عمران و پروژه
اعتبار،چابکی،پاسخگویی

توسعه مدل کلاس پنهان جهت تحلیل شدت تصادفات جاده ای در ایران

https://doi.org/10.22034/cpj.2023.394492.1192
دوره 4، شماره 12 - شماره پیاپی 46
اسفند 1401
صفحه 36-48
عمران و پروژه

نوع مقاله : مقاله پژوهشی

نویسندگان

سید رضا شفائی املشی 1
رضا امین 2
علی خدائی 3

1 دانشکده عمران و محیط زیست دانشگاه صنعتی امیر کبیر

2 دانشکده عمران و محیط زیست دانشگاه صنعتی امیرکبیر

3 دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی امیرکبیر تهران

چکیده
حوادث در ایران بار سلامت عمومی قابل توجهی را به همراه دارد که نیازمند راهبردهای پیشگیری و مدیریت موثر است. مدل‌سازی متغیرهای پنهان رویکرد امیدوارکننده‌ای برای درک عوامل پیچیده‌ای است که در بروز حوادث تصادفات ایران نقش دارند را ارائه می‌کند. این مقاله به بررسی مدل‌سازی متغیرهای پنهان برای بررسی شدت تصادفات در ایران می‌پردازد هم چنین در این تحقیق ترکیبی از ادبیات مربوط به اندازه‌گیری و مدل‌سازی متغیرهای پنهان در حوادث، از جمله عوامل انسانی، عوامل محیطی و عوامل سازمانی را ارائه می‌کند. همچنین تکنیک‌های آماری رایج مورد استفاده در تجزیه و تحلیل متغیرهای پنهان، مانند مدل‌سازی معادلات ساختاری، تحلیل کلاس پنهان و تحلیل عاملی بررسی شده است. بررسی نشان می‌دهد که اگرچه برخی از مطالعات مدل‌سازی متغیرهای پنهان را در تصادفات در ایران اعمال کرده‌اند، اما استفاده از این تکنیک‌ها در مقایسه با سایر کشورها همچنان محدود است. طور کلی، در این مقاله استدلال شده است که مدل‌سازی متغیر پنهان می‌تواند بینش‌های ارزشمندی را در مورد مکانیسم‌های اساسی حوادث در ایران ارائه دهد و راهبردهای مؤثرتری برای پیشگیری و مدیریت راهنمایی می کند.در این پژوهش با استفاده از داده های تصادفات منجر به فوت و یاجرح سرنشینان جمع آوری شده در سال 1395 در جاده های ایران، و با استفاده از نرم افزار6 NLOGIT، مدل کلاس پنهان به این داده ها برازش شده است و نتایج آن در این مقاله ارائه گردیده است، نتیاج نشان می دهد عواملی همچون فصل و روز وقوع تصادفات، شرایط آب و هوایی در شدت تصادفات تاثیرگذار است.

کلیدواژه‌ها

تصادف جاده ای
شدت تصادفات
کلاس مدل پنهان
ایمنی راه
رگرسیون

عنوان مقاله English

Development of Latent Class Model to Analyze the Severity of Road Accidents in Iran

نویسندگان English

seyed reza shafaii amlashi 1
Reza Amin 2
Ali Khodaii 3
1 civil and environmental engineering amirkabir university of technology
2 Department of Civil and Environment, AmirKabir University of Technology, Tehran, Iran
3 , Department of Civil and Environment, AmirKabir University of Technology, Tehran
چکیده English

Accidents in Iran pose a significant public health burden, requiring effective prevention and management strategies. Latent variable modelling provides a promising approach to understanding the complex factors that contribute to accidents in Iran. This paper reviews the current state of knowledge of latent variable modelling in Iran's accidents. The paper provides a synthesis of the literature on the measurement and modelling of latent variables in accidents, including human factors, environmental factors, and organizational factors, and also reviews the common statistical techniques used in the analysis of latent variables, such as structural equation modelling, latent class analysis, and factor analysis. The strengths and limitations of these approaches are discussed. The review shows that although some studies have applied latent variable modelling to accidents in Iran, the use of these techniques is still relatively limited in comparison to other countries. Overall, It has been argued that latent variable modelling can offer valuable insights into the underlying mechanisms of accidents in Iran and guide more effective strategies for prevention and management. This study used data from accidents resulting in the death or injury of passengers gathered on Iranian roadways in 2015, and the latent class model was fitted to this data using the NLOGIT6 software. And the findings have been reported in this article. The findings suggest that elements such as the season and day of the accident, as well as weather conditions, have an impact on the severity of accidents.

