مهندسی ترافیک

مهندسی ترافیک

ایجاد توابع عملکرد ایمنی در سطح نواحی شهری بر اساس ویژگی سفرهای درون‌شهری

نوع مقاله : مقاله پژوهشی

نویسندگان
حمیدرضا بهنود 1
رضا گوگونانی 2
امیرعباس رصافی 3
1 دانشیار، گروه عمران – حمل‌ونقل، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران
2 کارشناسی ارشد، گروه عمران – حمل‌ونقل، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران
3 استاد، گروه عمران – حمل‌ونقل، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران
چکیده
توابع عملکرد ایمنی یکی از ابزارهای موجود است که فراوانی تصادف را به‌صورت تابعی از متغیرهایی مانند حجم و جریان ترافیک، طول معابر و دیگر متغیرها مانند متغیرهای هندسی محل بیان می ­کند. در این مطالعه برای ایجاد توابع عملکرد ایمنی، با توجه به ماهیت نادر و تصادفی بودن داده ­های تصادف، با استفاده از مدل­ های دوجمله ­ای منفی روابط رگرسیونی برای فراوانی و شدت تصادفات در سطح نواحی شهری، با توجه به متغیرهایی مانند حجم سفرهای تولید و جذب‌شده نواحی و مشخصات هندسی نواحی شهری مانند طول معابر شهری موجود در نواحی، ارائه شده است. داده­ های مورداستفاده در این مطالعه اطلاعات برداشت‌شده شامل فراوانی و شدت تصادف، حجم سفرهای روزانه با اهداف مختلف و طول معابر موجود در نواحی صدگانه شهر اردبیل می­ شود. در تمامی مدل­ های مورداستفاده برای برآورد کل تصادفات، تصادفات جرحی و تصادفات جرحی و فوتی، نسبت‌های کای دو پیرسن و انحراف که دو معیار مهم برای سنجش اعتبار مدل رگرسیون دوجمله ­ای منفی می­ باشند در محدوده 8/0 تا 2/1 قرار گرفتند که نشان از اعتبار مدل‌های برازش شده دارند. علامت ضرایب مربوط به متغیرها شامل ایجاد سفرهای با هدف خرید، تولید سفرهای غیرخانه­ مبنا، جذب سفرهای با هدف کاری، جذب سفرهای با هدف امور شخصی، جذب سفرهای تفریحی و طول معابر شهری با مقدار ضرایب متفاوت در روابط مربوط به‌ کل تصادفات، تصادفات خسارتی و تصادفات جرحی و فوتی مثبت بوده است. مجموعه نتایج به‌دست‌آمده نشان داده است که مدل تصادفات جرحی-فوتی برای سفرهای تولید و جذب‌شده چه ازنظر معناداری متغیرها و چه ازنظر معیارهای نیکویی برازش عملکرد بهتری را نشان داده است.
کلیدواژه‌ها
فراوانی تصادف
رویارویی
توابع عملکرد ایمنی
نواحی شهری
دوجمله ای منفی
  • میرابی مقدم، محمدحسن، اکبری، علی (1390). توسعه یک تابع عملکرد ایمنی برای خیابان‌های شهری بر مبنای طول قطعه و حجم ترافیک. یازدهمین اجلاس بین‌المللی مهندسی حمل‌ونقل و ترافیک، تهران، ایران.

 

  • Almasi, S.A. and Behnood, H.R., (2022). Exposure based geographic analysis mode for estimating the expected pedestrian crash frequency in urban traffic zones; case study of Tehran. Accident Analysis & Prevention, 168, p.106576.

 

  • Dabbaghfeizi, Saman and Naderan, Ali and Tavakoli Kashani, Ali, Aggregate Crash Prediction Model Based on Gravity Model: Introducing Crash Risk Distribution Concept. Available at SSRN: https://ssrn.com/abstract=4637405 or http://dx.doi.org/10.2139/ssrn.4637405.

 

  • Dalai, B. and Landge, V.S., (2022). Risky zones in urban area: An analysis using fault tree and risk matrix method. Innovative infrastructure solutions, 7, pp.1-11.

 

  • Gomes, M.J.T.L., Cunto, F. and da Silva, A.R., (2017). Geographically weighted negative binomial regression applied to zonal level safety performance models. Accident Analysis & Prevention, 106, pp.254-261.

 

  • Hakkert, A.S., Braimaister, L. and Van Schagen, I., (2002). The uses of exposure and risk in road safety studies (Vol. 2002, No. 12). SWOV Institute for Road Safety.

 

  • Haque, M.M., Washington, S. and Watson, B., (2013). A methodology for estimating exposure-controlled crash risk using traffic police crash data. Procedia-social and behavioral sciences, 104, pp.972-981.

 

  • Hilbe, J.M., 2011. Negative binomial regression. Cambridge University Press.

 

  • Kweon, Y.J. and Kockelman, K.M., (2003). Overall injury risk to different drivers: combining exposure, frequency, and severity models. Accident Analysis & Prevention, 35(4), pp.441-450.

 

  • Liu, J., Khattak, A.J. and Wali, B., (2017). Do safety performance functions used for predicting crash frequency vary across space? Applying geographically weighted regressions to account for spatial heterogeneity. Accident Analysis & Prevention, 109, pp.132-142.

 

  • Naderan, A. and Shahi, J., (2010). Aggregate crash prediction models: Introducing crash generation concept. Accident Analysis & Prevention, 42(1), pp.339-346.

 

  • National Research Council (US). Transportation Research Board. Task Force on Development of the Highway Safety Manual and Transportation Officials. Joint Task Force on the Highway Safety Manual, 2010. Highway safety manual (Vol. 1). AASHTO.

 

  • Poulos, R.G., Hatfield, J., Rissel, C., Flack, L.K., Murphy, S., Grzebieta, R. and McIntosh, A.S., (2015). An exposure based study of crash and injury rates in a cohort of transport and recreational cyclists in New South Wales, Australia. Accident Analysis & Prevention, 78, pp.29-38.

 

  • Pulido, J., Barrio, G., Hoyos, J., Jiménez-Mejías, E., del Mar Martín-Rodríguez, M., Houwing, S. and Lardelli-Claret, P., (2016). The role of exposure on differences in driver death rates by gender and age: results of a quasi-induced method on crash data in Spain. Accident Analysis & Prevention, 94, pp.162-167.

 

  • Rumar, K. (1999). Road safety and benchmarking. In: Proceedings of the Paris Conference on Transport Benchmarking. November 1999, Paris, France.

 

  • Russo, F. and Comi, A., (2017). From the analysis of European accident data to safety assessment for planning: the role of good vehicles in urban area. European transport research review, 9, pp.1-12.

 

  • J, Ahmadinejad. M and Naderan. A. (2009) ‘Evaluation of mathematical models used as aggregate crash prediction models’. 8th International congress of civil engineering, Shiraz, Iran.

 

  • World Health Organization, (2015). Global status report on road safety 2015. World Health Organization.