تحلیل عوامل موثر در شدت تصادفات جلو به جلو (Head-on) براساس داده های HSIS (داده های تصادفات امریکا)

در این پژوهش عوامل موثر در شدت تصادفات شاخ به شاخ براساس داده های HSIS یا داده های تصادفات امریکا با روش تحلیل رگرسیون لجستیک تحلیل و بررسی نمودیم. تصادفات شاخ به شاخ یکی از مهمتری انواع تصادفات است که بیشترین آسیبها و بیشترین تعداد مرگ ومیر را در جاده ها داشته است. با بررسی پیشینه مطالعات مشابه می توان گفت مطالعات مختلف علل مختلفی را برای این نوع تصادفات پیدا کردند. در این مطالعه هدف ما تحلیل علل موثر بر شدت تصادفات شاخ به شاخ با روش تحلیل رگرسیون لجستیک در ایالات متحده با استفاده از داده های HSIS فدرال است. نتایج تحلیل های این پژوهش به ما نشان داد که دو عامل تعداد لاین محور ها و جاده ها و یک طرفه یا دوطرفه بودن جاده ها تاثیر معنیداری روی شدت تصادفات شاخ به شاخ دارد. این عامل در مناطق روستایی و شهری تفاوت معنی داری را نشان می دهد. همچنین ما نتیجه گیری کردیم که زنان در مناطق شهری تصادفات شاخ به شاخ بیشتری داشته اند.

تصادفات جلو به جلو چیست؟

مطالعات انجام شده درباره تصادفات رو به رو

روش بررسی تصادفات جلو به جلو براساس داده های ترافیکی امریکا

بانک اطلاعاتی تصادفات امریکا

تحلیل رگرسیونی چیست؟

بررسی آمارها

نتیجه گیری

منابع

کلیدواژه ها: تصادفات شاخ به شاخ، داده های HSIS، تحلیل رگرسیون لجستیک

تصادفات جلو به جلو چیست؟

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 (Ahmed et al., 2023). تصادفات زمانی رخ می دهد که دو وسیله نقلیه که در جهت مخالف حرکت می کنند با یکدیگر تصادف می کنند. تصادفات شدید اغلب منجر به جراحات و تلفات شدیدتر می شود. طبق آمار ایالات متحده، در سال ۲۰۱۵، تصادفات رو به رو تنها ۲.۳ درصد از کل تصادفات را تشکیل می دادند، اما ۱۰.۲ درصد از کل تصادفات منجر به مرگ را تشکیل می دادند (NHTSA، ۲۰۱۷). بسیاری از محققان برای بررسی شدت جراحت تصادفات سر به سر تلاش کرده اند (Liu and Fan, 2020). برخوردهای رو به رو به دلیل ضربه شدیدی که ایجاد می کنند، اغلب با صدمات جدی تری در مقایسه با انواع دیگر تصادفات مرتبط هستند. 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. این عدم تناسب فاحش ماهیت فاجعه بار ذاتی این نوع خاص از تصادف را نشان می دهد (Adanu et al., 2023). 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 صدمات 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. این هشتمین عامل مرگ و میر جهانی است و در صورت ادامه روند کنونی ممکن است تا سال ۲۰۳۰ به هفتمین علت مرگ و میر تبدیل شود. (Ahmed et al., 2023)  عوامل ایمنی خودرو از جمله کیسه های هوا نقش مهمی در کاهش آسیب ها در تصادفات رودر رو دارد بطوریکه کارایی کیسه های هوا در نجات جان انسان ها ۳۰ درصد تخمین زده می شود و با بیشتر شدن خودروهای مجهز به کیسه هوا در جاده ها، احتمال آسیب دیدن سر یا بالاتنه تهدید کننده زندگی کاهش می یابد (Martin et al., 2023).

