله رگرسیونی یک معادله ریاضی است که متغیر وابسته را به متغیرهای مستقل متصل می کند. هدف ان یافتن بهترین خط (یا منحنی) است که رابطه بین آنها را توضیح می دهد. – رگرسیون خطی: OG. از یک خط مستقیم برای اتصال نقاط استفاده می کند. تصور کنید که نقاط داده را روی یک نمودار رسم کنید و سپس خطی بکشید که فاصله بین خط و آن نقاط را به حداقل برساند. این رگرسیون خطی است. مثل این است که یک ژاکت مناسب را روی داده های خود بچسبانید. – رگرسیون غیرخطی: وقتی زندگی همه خطوط مستقیم نیست. گاهی اوقات روابط منحنی هستند، مانند یک ترن هوایی. مدل های رگرسیون غیرخطی این پیچ و خم ها را مدیریت می کنند. آنها ممکن است از توابع چند جمله ای، منحنی های نمایی یا سایر اشکال فانتزی استفاده کنند. ۴. تخمین پارامترها: در اصطلاح کارآگاهی، این یافتن سرنخ های مناسب است. محققان یک مدل (مانند رگرسیون خطی) را انتخاب می کنند و سپس پارامترهای آن را تخمین می زنند. این پارامترها به ما می گویند که چگونه متغیرهای مستقل بر متغیر وابسته تأثیر می گذارند. این مانند رمزگشایی رمز مخفی جهان است. برای تفسیر این مدل باید گفت در رگرسیون مواردی مانند خطی بودن، استقلال و نرمال بودن را فرض می کنیم و هنگامی که مورد را شکستیم (یا تحلیل را اجرا کردیم)، ضرایب را تفسیر می کنیم که برای ما تأثیر هر متغیر مستقل را بر متغیر وابسته آشکار می کنند. 

اطلاعات و داده های تصادفات و ترافیک محورها از وبسایت عددایکس دریافت شده است. این داده ها بعد از تفکیک و پالایش برای تجزیه و تحلیل وارد نرم افزار R شده و جداول تحلیلی استخراج شد.

رگرسیون لجستیکمانند برادر رگرسیون خطی است. همه چیز در مورد پیش بینی احتمالات است – به طور خاص، احتمال وقوع یک رویداد. این را تصور کنید: شما بر سر دوراهی قرار دارید و می خواهید شانس انتخاب مسیر چپ یا مسیر راست را بدانید. رگرسیون لجستیک بکار می رود. معادله مدل رگرسیون لجستیکی در زیر آمده است.

در این معادله

– در اینجا، \(P(Y=1)\) احتمال وقوع رویداد است. – ضرایب \(\beta\) نشان دهنده تأثیر هر متغیر مستقل (\(X_1, X_2, \ldots, X_k\)) است. – جادویی \(e\) پایه لگاریتم طبیعی است.

آمار های تصادفات براساس ترافیک

در این قسمت نتایج تحلیل های آماری و پردازش های نرم افزاری بصورت جداول و نمودارهایی ارائه شده است. در ادامه جداول تحلیل آمار توصیفی و سپس متغیرهای اصلی تحقیق بررسی شده است.

