مدل‌سازی شدت تصادفات موتورسیکلت در شهر تهران

Abstract

در این مقاله نتایج کاربرد اطلاعات گرد‌آوری شده درمورد وقوع تصادفات موتورسیکلت در شهر تهران با هدف دستیابی به مدلی که قادر به پیش‌بینی شدت تصادفات مزبور باشد ارایه شده است. روش مدل‌سازی مورد استفاده در این تحقیق، روش رگرسیون لاجستیک و یا جایگزین های آن شامل پرابیت و لاجیت دوگانه بوده است. ابتدا با استفاده از مدل عمومی پرابیت و تعریف یک متغیر که دارای چهار درجه و نشان دهنده شدت تصادف بوده است، متغیرهای مستقل قابل درنظرگرفتن در مدل، با استفاده از نتیجه آزمون آماری wald انتخاب شده اند.در مرحله بعد، متغیر شدت به یک متغیر دوگانه تبدیل شده و با بهره‌گیری از ترکیب های مختلف متغیرهای مستقل غیروابسته، مدلهای مختلف شدت تصادف از روش لاجیت دوگانه به دست آمده اند.در این تحقیق اصول مدل‌سازی به روش رگرسیون لاجستیک تشریح شده و روش‌های جایگزین آن نیز مورد بررسی مقایسه ای قرار گرفته و به بررسی اثر متغیرهای مستقل مختلف، بر شدت تصادف پرداخته شده است. بررسی اثر متغیرها بر شدت، با استفاده از پارامتر شانس احتمال ارزیابی شده که براساس آن، نامشخص بودن مشخصات گواهینامه، وقوع تصادف بین ساعت 4 تا 6 صبح، دخیل بودن مینی بوس یا اتوبوس، وقوع تصادف در بزرگراه یا کمربندی، برخورد با وسایل نقلیه سنگین، وجود مانع دید، وقوع تصادف بین ساعت 24 تا 2 بامداد و وجود نقص در علایم، عواملی بوده اند که نقش عمده ای در افزایش شدت تصادفات داشته اند.