---

---

مطالعات انجام شده درباره تصادفات رو به رو

مطالعه احمید و همکاران (۲۰۲۳) در مطالعه خود با عنوان مطالعه بر روی پیش‌بینی تصادف جاده‌ای و عوامل مؤثر با استفاده از مدل‌های یادگیری ماشینی قابل توضیح: تجزیه و تحلیل و عملکرد از روش یادگیری ماشین روی داده های تصادفات جاده ای نیوزیلند استفاده کردند. داده های تصادفات جاده ای نیوزیلند از سال ۲۰۱۶ تا ۲۰۲۰ به دست آمده از وزارت حمل و نقل نیوزلند برای انجام این مطالعه استفاده شده است. آنها در این مطالعه از روش های زیر استفاده کردند. آنها مجموعه‌ای از مدل‌های یادگیری ماشین (ML) را برای پیش‌بینی شدت تصادف جاده‌ای بر اساس جدیدترین مجموعه داده‌های تصادف جاده‌ای NZ ارزیابی کردند. آنها همچنین نتایج پیش‌بینی‌شده را تجزیه و تحلیل کرده‌ایم و از یک تکنیک ML (XML) قابل توضیح برای ارزیابی اهمیت عوامل مؤثر در تصادفات جاده‌ای استفاده نمودند. برای پیش‌بینی تصادف‌های جاده‌ای با شدت آسیب‌های مختلف، این کار مجموعه‌های مختلفی از مدل‌های ML را در نظر گرفته است، مانند جنگل تصادفی (RF)، جنگل تصمیم (DJ)، تقویت تطبیقی ​​(AdaBoost)، تقویت گرادیان شدید (XGBoost)، ماشین تقویت شیب نور. L-GBM) ، و تقویت طبقه بندی (CatBoost). یافته های این تحقیق نشان داد که فاکتور جاده و تعداد وسایل نقلیه درگیر در یک تصادف به طور قابل توجهی بر شدت آسیب تأثیر می گذارد. 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 مطالعه ای با عنوان روند آسیب رانندگان خودروهای سواری در تصادفات از جلو در ایالات متحده آمریکا توسط مارتین و همکاران (Martin et al., 2000) آنها داده های چند سال را بررسی کردند و نتیجه گرفتند که کارایی کیسه های هوا در نجات جان انسان ها ۳۰ درصد تخمین زده می شود و با بیشتر شدن خودروهای مجهز به کیسه هوا در جاده ها، احتمال آسیب دیدن سر یا بالاتنه تهدید کننده زندگی کاهش می یابد. با این حال، کیسه های هوا در پیشگیری از آسیب های اندام فوقانی و تحتانی موثر نیستند و در نتیجه آسیب های بازو و پا در سال های آینده شیوع بیشتری خواهند داشت.

طبق تحقیقات مارتین (۲۰۰۰) اقدامات موثر کمربند ایمنی و کیسه هوا در نجات جان انسان ها در چندین مطالعه گزارش شده است. ایوانز (۱۹۹۳) گزارش داد که کمربند ایمنی ۴۳ درصد در نجات جان رانندگان در تصادفات از جلو موثر است. چند سال بعد، مالیاریس و همکاران. (۱۹۹۵) این رقم را ۶۲ درصد قرار داد. در ضمن، مشخص شده است که کیسه های هوا ۲۳ درصد در نجات جان راننده در تصادفات از جلو مؤثر هستند (فرگوسن و همکاران، ۱۹۹۴). با این حال، این اقدامات اثربخشی بر اساس داده های بیش از ۶ سال است. تغییراتی که در محیط رانندگی رخ داده است – مانند افزایش تعداد تصادفات خودروی سواری با کامیون سبک – بر اثربخشی مهار تأثیر می گذارد به طوری که اقدامات موثر امروزی احتمالاً متفاوت است. هنگامی که داده های جدیدتر در نظر گرفته شد، اداره ملی ایمنی ترافیک بزرگراه (NHTSA) دریافت که کیسه های هوا ۳۱٪ موثر هستند (NHTSA، ۱۹۹۸). چندین مطالعه دیگر برآوردهای بروز آسیب را بر اساس استفاده از مهار ارائه کرده اند. به عنوان مثال، Dischinger و همکاران. (۱۹۹۶) صدمات را به رانندگان خودروهای با و بدون کیسه هوا مقایسه کرد. آنها نشان دادند که سطوح بروز در بین رانندگان بسته به در دسترس بودن کیسه هوا متفاوت است. با این حال، مطالعه به نمونه کوچکی از رانندگان کمربندبند که در سال‌های ۱۹۹۳ و ۱۹۹۴ در بیمارستان‌های مریلند بستری شده بودند، محدود شد.