جدول ۱: تحلیل توصیفی آمار تصادفات جلو به جلو

DRV_SEX

VEHYR

HOUR_class

SEVERITY

RDSURF

LIGHT

numvehs

NO_LANES

SURF_TYP

MED_TYPE

ACCESS

TERRAIN

AADT

RURURB

season2

age_grp1

M

۲۰۱۰-۲۰۱۵

۱

NotPDO

Dry

Dark

۳

۵-

AC

Undivided

Conventional_No_Access_Control

F

۱۲۵K-

U

Winter

۲۵-۶۵

F

۲۰۱۰-۲۰۱۵

۳

PDO

Dry

Dark

۱

۸+

PCC

Divided

Freeway_Full_Access_Control

R

۱۲۵K-

R

Fall

۲۵-

M

۲۰۰۵-۲۰۱۰

۲

NotPDO

Snowy_Icy_Wet

Daylight

۳

۵-

AC

Divided

Conventional_No_Access_Control

F

۱۲۵K-

U

Winter

۲۵-

F

۲۰۰۰-

۲

NotPDO

Dry

Daylight

۳

۸+

PCC

Divided

Freeway_Full_Access_Control

F

۱۷۵k-250k

U

Winter

۲۵-

F

۲۰۰۵-۲۰۱۰

۲

NotPDO

Dry

Daylight

۲

۵-

AC

Divided

Conventional_No_Access_Control

R

۱۲۵K-

U

Fall

۲۵-۶۵

F

۲۰۰۵-۲۰۱۰

۴

NotPDO

Snowy_Icy_Wet

Daylight

۲

۵-

AC

Undivided

Conventional_No_Access_Control

M

۱۲۵K-

R

Winter

۲۵-۶۵

F

۲۰۰۵-۲۰۱۰

۲

NotPDO

Snowy_Icy_Wet

Daylight

۲

۵-

AC

Undivided

Conventional_No_Access_Control

M

۱۲۵K-

R

Spring

۲۵-۶۵

F

۲۰۰۰-

۵

NotPDO

Dry

Dark

۲

۵-

AC

Undivided

Conventional_No_Access_Control

M

۱۲۵K-

R

Spring

۲۵-۶۵

M

۲۰۰۰-

۳

NotPDO

Dry

Dark

۳

۵-

AC

Undivided

Expressway_Partial_Access_Control

R

۱۲۵K-

R

Fall

۲۵-۶۵

M

۲۰۰۰-

۱

PDO

Dry

Dark

۲

۸+

PCC

Divided

Freeway_Full_Access_Control

F

۲۵۰k+

U

Spring

۲۵-۶۵

F

۲۰۰۵-۲۰۱۰

۵

NotPDO

Snowy_Icy_Wet

Dark

۳

۵-

PCC

Divided

Freeway_Full_Access_Control

F

۱۲۵K-

R

Spring

۲۵-۶۵

M

۲۰۱۰-۲۰۱۵

۱

NotPDO

Dry

Dark

۲

۶-۷

PCC

Divided

Freeway_Full_Access_Control

F

۱۷۵k-250k

U

Winter

۲۵-۶۵

M

۲۰۰۰-

۴

NotPDO

Dry

Daylight

۲

۸+

PCC

Divided

Freeway_Full_Access_Control

M

۱۷۵k-250k

U

Fall

۲۵-۶۵

F

۲۰۰۰-۲۰۰۵

۳

PDO

Dry

Dark

۲

۸+

AC

Divided

Conventional_No_Access_Control

F

۱۲۵K-

U

Winter

۲۵-۶۵

F

۲۰۱۵+

۱

NotPDO

Dry

Dark

۲

۸+

PCC

Divided

Freeway_Full_Access_Control

F

۱۷۵k-250k

U

Spring

۲۵-

M

۲۰۰۰-

۵

NotPDO

Dry

Daylight

۳

۵-

AC

Undivided

Conventional_No_Access_Control

R

۱۲۵K-

U

Summer

۶۵+

M

۲۰۰۰-۲۰۰۵

۱

NotPDO

Dry

Daylight

۲

۵-

AC

Undivided

Conventional_No_Access_Control

M

۱۲۵K-

R

Fall

۲۵-

M

۲۰۰۵-۲۰۱۰

۱

NotPDO

Dry

Daylight

۲

۵-

AC

Divided

Freeway_Full_Access_Control

R

۱۲۵K-

U

Spring

۲۵-۶۵

M

۲۰۰۰-

۵

NotPDO

Dry