کلیدواژه‌ها English

  • Road accident
  • Accident severity
  • Latent model class
  • Road safety
  • Regression
Andersson, A. K., & Chapman, L. (2011). The impact of climate change on winter road
maintenance and traffic accidents in West Midlands, UK. Accident Analysis & Prevention, 43(1), 284-
289.
Blows, S., Ivers, R. Q., Woodward, M., Connor, J., Ameratunga, S., & Norton, R. (2003).
Vehicle year and the risk of car crash injury. Injury Prevention, 9(4), 353-356.
Blows, S., Ameratunga, S., Ivers, R. Q., Lo, S. K., & Norton, R. (2005). Risky driving habits
and motor vehicle driver injury. Accident Analysis & Prevention, 37(4), 619-624.
Chen, F., & Chen, S. (2011). Injury severities of truck drivers in single-and multi-vehicle
accidents on rural highways. Accident Analysis & Prevention, 43(5), 1677-1688.
Feng, S., Li, Z., Ci, Y., & Zhang, G. (2016). Risk factors affecting fatal bus accident severity:
Their impact on different types of bus drivers. Accident Analysis & Prevention, 86, 29-39.
Guyon, I., & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of
machine learning research, 3(Mar), 1157-1182.
Jung, S., Qin, X., & Noyce, D. A. (2010). Rainfall effect on single-vehicle crash severities using
polychotomous response models. Accident Analysis & Prevention, 42(1), 213-224.
Liu, H., & Yu, L. (2005). Toward integrating feature selection algorithms for classification and
clustering. IEEE Transactions on knowledge and data engineering, 17(4), 491-502.
López, G., Abellán, J., Montella, A., & de Oña, J. (2014). Patterns of single-vehicle crashes on
two-lane rural highways in Granada Province, Spain: in-depth analysis through decision
rules. Transportation research record, 2432(1), 133-141.
Li, D., Ranjitkar, P., Zhao, Y., Yi, H., & Rashidi, S. (2017). Analyzing pedestrian crash injury
severity under different weather conditions. Traffic injury prevention, 18(4), 427-430.
48 / سید رضا شفا ئی املشی، رضا امین، علی خدا یی -36 ،)12(4 ، نشری ه عمران و پروژه، 1401
48
Lym, Y., & Chen, Z. (2021). Influence of built environment on the severity of vehicle crashes
caused by distracted driving: A multi-state comparison. Accident Analysis & Prevention, 150, 105920.
Mannering, F. L., & Bhat, C. R. (2014). Analytic methods in accident research: Methodological
frontier and future directions. Analytic methods in accident research, 1, 1-22.
McCartt, A. T., & Teoh, E. R. (2015). Type, size and age of vehicles driven by teenage drivers
killed in crashes during 2008–2012. Injury prevention, 21(2), 133-136.
Sawalha, Z., & Sayed, T. (2006). Traffic accident modeling: some statistical issues. Canadian
journal of civil engineering, 33(9), 111-1124.
Saifuzzaman, M., & Zheng, Z. (2014). Incorporating human-factors in car-following models: a
review of recent developments and research needs. Transportation research part C: emerging
technologies, 48, 379-403.
Westerman, S. J., & Haigney, D. (2000). Individual differences in driver stress, error and
violation. Personality and individual differences, 29(5), 981-998.
World Health Organization. Global Status Report on Road Safety 2015. World Health
Organization; 2015.
Xiong, Y., & Mannering, F. L. (2013). The heterogeneous effects of guardian supervision on
adolescent driver-injury severities: A finite-mixture random-parameters approach. Transportation
research part B: methodological, 49, 39-54.
Zhai, X., Huang, H., Sze, N. N., Song, Z., & Hon, K. K. (2019). Diagnostic analysis of the
effects of weather condition on pedestrian crash severity. Accident Analysis & Prevention, 122, 318-
324.
Zhu, S. (2021). Analysis of the severity of vehicle-bicycle crashes with data mining
techniques. Journal of safety research,76, 218-27.
  • تاریخ دریافت 05 بهمن 1401
  • تاریخ بازنگری 22 فروردین 1402
  • تاریخ پذیرش 22 اردیبهشت 1402
  • تاریخ اولین انتشار 22 اردیبهشت 1402
  • تاریخ انتشار 01 اسفند 1401

صفحه اصلی

ارسال مقاله

تماس با ما

مقالات در نوبت انتشار