---

---

در پژوهش آدانو و همکاران (Adanu et al., 2023) از داده های شش ساله بانک اطلاعات تصادفات غنا برای تحلیل عوامل موثر در تصادفات شاخ به شاخ استفاده شده است. 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. یافته های این مطالعه عوامل مختلفی از جمله سن و عوامل ایمنی را تحلیل نمود. نتایج آنها نشان داد که تصادفات رودررو یا شاخ به شاخ 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 (فایل AHP برای تصمیم گیری خرید خودرو). 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. با این وجود، در چارچوب خاص غنا، این یافته‌ها شواهد متقاعدکننده‌ای را ارائه می‌دهند که از اتخاذ و اجرای رویکرد سیستم‌های ایمن به عنوان ابزاری برای مقابله با برخوردهای مرگبار در کشور حمایت می‌کند.

مطالعه لیو و فان (۲۰۲۰) با عنوان بررسی شدت آسیب در تصادفات رودررو با استفاده از تحلیل خوشه‌بندی کلاس پنهان و مدل لاجیت مختلط: مطالعه موردی کارولینای شمالی با روش مدل لوجیت استفاده کردند. مدل‌های لاجیت مختلط برای بررسی بیشتر ناهمگونی مشاهده نشده در هر خوشه توسعه داده شده‌اند. تجزیه و تحلیل ها بر اساس داده های جمع آوری شده از سیستم اطلاعات ایمنی بزرگراه (HSIS) از سال ۲۰۰۵ تا ۲۰۱۳ در کارولینای شمالی انجام می شود. پارامترهای برآورد شده و اثرات حاشیه ای مرتبط برای تفسیر متغیرهای قابل توجه مدل های توسعه یافته ترکیب می شوند. روش پیشنهادی قادر به کشف ناهمگنی در کل مجموعه داده و خوشه‌های همگن است. نتایج این تحقیق می تواند اطلاعات قابل اعتماد و روشنگری بیشتری را در مورد عوامل موثر در تصادفات در اختیار مهندسان و سیاست گذاران قرار دهد. آنها براساس یافته های خود اظهار کردند که مدل های Logit مختلط از همه خوشه ها به طور جداگانه تخمین زده می شوند. از آنجایی که کل مجموعه داده به گروه‌های همگن تقسیم می‌شود، می‌توان با مدل‌سازی هر خوشه به‌طور جداگانه نتایج قابل اعتمادتری تولید کرد. بر اساس تجزیه و تحلیل خوشه بندی کلاس پنهان، چهار خوشه تولید می شود.

روش بررسی تصادفات جلو به جلو براساس داده های ترافیکی امریکا

در این مطالعه از داده های HSIS (داده های تصادفات امریکا) برای تحلیل دلایل موثر در شدت تصادفات رو به رو با استفاده از مدل رگرسیونی استفاده شده است. HSIS یک سیستم مبتنی بر جاده است که داده های با کیفیت را در مورد تعداد زیادی از تصادفات، جاده ها و متغیرهای ترافیک ارائه می دهد. از داده های جمع آوری شده توسط ایالت ها برای مدیریت سیستم بزرگراه و مطالعه ایمنی بزرگراه استفاده می کند. در واقع، اداره فدرال بزرگراه (FHWA) یک پایگاه داده ایمنی بزرگراه ایجاد کرده است که می تواند این نیاز را برآورده کند: سیستم اطلاعات ایمنی بزرگراه (HSIS). HSIS یک سیستم مبتنی بر جاده است که داده های با کیفیت را در مورد تعداد زیادی از متغیرهای تصادف، جاده و ترافیک ارائه می دهد. از داده هایی استفاده می کند که قبلاً توسط ایالات برای مدیریت سیستم بزرگراه و مطالعه ایمنی بزرگراه جمع آوری شده است. داده ها سالانه از یک گروه منتخب از ایالت ها به دست می آیند، در قالب کامپیوتری رایج پردازش می شوند، مستند می شوند و برای تجزیه و تحلیل آماده می شوند. داده‌ها در قالب‌های مختلف از جمله مقادیر جدا شده با کاما (csv.)، مایکروسافت اکسل، SAS و فایل‌های شکل GIS در دسترس درخواست‌کنندگان هستند.

