مهندسی ترافیک

مهندسی ترافیک

بررسی تاثیر ویژگی‌های رانندگان بر شدت تصادفات عبور از چراغ قرمز – مطالعه موردی اصفهان

نوع مقاله : مقاله پژوهشی

نویسندگان
1 استادیار، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، مرکز تحقیقات ایمنی کاربردی حمل و نقل جاده‌ای، دانشگاه علم و صنعت ایران، تهران، ایران
2 دانشجوی کارشناسی ارشد مهندسی حمل‌و‌نقل، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، مرکز تحقیقات ایمنی کاربردی حمل و نقل جاده‌ای، دانشگاه علم و صنعت ایران، تهران، ایران
چکیده
عبور از چراغ قرمز یکی از رایج­ترین انواع تخلفات در تقاطعات چراغ­دار است که می­تواند خسارت­های جانی و مالی فراوانی را به دنبال داشته باشد. این مطالعه با استفاده از درخت تصمیم CART به شناسایی مهم­ترین ویژگی­های رانندگان که بر شدت جراحت آنان در تصادفات عبور از چراغ قرمز شهر اصفهان موثر بوده­است می­پردازد. برای این منظور از حدود ده هزار داده­ی تصادف عبور از چراغ قرمز شهر اصفهان طی پنج سال اخیر بهره گرفته شد. شناسایی عوامل مهم بر مبنای «شاخص اهمیت متغیر» انجام شد و از ماتریس درهم­ریختگی برای ارزیابی مدل استفاده شد. نتایج نشان داد استفاده از کمربند ایمنی، شغل راننده، تجربه­ی رانندگی و سن راننده به ترتیب مهم­ترین عوامل تاثیرگذار در آسیب دیدن رانندگان برای این نوع تصادفات هستند. شناخت این عوامل انسانی می­تواند در برنامه­ریزی­های رسانه­ای و فرهنگی و بهبود سطح ایمنی کمک شایانی نماید.
کلیدواژه‌ها

- آمار متوفیات و مصدومین حوادث رانندگی طی شش ماهه ی اول 98. 1398, سازمان پزشکی قانونی کشور.
 
- مهیمنی, ا، نیکو,ن. شناسایی مهمترین عوامل موثر در شدت تصادفات موتورسیکلت در جاده های اصلی با استفاده از مدل درخت تصمیم, کنفرانس ترافیک. 1392.
 
- حیدری, ح، خسروی,م. بررسی رابطه پایگاه اجتماعی اقتصادی و میزان احترام به قوانین راهنمایی و رانندگی. فصلنامه علمی ترویجی راهور, 1395. 13(35).
 
 
- Petridou, E. and M. Moustaki, Human factors in the causation of road traffic crashes. European journal of epidemiology, 2000. 16(9): p. 819-826.
 
- Pakgohar, A., et al., The role of human factor in incidence and severity of road crashes based on the CART and LR regression: a data mining approach. Procedia Computer Science, 2011. 3: p. 764-769.
 
- Wang, X. and S.H. Kim, Prediction and Factor Identification for Crash Severity: Comparison of Discrete Choice and Tree-Based Models. Transportation Research Record, 2019: p. 0361198119844456.
 
- Wahab, L. and H. Jiang, A comparative study on machine learning based algorithms for prediction of motorcycle crash severity. PloS one, 2019. 14(4): p. e0214966.
 
- Mussone, L., M. Bassani, and P. Masci, Analysis of factors affecting the severity of crashes in urban road intersections. Accident Analysis & Prevention, 2017. 103: p. 112-122.
 
- Tavakoli Kashani, A. and M.M. Besharati, An analysis of vehicle occupants’ injury severity in crashes occurred on rural freeways and multilane highways in Iran. International Journal of Transportation Engineering, 2016. 4(2): p. 137-146.
 
- Breiman, l., et al., Classification and regression trees. 1998: CHAPMAN & HALL/CRC.
 
- Wu, Q., et al., Analysis of driver injury severity in single-vehicle crashes on ruraland urban roadways. Accident Analysis & Prevention, 2016.