Dark

۳+

۵-

AC

Undivided

Conventional_No_Access_Control

F

۱۲۵K-

R

Winter

۲۵-۶۵

M

۲۰۱۰-۲۰۱۵

۵

PDO

Dry

Daylight

۲

۶-۷

PCC

Divided

Conventional_No_Access_Control

F

۱۲۵K-

U

Spring

۲۵-۶۵

جدول فوق نشان دهنده اطلاعات توصیفی تصادفات است. این اطلاعات شامل جنسیت راننده مرد یا زن بودن، سن خودرو، زمان، شدت تصادف و خسارات، خیسی یا خشکی سطح جاده و خیابان، شب یا روز بودن یا به عبارتی روشنایی خیابان و جاده، تعداد وسایل نقلیه یا وضعیت سنگینی ترافیک و ترردد خودروها، تعداد خطوط جاده یا تعداد لاین جاده، نوع مسیر آسفالت یا سنگفرش بود، وضعیت دسترسی، هموار یا شیبدار بودن جاده و راه، سرعت تردد، شهری یا روستایی بودن مسیر، و فصل سال، و گروه سنی راننده است.

ارتباط پارامترهای ترافیک محور ها با تصادفات

جداول زیر میزان همبستگی پارامترهای فوق را نشان می دهد.

جدول ۲: همبستگی متغیر ها در مدل رگرسیونی

Var1	Var2	Freq
	DRV_SEX	F:3408
	DRV_SEX	M:6999
	DRV_SEX	N/A
	DRV_SEX	N/A
	DRV_SEX	N/A
	VEHYR	۲۰۰۰-    :1889
	VEHYR	۲۰۰۰-۲۰۰۵:۲۴۳۳
	VEHYR	۲۰۰۵-۲۰۱۰:۲۴۰۷
	VEHYR	۲۰۱۰-۲۰۱۵:۲۳۵۵
	VEHYR	۲۰۱۵+    :1323
	HOUR_class	۱:۱۵۷۰
	HOUR_class	۲:۳۱۴۷
	HOUR_class	۳:۱۵۷۰
	HOUR_class	۴:۱۷۰۱
	HOUR_class	۵:۲۴۱۹
	SEVERITY	NotPDO:7305
	SEVERITY	PDO   :3102
	SEVERITY	N/A
	SEVERITY	N/A
	SEVERITY	N/A
	RDSURF	Dry          :8563
	RDSURF	Snowy_Icy_Wet:1844
	RDSURF	N/A
	RDSURF	N/A
	RDSURF	N/A
	LIGHT	Dark    :4368
	LIGHT	Daylight:6039
	LIGHT	N/A
	LIGHT	N/A
	LIGHT	N/A
	numvehs	۱ : ۶۶۵
	numvehs	۲ :۷۶۹۵
	numvehs	۳ :۱۵۵۴
	numvehs	۳+: ۴۹۳
	numvehs	N/A
	NO_LANES	۵- :۶۷۵۶
	NO_LANES	۶-۷:۱۱۷۳
	NO_LANES	۸+ :۲۴۷۸
	NO_LANES	N/A
	NO_LANES	N/A
	SURF_TYP	AC :7325
	SURF_TYP	PCC:3082
	SURF_TYP	N/A
	SURF_TYP	N/A
	SURF_TYP	N/A
	MED_TYPE	Divided  :5986
	MED_TYPE	Undivided:4421
	MED_TYPE	N/A
	MED_TYPE	N/A
	MED_TYPE	N/A
	ACCESS	Conventional_No_Access_Control   :5922
	ACCESS	Expressway_Partial_Access_Control: 554
	ACCESS	Freeway_Full_Access_Control      :3931
	ACCESS	N/A
	ACCESS	N/A
	TERRAIN	F:5633
	TERRAIN	M:1916
	TERRAIN	R:2858
	TERRAIN	N/A
	TERRAIN	N/A
	AADT	۱۲۵K-    :7677
	AADT	۱۲۵k-175k: 705
	AADT	۱۷۵k-250k:1296
	AADT	۲۵۰k+    : 729
	AADT	N/A
	RURURB	R:4376
	RURURB	U:6031
	RURURB	N/A
	RURURB	N/A
	RURURB	N/A
	season2	Fall  :2693
	season2	Spring:2540
	season2	Summer:2469
	season2	Winter:2705
	season2	N/A
	age_grp1	۲۵-  :2207
	age_grp1	۲۵-۶۵:۷۲۱۶
	age_grp1	۶۵+  : 984
	age_grp1	N/A
	age_grp1	N/A

جدول ۲ ارتباط هر متغیر با سایر متغیرها را نشان می دهد.