بانک اطلاعاتی تصادفات امریکا

بانک اطلاعات HSIS می تواند برای تجزیه و تحلیل تعداد زیادی از مشکلات ایمنی استفاده شود. آن‌ها می‌توانند از مسائل اساسی‌تر «شناسایی مشکل» برای شناسایی اندازه و وسعت یک مشکل ایمنی تا تلاش‌های مدل‌سازی برای پیش‌بینی تصادفات آینده از ویژگی‌های جاده‌ها و عوامل ترافیکی متغیر باشند. بنابراین داده های HSIS برای پشتیبانی از برنامه تحقیقات ایمنی FHWA استفاده می شود و ورودی برای تصمیمات سیاست برنامه ارائه می دهد. HSIS همچنین در دسترس متخصصانی است که تحت برنامه تحقیقات ملی تعاونی بزرگراه، دانشگاه ها و سایرینی که ایمنی بزرگراه ها را مطالعه می کنند، تحقیق می کنند.

تحلیل رگرسیونی چیست؟

تحلیل رگرسیونی در این مطالعه برای بررسی علل موثر در شدت تصادفات شاخ به شاخ استفاده شده است. تجزیه و تحلیل رگرسیون راهی برای مرتب کردن ریاضیاتی است که کدام یک از آن متغیرها واقعاً تأثیر دارند. به این سؤالات پاسخ می دهد: کدام عوامل بیشتر اهمیت دارند؟ کدام را می توانیم نادیده بگیریم؟ این عوامل چگونه با یکدیگر تعامل دارند؟ و شاید مهمتر از همه، چقدر در مورد همه این عوامل مطمئن هستیم؟ در تحلیل رگرسیون، به این عوامل «متغیر» می گویند. شما متغیر وابسته خود را دارید – عامل اصلی که سعی در درک یا پیش بینی آن دارید.

تحلیل رگرسیون روشی آماری برای تجزیه و تحلیل رابطه بین دو یا چند متغیر است به گونه ای که بتوان یکی از متغیرها را با اطلاعات سایر متغیرها پیش بینی یا توضیح داد. اصطلاح “رگرسیون” برای اولین بار توسط سر فرانسیس گالتون در اواخر دهه ۱۸۰۰ برای توضیح رابطه بین قد والدین و فرزندان معرفی شد. او خاطرنشان کرد که قد فرزندان والدین قدبلند و کوتاه قد به نظر می رسد نسبت به میانگین گروه “پسرفت” داشته باشد. روش انجام واقعی تحلیل رگرسیون، که حداقل مربعات معمولی نامیده می شود (به بخش ۷.۳ مراجعه کنید)، به طور کلی به کارل فردریش گاوس، که از این روش در اوایل قرن نوزدهم استفاده کرد، نسبت داده می شود. با این حال، در مورد این انتساب اختلاف نظر وجود دارد زیرا آدرین ماری لژاندر اولین اثر را در مورد استفاده از آن در سال ۱۸۰۵ منتشر کرد. هر کاربرد تحلیل رگرسیون باید نقش دو متغیر کمی را متمایز کند. متغیری که می‌خواهیم پیش‌بینی کنیم یا معتقدیم تحت تأثیر قرار می‌گیرد، متغیر وابسته، پاسخ یا نتیجه نامیده می‌شود. متغیری که به عنوان مبنای پیش‌بینی خود استفاده می‌کنیم، یا معتقدیم که باعث ایجاد تغییراتی می‌شود، متغیر مستقل، توضیحی یا پیش‌بینی‌کننده نامیده می‌شود. به طور سنتی، متغیر وابسته به عنوان برچسب گذاری می شود. متغیر y  و متغیر مستقل به عنوان   . (Mohr et al., 2022)

