مدلسازی شدت تصادفات ناشی از خستگی به تفکیک شهری و برون شهری
در این پژوهش عوامل موثر در شدت تصادفات ناشی از خستگی براساس داده های HSIS یا داده های تصادفات امریکا با روش تحلیل رگرسیون لجستیک تحلیل و بررسی نمودیم. تصادفات ناشی از خستگی یکی از مهمتری علت 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 پیدا کردند. در این مطالعه هدف ما مدلسازی و تحلیل شدت تصادفات ناشی از خستگی با روش تحلیل رگرسیون لجستیک در ایالات متحده با استفاده از داده های HSIS فدرال است. یافته های تحلیل نشان می دهد تعداد و درصد تصادفات ناشی از خستگی در محور های شهری و برون شهری تفاوت معنی داری را نشان می دهد. این امر نشان می دهد که در محورهای برون شهری خستگی در میان رانندگان بیشتر است. در محورهای درون شهری رانندگان چون زودتر به مقصد خود میرسند تصادفات ناشی از خستگی کمتر مشاهده و گزارش شده است.
کلیدواژه ها: تصادفات ناشی از خستگی، داده های HSIS، تحلیل رگرسیون لجستیک
اهمیت تصادفات ناشی از خستگی چیست؟
مطالعات انجام شده در جهان درباره تصادفات بخاطر خستگی رانندگان
روش مطالعه تصادفات ناشی از خستگی رانننده
اطلاعات مورد استفاده برای بررسی تصادفات
آمارهای تصادفات بخاطر خستگی رانندگان در محور های ترافیکی
تصادفات ناشی از خستگی 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). 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. این مطالعه براساس روش آماری و براساس داده های HSIS انجام شده است.
-
نرم افزار اکسل زمان بندی وظایف۱۵۸۰۰۰ تومان -
دانلود فایل اکسل فاصله شهرها۵۷۹۰۰۰ تومان -
نرم افزار اکسل محاسبه قیمت طلا۴۷۱۰۰ تومان
اهمیت تصادفات ناشی از خستگی چیست؟
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) خستگی رانندگی و خواب‌آلودگی یکی از مهمترین عوامل مؤثر در تصادفات جاده‌ای هستند که تا ۲۱ درصد از کل تصادفات کشنده را تشکیل می‌دهند. این دو اصطلاح که اغلب به جای یکدیگر در ادبیات استفاده می شوند، در واقع تعاریف و علل متفاوتی دارند، اما اثرات آنها از نظر کاهش عملکرد فیزیکی و ذهنی مشابه است (Orsini et al., 2023). پیشرفت سریع وسایل نقلیه و خودکار سازی حمل و نقل تعداد تلفات شدید ناشی از ترافیک را افزایش داده است. برای مشاهده آمارهای جمعیتی شهرستان های ایران به تفکیک شهری و روستایی و به تفکیک سن (هرم سنی جمعیت) بعنوان یکی از داده های بررسی تصادفات به لینک اطلاعات جمعیتی شهرستان ها مراجعه کنید.
اثرات رانندگی در حالت خستگی
رانندگی در خستگی در حال حاضر به یکی از دلایل اصلی تصادفات رانندگی تبدیل شده است. تقریباً ۳۲٪ از رانندگان در ایالات متحده حداقل یک بار در ماه در حالی که خسته هستند رانندگی می کنند. علاوه بر این، ۱۶.۵٪ از تصادفات رانندگی مرگبار و ۱۲.۵٪ از برخوردهایی که منجر به صدمات در ایالات متحده می شود، مربوط به رانندگی با خستگی است . علاوه بر این، ۱۴.۵٪ از رانندگان در ایالات متحده هنگام رانندگی نیمه خوابیده اند و تقریباً ۲٪ از آنها در تصادفات مربوط به خستگی یا خواب آلودگی در سال گذشته درگیر شده اند. طبق یک نظرسنجی در سراسر کشور، بنیاد تحقیقات آسیب‌های ترافیکی کانادا نشان داد که بیش از ۵۰ درصد از رانندگان در شرایط خستگی رانندگی کرده‌اند و ۲۰ درصد (۴.۱ میلیون راننده کانادایی) در سال گذشته هنگام رانندگی نیمه‌خواب شده‌اند. بیرنس و همکاران، ۲۰۰۵). تقریباً ۲۰ درصد از تمام تصادفات رانندگی در سراسر جهان مربوط به رانندگی با خستگی است (Zhang et al., 2016). تصادفات ترافیکی جاده ای علت اصلی نگرانی در سراسر جهان با افزایش تعداد و شدت تصادفات است.