جدول ۳: معیارهای سنجش کیفیت مدل رگرسیون لجستیک

LIGHT	SURF_TYP	NumberofObservation	Deviance	AIC	McFadden	r2ML	r2CU	auc
Daylight	AC	۴,۴۷۱	۴,۷۷۰.۰۹۰	۴,۷۹۶.۰۹۰	۰.۰۷۱	۰.۰۷۸	۰.۱۱۴	۰.۶۷۰
Dark	AC	۲,۸۵۴	۳,۰۴۵.۵۳۶	۳,۰۶۹.۵۳۶	۰.۰۷۶	۰.۰۸۵	۰.۱۲۳	۰.۶۷۶
Daylight	PCC	۱,۵۶۸	۲,۰۰۷.۰۲۱	۲,۰۴۳.۰۲۱	۰.۰۴۶	۰.۰۵۹	۰.۰۸۰	۰.۶۳۷
Dark	PCC	۱,۵۱۴	۱,۸۹۷.۵۱۱	۱,۹۲۷.۵۱۱	۰.۰۵۰	۰.۰۶۴	۰.۰۸۷	۰.۶۳۶

در این جدول وضعیت روشنایی یا آمار تصادفات در روز یا شب برای دو نوع محور های آسفالت و محور های سنگفرش آمده است.

در جدول زیر ضرایب آماری متغیرهای معنی دار در شدت تصادفات براساس رگرسیون لجستیک آمده است.

جدول ۴: ضرایب آماری معنیداری رخداد های تصادفات براساس مدل رگرسیون لجستیک

term	count	mean	sd	min	max
numvehs2	۴	-۱.۳۳۲	۰.۲۹۶	-۱.۶۱۶	-۱.۰۳۹
numvehs3	۴	-۱.۶۴۶	۰.۴۹۸	-۲.۰۸۴	-۱.۱۸۵
numvehs3+	۴	-۲.۴۳۲	۰.۸۱۲	-۳.۳۶۳	-۱.۶۴۳
MED_TYPEUndivided	۳	-۰.۸۴۴	۰.۲۷۷	-۱.۱۵۰	-۰.۶۱۰
RDSURFSnowy_Icy_Wet	۳	۰.۳۷۴	۰.۱۰۲	۰.۳۰۴	۰.۴۹۰
(Intercept)	۲	۰.۹۵۴	۰.۴۳۲	۰.۶۴۹	۱.۲۶۰
AADT175k-250k	۲	۰.۵۷۵	۰.۲۹۵	۰.۳۶۷	۰.۷۸۴
AADT250k+	۲	۰.۵۰۷	۰.۰۱۷	۰.۴۹۶	۰.۵۱۹
DRV_SEXM	۲	۰.۲۶۴	۰.۰۴۸	۰.۲۳۰	۰.۲۹۸
season2Spring	۲	-۰.۴۶۸	۰.۱۰۹	-۰.۵۴۵	-۰.۳۹۰
season2Summer	۲	-۰.۰۲۹	۰.۴۹۷	-۰.۳۸۰	۰.۳۲۲
AADT125k-175k	۱	۰.۴۹۱	N/A	۰.۴۹۱	۰.۴۹۱
HOUR_class5	۱	۰.۴۰۰	N/A	۰.۴۰۰	۰.۴۰۰
NO_LANES6-7	۱	-۰.۳۶۵	N/A	-۰.۳۶۵	-۰.۳۶۵
NO_LANES8+	۱	۰.۴۹۲	N/A	۰.۴۹۲	۰.۴۹۲
RURURBU	۱	-۰.۵۵۴	N/A	-۰.۵۵۴	-۰.۵۵۴
TERRAINM	۱	۰.۷۳۴	N/A	۰.۷۳۴	۰.۷۳۴
VEHYR2005-2010	۱	۰.۵۴۴	N/A	۰.۵۴۴	۰.۵۴۴
age_grp165+	۱	-۰.۴۳۱	N/A	-۰.۴۳۱	-۰.۴۳۱