---

---

بررسی آمارها

نتایج این تحقیق تصادفات رو به رو براساس آمارهای ترافیک محور های حمل و نقلی امریکا در ادامه به تفصیل آمده است. جدول شماره ۱ بیست رکورد اتفاقی از داده های آماده شده از داده های تصادفات را نشان می دهد. این جدول پارامترهای سن رانندگان، عمر وسیله نقلیه، کلاس ساعت، شدت تصادف، وضعیت خشکی یا خیسی سطح جاده، روز یا شب بودن زمان وقوع، کلاس سرعت، تعداد لاین جاده، نوع سطح جاده آسفالت بودن یا سنگفرش بودن راه، جاده یک طرفه تا دو طرفه بودن، وضعیت دسترسی آزادراه یا محلی، شیبدار یا هموار بودن راه یا جاده، محدودیت سرعت، شهری یا روستایی بودن جاده ، فصل ساعت که تصادف رخ داد، و نهایتا سن سرنشین آمده است.

جدول ۱: بیست رکورد اتفاقی از داده های آماده شده

جنس راننده	عمر خودرو	کلاس ساعت	شدت تصادف	خشکی یا خیسی چاده	شب یا روز بودن	کلاس سرعت	تعداد لاین	نوع سطح	یکطرف یا دوطرفه	دسترسی محلی یا آزادراه	همواریا شییبدار	سرعت	شهری روستایی	فصل سال	سن سرنشین
M	۲۰۰۵-۲۰۱۰	۲	PDO	Dry	Daylight	۱	۶-۷	AC	Divided	Freeway_Full_Access_Control	R	۱۲۵k-175k	U	Winter	۲۵-۶۵
M	۲۰۱۵+	۱	PDO	Dry	Dark	۱	۶-۷	PCC	Divided	Freeway_Full_Access_Control	F	۱۷۵k-250k	U	Fall	۲۵-
M	۲۰۱۰-۲۰۱۵	۴	PDO	Snowy_Icy_Wet	Dark	۱	۵-	AC	Divided	Freeway_Full_Access_Control	R	۱۲۵K-	R	Spring	۲۵-۶۵
F	۲۰۰۵-۲۰۱۰	۱	NotPDO	Dry	Dark	۱	۸+	AC	Divided	Freeway_Full_Access_Control	F	۱۷۵k-250k	U	Winter	۲۵-۶۵
F	۲۰۰۵-۲۰۱۰	۴	NotPDO	Dry	Daylight	۳	۸+	PCC	Divided	Freeway_Full_Access_Control	F	۲۵۰k+	U	Winter	۶۵+
M	۲۰۰۰-	۵	PDO	Dry	Daylight	۲	۸+	AC	Divided	Freeway_Full_Access_Control	F	۲۵۰k+	U	Summer	۲۵-۶۵
M	۲۰۰۰-	۴	PDO	Dry	Dark	۲	۵-	AC	Undivided	Conventional_No_Access_Control	F	۱۲۵K-	R	Fall	۲۵-۶۵
M	۲۰۱۵+	۲	NotPDO	Dry	Daylight	۲	۵-	AC	Divided	Freeway_Full_Access_Control	F	۱۲۵K-	R	Fall	۲۵-
M	۲۰۰۰-۲۰۰۵	۱	PDO	Dry	Dark	۱	۵-	AC	Divided	Freeway_Full_Access_Control	F	۱۲۵K-	R	Spring	۲۵-۶۵
M	۲۰۰۵-۲۰۱۰	۴	PDO	Dry	Daylight	۲	۶-۷	AC	Divided	Expressway_Partial_Access_Control	F	۱۲۵K-	U	Spring	۲۵-۶۵
M	۲۰۰۵-۲۰۱۰	۱	PDO	Dry	Dark	۱	۸+	PCC	Divided	Freeway_Full_Access_Control	F	۱۷۵k-250k	U	Fall	۲۵-
F	۲۰۰۰-	۴	NotPDO	Dry	Daylight	۱	۵-	AC	Divided	Freeway_Full_Access_Control	F	۱۲۵K-	U	Summer	۲۵-۶۵
M	۲۰۰۰-۲۰۰۵	۵	PDO	Dry	Daylight	۲	۵-	AC	Undivided	Expressway_Partial_Access_Control	F	۱۲۵K-	R	Fall	۲۵-۶۵
F	۲۰۰۵-۲۰۱۰	۵	NotPDO	Dry	Daylight	۳	۵-	AC	Divided	Conventional_No_Access_Control	R	۱۲۵K-	U	Spring	۲۵-
M	۲۰۱۵+	۱	PDO	Dry	Dark	۲	۸+	PCC	Divided	Freeway_Full_Access_Control	F	۱۷۵k-250k	U	Fall	۲۵-
M	۲۰۰۰-۲۰۰۵	۴	PDO	Dry	Daylight	۲	۵-	AC	Divided	Freeway_Full_Access_Control	R	۱۲۵K-	R	Spring	۲۵-
M	۲۰۰۰-۲۰۰۵	۲	PDO	Dry	Daylight	۲	۸+	PCC	Divided	Freeway_Full_Access_Control	R	۲۵۰k+	U	Winter	۲۵-۶۵
M	۲۰۰۰-۲۰۰۵	۳	NotPDO	Dry	Dark	۳	۶-۷	PCC	Divided	Freeway_Full_Access_Control	F	۱۲۵k-175k	U	Summer	۲۵-
M	۲۰۰۰-	۴	PDO	Dry	Dark	۱	۵-	AC	Undivided	Conventional_No_Access_Control	M	۱۲۵K-	U	Summer	۲۵-
M	۲۰۰۰-۲۰۰۵	۲	NotPDO	Dry	Daylight	۱	۵-	AC	Undivided	Conventional_No_Access_Control	M	۱۲۵K-	R	Summer	۲۵-۶۵

