مدل سازی تخلفات رانندگان تاکسی های درون شهری با استفاده از مشخصه های راننده

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیات علمی دانشکده عمران دانشگاه علم و صنعت ایران

2 دانشجوی دکتری تخصصی عمران گرایش مهندسی حمل و نقل. دانشکده مهندسی عمران دانشگاه علم و صنعت ایران

3 هومن اکبری، کارشناسی ارشد عمران گرایش مهندسی حمل ونقل، دانشگاه شمال

4 دکتری تحقیق در عملیات، استادیار دانشگاه آزاد اسلامی واحد آیت ا... آملی

چکیده

طبق نتایج مطالعات انجام‌شده، میزان تصادفات درون‌شهری ناشی از تخلفات رانندگی درصد قابل‌توجهی از تصادفات کشورهای مختلف جهان را شامل می‌شود. هدف این مطالعه بررسی رفتار ناایمن رانندگان در حین رانندگی و عوامل تأثیرگذار بر تخلفات رانندگان تاکسی در شهر تهران، به‌عنوان گروه بزرگی از رانندگان حرفه‌ای است. برای رسیدن به این هدف، اطلاعات تخلفات رانندگان تاکسی‌های درون‌شهری مناطق 22‌‌گانه تهران در بازه زمانی دو ساله از پلیس راهنمایی ‌و ‌رانندگی تهران دریافت شده و برای انجام تحلیل‌های آماری و ساخت مدل رگرسیون چندگانه، مورد استفاده قرار گرفته‌است. طبق نتایج به‌دست‌آمده از این مطالعه، برای رانندگان ناوگان تاکسی‌رانی با سن بالای 70 سال احتمال انجام تخلف عبور از چراغ‌قرمز بیشتر از رانندگان با سن کمتر از 30 سال است. همچنین برای راننده‌های با سن زیر 30 سال احتمال ارتکاب به تخلف ورود ممنوع 3 برابر راننده‌های با سن بالای 70 سال به دست آمد. طبق نتایج این مطالعه، برای راننده‌های با سن 31 الی 40 سال احتمال ارتکاب به تخلف عبور از خط ویژه بیشتر از راننده‌های با سن بالای 70 سال است. از دیگر نتایج این مطالعه می‌توان به ‌احتمال ارتکاب به تخلف دور زدن ممنوع در رانندگان تاکسی با تجربه رانندگی بین 0 تا 10 سال در حدود 3 برابر رانندگان تاکسی با تجربه رانندگی بالای 30 سال اشاره نمود. در انتها نیز این نتیجه حاصل شد که رانندگان با نوع گواهینامه پایه دوم نسبت به رانندگان با نوع گواهینامه پایه یکم، احتمال ارتکاب به تخلف عبور از چراغ‌قرمز و عدم داشتن معاینه فنی بیشتری را مرتکب می‌شوند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Introduce a model for urban taxi drivers driving offenses using driver characteristics

نویسندگان [English]

  • Abdolreza Sheikholeslami 1
  • Ehsan Ayazi 2
  • Houman Akbari 3
  • Mohammad Soleimani Varki 4
1 Assistant Professor, department of civil engineering, Iran university of science and technology.
2 Department of civil engineering, Iran university of science and technology.
3 Department of civil engineering, North university of technology.
4 Assistant Professor, Ayat-ollah Amoli branch of Azad University.
چکیده [English]

According to Tehran Traffic Department’s report, the number of urban taxi accidents in Tehran in 1394 and 1395 was 1886 and 2021, respectively. The aim of this study is to investigate the unsafe behavior of taxi drivers as a large group of professional drivers and the factors affecting driving offenses occurrence in Tehran. To reach this goal, the data regarding driving offenses of urban taxi drivers in 22 districts of Tehran from 1394/1/1 to 1395/12/29 has been collected from traffic police of Tehran and used in statistical analysis and multiple regression modeling. According to the results, the drivers of taxi fleet aging over 70 are more likely to pass the red light compared to the driver younger than 30. Old drivers who were trained long time ago can be updated by training. The rate of passing the red light for the drivers having class 1 driver’s license compared to the ones with class 2 driver’s license is less. By giving some bonus like insurance discount, free annual technical diagnosis of car or giving free parking card to the class 1 driver’s license can motivate the drivers to obey the rules and drive more safely. For the drivers with class 2 driver’s license who commit more traffic offenses, giving negative driving score is suggested which can act as a restraining force. Younger taxi drivers, drive riskier compared to the older ones and as a result, they commit more driving offenses. For instance, drivers less than 30 years old are 3 times more probable to commit prohibited entry than drivers over 70 years old. This kind of offence can be decreased by enacting stricter rules for the younger drivers.

کلیدواژه‌ها [English]

  • Driving offenses modeling
  • driving offenses
  • urban taxi
  • Logistic regression model