در این جدول نیز تعداد، میانگین، انحراف معیار، و حداقل و حداکثر رخداد ها براساس داده های موجود ارائه شده است. مثلا در فصل تابستان میانگین رگرسیونی -۰.۰۲۹ بوده که دارای انحراف معیار ۰.۴۹۷ می باشد.

با توجه به جداول ارائه شده می توان بیان داشت مسیر های یک طرفه و دوطرفه بودن و ناهمواری جاده و راه دارای بیشترین تاثیر روی شدت تصادفات در محورها هستند. همچنین از نتایج این جداول چنین بر می آید  که سرعت، وضیعت ترافیک و تعداد لاین محورها، شرایط شهری و روستایی محورها، و همچنین ناهمواری و شیبدار بودن جاده از عواملی هستند که تاثیر معنی دار روی شدت تصادفات دارد.

می توان چنین بحث کرد که این عوامل و متغیرهای مستقل بدلیل شرایط خاص جاده ها و محور های ترددی در ایران از جمله ناهمواریهای کوهستانی استان های غربی و شمالی کشور می توانند تشدید شوند. این محورها علاوه بر عوامل فوق می توانند تحت تااثیر سایر عوامل موثر باشند که می توانستند در این عوامل دخالت کنند و شدت تصادفات را تحت تاثیر قرار دهند.

نتیجه گیری

براساس تحلیل های انجام شده و همچنین بررسی نتایج مدل رگرسیون لجستیک می توان نتیجه گیری کرد که عوامل یک طرفه یا دوطرفه بودن محورها، ناهمواری ها و توپوگرافی جاده ها و خیابان ها، و همچنین شرایط جوی می توانند تاثیر معنی دار و چشم گیری روی شرایط و شدت تصادفات داشته باشند. مداخله سایر عوامل از جمله شرایط روانی رانندگان و خرابی آسفالت خیابان ها و شرایط جوی هوا می توانند در این روابط آماری تاثیرات قابل توجهی داشته باشند.

منابع

1. باباگلی، ر.، عاملی، ع.، غلامرضا تبار، ع.، پایدار، ع.، (۱۳۹۸)، ارائه مدل پیش بینی تصادفات وسایل نقلیه با استفاده از داده های تصادفات (مطالعه موردی محور بابل – گنج افروز) ، فصلنامه علمی پژوهشی حمل و نقل، ۶۱، ۱-۱۴
2. منصورخاکی، ع.، محسنی، ح.، جعفریه، ف.، (۱۳۸۸)، بررسی علت تصادفات با توجه به طبقه بندی نوع تصادفات (جلو به جلو و جلو به پشت)، اولین کنفرانس ملی تصادفات و سوانح جاده ای و ریلی، ایران زنجان، دانشگاه آزاد اسلامی
3. Emmanuel Kofi Adanu, William Agyemang, Abhay Lidbe, Offei Adarkwa, Steven Jones, (2023), An in-depth analysis of head-on crash severity and fatalities in Ghana, Heliyon 9, e18937, https://doi.org/10.1016/j.heliyon.2023.e18937.
4. Shakil Ahmed, Md Akbar Hossain, Sayan Kumar Ray, Md Mafijul Islam Bhuiyan, Saifur Rahman Sabuj, (2023), A study on road accident prediction and contributing factors using explainable machine learning models: analysis and performance, Transportation Research Interdisciplinary Perspectives 19, https://doi.org/10.1016/j.trip.2023.100814.
5. Website: www.adadx.ir