جدول ۲: جدول فراوانی داده های آماده شده

Var2	Freq
DRV_SEX	F:2217
	M:7098
VEHYR	۲۰۰۰-    :1436
	۲۰۰۰-۲۰۰۵:۲۱۸۰
	۲۰۰۵-۲۰۱۰:۲۳۱۲
	۲۰۱۰-۲۰۱۵:۲۰۸۶
	۲۰۱۵+    :1301
HOUR_class	۱:۳۰۱۱
	۲:۱۹۳۶
	۳: ۸۱۵
	۴:۱۹۶۹
	۵:۱۵۸۴
SEVERITY	NotPDO:3895
	PDO   :5420
RDSURF	Dry          :8915
	Snowy_Icy_Wet: 400
LIGHT	Dark    :4422
	Daylight:4893
numvehs	۱ :۴۴۶۰
	۲ :۴۰۸۸
	۳ : ۶۰۹
	۳+: ۱۵۸
NO_LANES	۵- :۴۰۹۵
	۶-۷:۱۵۵۲
	۸+ :۳۶۶۸
SURF_TYP	AC :4251
	PCC:5064
MED_TYPE	Divided  :7906
	Undivided:1409
ACCESS	Conventional_No_Access_Control   :1704
	Expressway_Partial_Access_Control: 512
	Freeway_Full_Access_Control      :7099
TERRAIN	F:5796
	M:1128
	R:2391
AADT	۱۲۵K-    :5381
	۱۲۵k-175k:1158
	۱۷۵k-250k:1645
	۲۵۰k+    :1131
RURURB	R:3562
	U:5753
season2	Fall  :2375
	Spring:2402
	Summer:2680
	Winter:1858
age_grp1	۲۵-  :3358
	۲۵-۶۵:۵۴۱۰
	۶۵+  : 547

جدول ۲ وضعیت فراوانی رخداد آمارهای فوق را نشان می دهد. در این جدول مشخص شد که تعداد هرکدام از پارامترهای فوق چه تعداد بوده است.