تصادفات جاده ای سالانه جان حدود ۱.۳ میلیون نفر را در سراسر جهان می گیرد و کشورهای در حال توسعه بار عمده خسارت را به اشتراک می گذارند. هند به تنهایی شاهد ۴,۱۲,۴۳۲ تصادف جاده ای در سال ۲۰۲۱ با ۳,۸۴,۴۴۸ مجروح و ۱,۵۳,۹۷۲ تلفات بوده است. این به معنی ۴۷ تصادف و ۱۸ مرگ در هر ساعت است، یعنی حدود ۳۹ درصد تصادفات منجر به مرگ می شود. تصادفات جاده ای و شدت بالای پیامدهای این تصادفات باعث نگرانی است. تصادفات نه تنها در بزرگراه های هند شدید است، بلکه جاده های شهری با سرعت کم نیز شاهد تصادفات شدید و مرگبار هستند. (Barman and Bandyopadhyaya, 2023). در این زمینه برای محاسبه فاصله شهرهای ایران به کیلومتر جاده ها می توانید اکسل فاصله شهرهای ایران را دریافت کنید.
این اکسل با ارائه جدول فاصله همه شهرها نسبت بهم یک بانک اطلاعاتی بدست می دهد که می توانید تمام محاسبات مربوط به حمل و نقل و برنامه های سفر و برنامه های ترانزیتی کشور را تنظیم کنید.
مطالعات انجام شده در جهان درباره تصادفات بخاطر خستگی رانندگان
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.
تهدید رانندگی با خستگی
خستگی رانندگی یک تهدید بزرگ برای حمل و نقل بوده است، زیرا باعث افزایش تعداد تصادفات و خسارات سنگین مالی می شود. طبق گزارش اداره ملی ایمنی ترافیک بزرگراه (NHTSA)، در سال ۲۰۱۹، ۶۹۷ مورد مرگ ناشی از خستگی رانندگی در ایالات متحده رخ داد که ۱.۹٪ از کل مرگ و میرها را شامل می شود. طبق گزارش انجمن بیمه آلمان، تصادفات ناشی از خستگی رانندگی، ۲۵ درصد تصادفات آزادراهی در آلمان را تشکیل می دهند. در فرانسه، تصادفات ناشی از خستگی به ترتیب ۱۴.۹% و ۲۰.۶% از تصادفات جرحی و فوتی را تشکیل می دهند. بر اساس آمار وزارت حمل و نقل جمهوری خلق چین، تصادف ناشی از خستگی رانندگی در سال ۲۰۲۰ ۲۱ درصد از کل تصادفات رانندگی جاده ای را به خود اختصاص داده است و نرخ افزایش تصادفات رانندگی با خستگی افزایش می یابد در حالی که میزان کل تصادفات رانندگی افزایش می یابد. تصادفات رانندگی طی سال های ۲۰۱۵ تا ۲۰۲۰ کاهش یافته است. با ظهور و افزایش فناوری خودرو، وضعیت حتی بدتر می شود. رانندگی خستگی و تصادفات مرتبط با آن توجه گسترده ای در سطح جهانی به خود جلب کرده است.
-
اکسل حسابداری مالکیت آپارتمان۲۸۸۰۰۰ تومان -
اکسل ارزش یابی قیمت طلا۴۷۹۰۰۰ تومان -
آموزش اکسل از صفر – مبتدی -
اطلاعات اکسل سدهای کشور۵۲۰۰۰ تومان -
اکسل پیش بینی و رشد جمعیت۳۸۹۰۰ تومان -
اکسل AHP۵۸۸۰۰ تومان
پیشینه مطالعات
در ایالات متحده امریکا،فورسمن و همکاران (۲۰۱۳) دریافتند که خستگی رانندگی عامل اصلی ایجاد تصادفات جاده ای است و ۱۰ تا ۲۰ درصد از کل تصادفات و بیش از ۴۰ درصد از تصادفات جدی را تشکیل می دهد. کلاور و همکاران (۲۰۰۶) دریافتند که احتمال تصادفات رانندگی ناشی از رانندگی با خستگی ۴ تا ۶ برابر رانندگی عادی از طریق داده های رانندگی طبیعی است. در سال ۲۰۱۰، نسبت رانندگانی که رانندگی با خستگی را تجربه کرده اند از طریق پرسشنامه NHTSA از ۲۰۰۰ راننده به ۱۱ درصد رسید. لیو و سوبرامانیان، ۲۰۰۹). در کانادا، نسبت رانندگانی که رانندگی با خستگی را تجربه کردند، از پرسشنامه ۷۵۰ راننده در سال ۲۰۰۸ به ۵۸.۶ درصد رسید. خستگی مشکل جدی تری در میان رانندگان کامیون در چین است، ۶۴ درصد کامیون ها تنها یک راننده دارند و نسبت رانندگان کامیون با زمان رانندگی روزانه بیش از ۸ ساعت و ۱۲ ساعت به ترتیب ۸۴ درصد و ۴۰ درصد است. (Zang et al., 2023)
مطالعه ژنگ و همکاران (۲۰۲۳) در یک یک پژوهش مروری به تحلیل ساختاری رفتار خستگی راننده: یک بررسی سیستماتیک پرداختند. این مطالعه به طور سیستماتیک مطالعات نویسندگان را در مورد عوامل موثر بر خستگی، شناسایی و اندازه گیری خستگی، و پیش بینی خستگی مرور می کند. و سپس به طور ساختاری و مقایسه ای تحقیق رفتار خستگی راننده را از سه جزء فوق در ادبیات مورد علاقه توصیف کرد. یافته های مطالعه مروری آنها نشان داد که ساختار مطالعات رفتار خستگی راننده را تشریح کرد و ارتباط بین شاخص‌های تأثیرگذار خستگی، شناسایی خستگی و پیش‌بینی را نشان داد. دوم اینکه این مطالعه اثبات کرد که مدل هایی که عوامل مرتبط با زمان را بر اساس نظریه مدل زیستی ریاضی در نظر می گیرند، می توانند برای پیش بینی بی درنگ سطح خستگی و توصیف تغییرات آتی سطح خستگی با زمان بندی های مختلف استفاده شوند. آنها همچنین نتیجه گیری کردند که تفاوت‌های فردی راننده باید برای تحقیقات رفتار خستگی در نظر گرفته شود زیرا تداخل قوی در عملکرد مدل تشخیص خستگی و مدل پیش‌بینی نشان داده است.
-
اکسل پیش بینی و رشد جمعیت۳۸۹۰۰ تومان
-
اکسل مدیر ساختمان۱۹۵۸۰۰ تومان -
اکسل محاسبه قیمت آپارتمان | مشاور املاک۴۹۸۰۰ تومان
اورسینی و همکاران (۲۰۲۳) در مطالعه خود با عنوان خستگی رانندگی پس از انتقال بهار به ساعت تابستانی در رانندگان مرد جوان افزایش می‌یابد: یک مطالعه آزمایشی با استفاده از روش بررسی میدانی و پرسشنامه و همچنین داده های ترافیکی به بررسی عامل خستگی رانندگان و تاثیر آن در تصادفات پرداختند. نتایج این مطالعه گویای افزایش قابل توجهی در سطوح خستگی در طول کار رانندگی در هر دو کارآزمایی بود، اما با عملکرد بسیار ضعیف‌تر در آزمایش پس از DST، که با بدتر شدن کنترل جانبی وسیله نقلیه و افزایش بسته شدن پلک ثبت شد. با این حال، به نظر می رسید که شرکت کنندگان قادر به درک این کاهش هوشیاری خود نیستند، که به احتمال زیاد آنها را از اجرای استراتژی های مقابله با خستگی باز می داشت. این یافته‌ها نشان می‌دهد که DST تأثیر مخربی بر خستگی رانندگی در رانندگان مرد جوان در هفته پس از انتقال بهار دارد و بینش‌های ارزشمندی را در مورد رابطه پیچیده بین DST و ایمنی جاده ارائه می‌کند.
مدلسازی نتایج شدت تصادف برای جاده‌های شهری با سرعت کم با استفاده از انتشار عقب – شبکه عصبی مصنوعی (BP – ANN) – مطالعه موردی در هند توسط برمان و بندیوپایایا (۲۰۲۳) انجام شده است. این دو محقق در این مطالعه با استفاده از روش شبکه عصبی داده های ترافیکی را مدلسازی و تحلیل کردند. در مطالعه آنها داده های تصادف پنج ساله (۲۰۱۵-۲۰۱۹) از شبکه جاده شهری ۸۲ کیلومتری پاتنا، هند برای این مطالعه استفاده شد. عوامل جاده عبارت بودند از عرض روسازی، وضعیت پریشانی، خط کشی. نوع شانه، وضعیت؛ نوع بخش جاده به عنوان کنترل بلوک میانی، تقاطع و تقاطع. عوامل آب و هوا شامل فصل تصادف، مه یا باران در زمان تصادف است. فاکتور تصادف شامل شریک برخورد، نوع و زمان تصادف است. مناسب ترین معماری مدل BP-ANN با استفاده از Misclassification-Rate برآورد شد. آنها مشاهده کردند که بخشهای بلوک میانی در طول روز شدت بیشتری را نشان می‌دهند، در حالی که تقاطع‌ها در طول شب شاهد شدت بالاتری هستند. تقاطع های کنترل شده در مقایسه با تقاطع های کنترل نشده ایمن تر هستند. پریشانی روسازی به میزان زیادی احتمال شدت بیشتر را افزایش می دهد. جاده های باریک در طول روز به دلیل عدم نظارت، شدت بیشتری را ثبت می کنند.