جدول ۳: معیارهای سنجش کیفیت مدل رگرسیون لجیستیک

DRV_SEX	RURURB	NumberofObservation	Deviance	AIC	McFadden	r2ML	r2CU	auc
M	U	۴,۴۰۰	۵,۷۱۸.۲۵۴	۵,۷۳۸.۲۵۴	۰.۰۱۹	۰.۰۲۴	۰.۰۳۳	۰.۵۸۶
M	R	۲,۶۹۸	۳,۶۴۶.۳۸۸	۳,۶۸۰.۳۸۸	۰.۰۱۹	۰.۰۲۶	۰.۰۳۴	۰.۵۹۲
F	U	۱,۳۵۳	۱,۷۶۴.۸۴۰	۱,۷۹۶.۸۴۰	۰.۰۴۴	۰.۰۵۸	۰.۰۷۸	۰.۶۳۸
F	R	۸۶۴	۱,۱۸۱.۴۳۰	۱,۱۸۹.۴۳۰	۰.۰۱۳	۰.۰۱۸	۰.۰۲۴	۰.۵۷۴

در جدول ۳ معیارهای سنجش کیفیت مدل رگرسیون لجیستیک آمده است. این معیارها عبارتند از سن راننده، شهری یا روستایی بودن محل وقوع، تعداد مشاهدات در هر گروه سنی در هر کدام از مناطق شهری و روستایی ایالات متحده در این جدول مشخص است (برای دانلود اطلاعات جمعیتی همه شهرستان های ایران کلیک کنید). پارامترهای رگرسیونی در این جدول مشخص است. این جدول نشان می دهد تصادفات شاخ به شاخ در بین رانندگان زن کمتر است که دلیل آن تعداد کمتر رانندگان زن در محور های بین شهری است. در مناطق شهری تعداد تصادفات شاخ به شاخ بیشتر از مناطق روستایی است. این نتایج نشان داد که زنان در مناطق شهری تصادفات شاخ به شاخ بیشتری داشته اند.

جدول ۴ : آمارهای ضرایب برای متغیرهای معنی دار موثر در شدت تصادفات مدلسازی رگرسونی

term	count	mean	sd	min	max
VEHYR2015+	۳	۰.۴۲۳	۰.۱۴۳	۰.۲۶۳	۰.۵۳۹
(Intercept)	۲	-۰.۳۶۰	۱.۰۲۳	-۱.۰۸۴	۰.۳۶۳
MED_TYPEUndivided	۲	۰.۱۷۳	۱.۱۱۹	-۰.۶۱۸	۰.۹۶۴
NO_LANES8+	۲	-۰.۱۶۵	۰.۶۹۷	-۰.۶۵۸	۰.۳۲۸
VEHYR2000-2005	۲	۰.۳۴۳	۰.۰۸۹	۰.۲۸۰	۰.۴۰۵
VEHYR2005-2010	۲	۰.۳۲۴	۰.۱۰۲	۰.۲۵۲	۰.۳۹۶
VEHYR2010-2015	۲	۰.۵۶۱	۰.۰۸۴	۰.۵۰۲	۰.۶۲۰
numvehs2	۲	۰.۳۲۶	۰.۱۶۶	۰.۲۰۸	۰.۴۴۳
numvehs3+	۲	-۰.۹۵۳	۰.۱۶۸	-۱.۰۷۱	-۰.۸۳۴
season2Summer	۲	-۰.۴۷۵	۰.۳۶۱	-۰.۷۳۰	-۰.۲۲۰
AADT125k-175k	۱	۰.۶۰۳	N/A	۰.۶۰۳	۰.۶۰۳
AADT175k-250k	۱	۰.۷۲۸	N/A	۰.۷۲۸	۰.۷۲۸
AADT250k+	۱	۱.۰۳۲	N/A	۱.۰۳۲	۱.۰۳۲
ACCESSFreeway_Full_Access_Control	۱	۰.۷۹۳	N/A	۰.۷۹۳	۰.۷۹۳
NO_LANES6-7	۱	۰.۳۷۵	N/A	۰.۳۷۵	۰.۳۷۵
SURF_TYPPCC	۱	۰.۲۲۸	N/A	۰.۲۲۸	۰.۲۲۸
TERRAINM	۱	-۰.۲۰۷	N/A	-۰.۲۰۷	-۰.۲۰۷
age_grp165+	۱	-۰.۴۷۶	N/A	-۰.۴۷۶	-۰.۴۷۶
numvehs3	۱	-۰.۵۰۵	N/A	-۰.۵۰۵	-۰.۵۰۵
season2Winter	۱	-۰.۴۹۱	N/A	-۰.۴۹۱	-۰.۴۹۱