از پیشینه مطالعات انجام شده چنان بر می آید که عامل خستگی یکی از شایع ترین و مهمترین عوامل تصادفات در محورهای شهری و بین شهری در اکثر کشور های جهان بوده است. این مطالعات همچنین عامل خستگی راننده را علت کلیدی اکثر تصادفات دانسته و نشان دادند که این عامل در شدت صدمات و خسارات جانی و مالی نیز نقش موثر و معنی داری داشته است.
در این مطالعه ما قصد داریم با تحلیل اطلاعات داده های HSIS اقدام به مدلسازی شدت تصادفات ناشی از خستگی به تفکیک شهری و برون شهری نمودیم. لذا هدف این مطالعه مدلسازی شدت تصادفات ناشی از خستگی به تفکیک شهری و برون شهری در ایالات متحده است.
روش مطالعه تصادفات ناشی از خستگی راننده
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.
اطلاعات مورد استفاده برای بررسی تصادفات
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. همچنین برای مطالعه تاثیر انواع آزمون های آماری در بررسی مخاطرات و سوانح به این لینک مراجعه کنید.
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 x. (Mohr et al., 2022)
آمارهای تصادفات بخاطر خستگی رانندگان در محور های ترافیکی
نتایج این تحقیق 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.
برای دانلود اکسل ترافیک محور های شبکه حمل و نقلی کشور به آموزش اکسل محورهای ترافیکی مراجعه کنید.
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. پارامترهای رگرسیونی در این جدول مشخص است. این جدول نشان می دهد تصادفات ناشی از خستگی در بین رانندگان زن کمتر است که دلیل آن تعداد کمتر رانندگان زن در محور های بین شهری است. در مناطق درون شهری تعداد تصادفات ناشی از خستگی بیشتر از مناطق روستایی است. این نتایج نشان داد که زنان در مناطق شهری تصادفات تصادفات ناشی از خستگی بیشتری داشته اند.
یافته های تحلیل نشان می دهد تعداد و درصد تصادفات ناشی از خستگی در محور های شهری و برون شهری تفاوت معنی داری را نشان می دهد. این امر نشان می دهد که در محورهای برون شهری خستگی در میان رانندگان بیشتر است. در محورهای درون شهری رانندگان چون زودتر به مقصد خود میرسند تصادفات ناشی از خستگی کمتر مشاهده و گزارش شده است.
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 زمان بروز اشتباه می تواند امکان فرار را برای رانننده فراهم نماید. هرچه تعداد لاین بیشتر باشد امکان حرکت به اطراف و اجتناب از تصادفات ناشی از خستگی 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 بسیار کاهش می یابد.
نتیجه گیری
با توجه به تحلیل داده های HSIS و بررسی یافته های مدل رگرسیونی لجستیک می توان بیان داشت که میزان تصادفات ناشی از خستگی 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 تحلیل نشان می دهد تعداد و درصد تصادفات ناشی از خستگی در محور های شهری و برون شهری تفاوت معنی داری را نشان می دهد. این امر نشان می دهد که در محورهای برون شهری خستگی در میان رانندگان بیشتر است. در محورهای درون شهری رانندگان چون زودتر به مقصد خود میرسند تصادفات ناشی از خستگی کمتر مشاهده و گزارش شده است. یافته های این پژوهش همچنین نشان داد که تصادفات ناشی از خستگی 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
- Federico Orsini, Gianluca Giusti, Lisa Zarantonello, Rodolfo Costa, Sara Montagnese, Riccardo Rossi, (2023), Driving fatigue increases after the Spring transition to Daylight Saving Time in young male drivers: A pilot study,Transportation Research Part F: Traffic Psychology and Behaviour 99, 83-97, https://doi.org/10.1016/j.trf.2023.10.014.
- Guangnan Zhang, Kelvin K.W. Yau, Xun Zhang, Yanyan Li, (2016), Traffic accidents involving fatigue driving and their extent of casualties,Accident Analysis & Prevention 87, 34-42, https://doi.org/10.1016/j.aap.2015.10.033.
- Hui Zhang, Dingan Ni, Naikan Ding, Yifan Sun, Qi Zhang, Xin Li, (2023), Structural analysis of driver fatigue behavior: A systematic review,Transportation Research Interdisciplinary Perspectives 21, 100865, https://doi.org/10.1016/j.trip.2023.100865.
- Santanu Barman, Ranja Bandyopadhyaya, (2023), Modelling crash severity outcomes for low speed urban roads using back propagation Artificial neural network, A case study in Indian context, IATSS Research, 47, 382-400, https://doi.org/10.1016/j.iatssr.2023.08.002.
- 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.