طبق جدول ۴ مشخص می شود که تعداد لاین جاده، یک طرفه یا دوطرفه بودن جاده، معنی داری بالایی دارند که نشان دهنده تاثیر قابل توجه روی شدت تصادفات است.

می توان گفت معیارهای تعداد لاین جاده می تواند به دلیل امکان مانور بیشتر رانندگان در صورت ظاهر شدن خودروها از روبرو می تواند امکان فرار را برای رانننده فراهم نماید. هرچه تعداد لاین بیشتر باشد امکان حرکت به اطراف و اجتناب از تصادف شاخ به شاخ توسط راننده بیشتر است.

از نظر یک طرف یا دوطرفه بودن میتوان گفت، مسلما در محور هایی که خطوط رفت و برگشت با گارد ها یا جدول هایی از هم جدا شدند امکان تصادفات رو به رو بسیار کاهش می یابد. در جاده های که دو طرفه هستند که خودروها از مقابل می آیند سبقت از مسیر مقابل می تواند خطر تصادف را بسیار افزایش بدهد.

نتیجه گیری

با توجه به تحلیل داده های HSIS و بررسی یافته های مدل رگرسیونی لجستیک می توان بیان داشت که میزان تصادفات شاخ به شاخ در محورهایی که مسیر رفت و برگشت مجزا ندارند بطور معنی داری افزایش می یابد. همچنین هرچه تعداد لاین بیشتر باشد تصادفات کمتری مشاهده شده است. لذا می توان نتیجه گیری کرد که تعداد لاین های بیشتر در محور ها می تواند بطور معنی داری تصادفات را کاهش بدهد. یافته های این پژوهش همچنین نشان داد که تصادفات شاخ به شاخ در بین رانندگان زن کمتر است که دلیل آن تعداد کمتر رانندگان زن در محور های بین شهری است. در مناطق شهری تعداد تصادفات شاخ به شاخ بیشتر از مناطق روستایی است. این نتایج نشان داد که زنان در مناطق شهری تصادفات شاخ به شاخ بیشتری داشته اند.

منابع

1. Donna L. Mohr, William J. Wilson, Rudolf J. Freund, (2022), Academic Press, Chapter 7 – Linear Regression,Editor(s): Donna L. Mohr, William J. Wilson, Rudolf J. Freund, Statistical Methods (Fourth Edition), ISBN 9780128230435
2. 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.
3. Pengfei Liu, Wei Fan, (2020), Exploring injury severity in head-on crashes using latent class clustering analysis and mixed logit model: A case study of North Carolina,Accident Analysis & Prevention, 135, 105388, https://doi.org/10.1016/j.aap.2019.105388.
4. Pengfei Liu, Wei Fan, (2020), Exploring injury severity in head-on crashes using latent class clustering analysis and mixed logit model: A case study of North Carolina, Accident Analysis & Prevention, 135, 105388, https://doi.org/10.1016/j.aap.2019.105388.
5. Peter G. Martin, Jeff R. Crandall, Walter D. Pilkey, (2000), Injury trends of passenger car drivers in frontal crashes in the USA,Accident Analysis & Prevention, 32, 541-557, https://doi.org/10.1016/S0001-4575(99)00076-7.
6. 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, 100814, https://doi.org/10.1016/j.trip.2023.100814.