شناسایی عوامل مؤثر بر شدت تصادفات راه های برون‌شهری و اولویت‌بندی راهکارها با استفاده از مدل‌سازی معادلات ساختاری (SEM) و سیستم استنتاج فازی (FIS)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، بخش مهندسی عمران، دانشگاه شهید باهنر، کرمان ایران

2 استادیار، دانشکده فنی و مهندسی، دانشگاه شهید باهنر، کرمان، ایران

چکیده

رشد جمعیت، افزایش تقاضای سفر و در نتیجه آن افزایش استفاده از وسایل‌نقلیه موتوری موجب نگرانی در مورد ایمنی جاده-ها در جوامع امروزی شده است. عوامل مختلفی مانند مشخصات راننده، شرایط محیطی، شرایط سطح راه و نوع وسایل‌نقلیه، بر شدت تصادفات تأثیرگذار است. در این مقاله سعی شده تا با استفاده از روش مدلسازی معادلات ساختاری و با تکیه بر داده‌های تصادفات ، ابتدا پارامترهایی که بیشترین تأثیر را بر شدت تصادفات برون‌شهری استان کرمان دارند شناسایی شوند. سپس از نتایج بدست آمده از مدل‌‌سازی معادلات ساختاری، برای توسعۀ یک سیستم استنتاج فازی به منظور اولویت‌بندی راهکارها در ارتباط با هر عامل استفاده می‌شود. طبق نتایج بدست آمده از مدل‌سازی معادلات ساختاری، عامل انسانی (با بار عاملی 47/0-) بیشترین تأثیر را در بروز تصادفات با شدت آسیب‌دیدگی بالا نسبت به سایر عوامل پنهان دیگر در مدل نشان داده است. از بین پارامترهای تبیین‌کننده عامل انسانی، متغیر بستن کمربند ایمنی (با بار عاملی 85/0) قوی‌ترین تبیین‌کننده برای این عامل بوده است. در انتها جهت تعیین اولویت اجرای راهکارهای کاهش شدت تصادفات به تفکیک عوامل انسانی، محیطی و راه، از سیستم استنتاج فازی به دلیل دقت قابل قبول آن در حل مسائلی که با عدم قطعیت مواجه هستند استفاده شده است. نتایج خروجی‌های حاصل از سیستم استنتاج فازی نشان‌ می‌دهد که اولویت راهکارهای مرتبط به عوامل انسانی به مراتب بیشتر از راهکارهای مرتبط به عوامل راه و محیطی است. به طور کلی، نتایج این تحقیق می‌تواند به متخصصین در حوزه حمل و نقل کمک کند تا اقدامات متقابل را با هدف کاهش سطح شدت تصادف در بخش‌ جاده‌های برون‌شهری به صورت کارآمد و بهینه‌ اولویت‌بندی کنند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identification of effective factors on severity of road crashes and prioritization of countermeasures by Structural Equation Modeling (SEM) and Fuzzy Inference System (FIS)

نویسندگان [English]

  • Amin Khoashdel 1
  • Navid Nadimi 2
1 M.Sc., Student, Department of Civil Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
2 Assistant Professor, Department of Civil Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
چکیده [English]

Population growth, increased travel demand and, consequently, increased motor vehicle use has led to concerns about road safety in today’s society. Various factors such as driver characteristics, environmental conditions, road surface conditions, and type of vehicles affect the severity of accidents. In this paper, by using structural equation modeling (SEM) method and relying on crashes data, it has been tried to identify the factors that have the greatest effect on the severity of suburban accidents in Kerman province. Then, the results obtained from structural modeling are used to develop a fuzzy inference system (FIS) in order to prioritize solutions in relation to each factor. According to the results obtained from the structural equation modeling, human factor (estimate -0.47) has shown the greatest effect on occurence of accidents with high injury compared to other latent factors in the model. Among the parameters explaining the human factor, using the safety belt variable (estimate 0.85) was the stronger predictor for this factor. Finally, in order to determine the priority of implementing strategies to reduce the severity of crashes by human, environmental, and road factors, the fuzzy inference system has been used due to its acceptable accuracy in solving problems that face uncertainty. The results of the outputs of the fuzzy inference system have been shown that the priority of solutions related to human factors is far more than solutions related to road and environmental factors. Overall, the results of this study can help transportation professionals to prioritize countermeasures to reduce the severity of crashes on the suburban roads in an efficient and optimal manner.

کلیدواژه‌ها [English]

  • Structural Equation Modeling
  • Fuzzy
  • Safety
  • Prioritization

مراجع

-حسین­زاده، ع.، (1391)، "کاربرد و تحلیل مدل معادلات ساختاری در علوم انسانی با استفاده از نرم افزار AMOS"، شوشتر، نشر دانشگاه آزاد اسلامی، ص. 552.
-خدایی، ع.، مقدس نژاد، ف­.، و سلطانی، ن.، (1391)، "مدلسازی تأثیر عوامل محیطی و ترافیکی بر شدت تصادفات در جاده­های برونشهری"، دوازدهمین کنفرانس مهندسی حمل ونقل و ترافیک ایران، تهران، سازمان حمل­ و نقل و ترافیک تهران، معاونت حمل و نقل و ترافیک شهرداری تهران.
-دفتر آمار و ایمنی و ترافیک، وزارت راه­ و­ شهرسازی، سازمان راهداری و حمل­ونقل جاده­ای www.rmto.ir.
-راضی اردکانی، ح. ا. و احدی، م.، (1391)،" مدلسازی و تحلیل شدت تصادفات اتوبوس­های درون و برون­شهری"، فصل‌نامه مدلسازی در مهندسی، 12(18)، ص.74-59.
-کیا، م.، (1393)، "منطق فازی در متلب­"، شوشتر، نشر کیان رایانه سبز، ص.304.
 
-Abay, K.A., Paleti, R. and Bhat, C.R., (2013), “The joint analysis of injury severity of drivers in two-vehicle crashes accommodating seat belt use endogeneity”, Transportation research part B: methodological, 50, pp.74-89.
 
-Bullough, J.D., Donnell, E.T. and Rea, M.S., (2013), “To illuminate or not to illuminate: Roadway lighting as it affects traffic safety at intersections”, Accident Analysis & Prevention, 53, pp.65-77.
 
-Chang, L.Y. and Chien, J.T., (2013), “Analysis of driver injury severity in truck-involved accidents using a non-parametric classification tree model”, Safety science, 51(1), pp.17-22.
 
-Chen, C., Zhang, G., Huang, H., Wang, J., & Tarefder, R. A., (2016), “Examining driver injury severity outcomes in rural
non-interstate roadway crashes using a hierarchical ordered logit model”, Accident Analysis & Prevention, 96, pp.79-87.
 
-Curry, A.E., Pfeiffer, M.R., Durbin, D.R. and Elliott, M.R., (2015), “Young driver crash rates by licensing age, driving experience, and license phase”, Accident Analysis & Prevention, 80, pp.243-250.
 
-De Oña, J., Mujalli, R. O., & Calvo, F. J., (2011), “Analysis of traffic accident injury severity on Spanish rural highways using Bayesian networks”, Accident Analysis & Prevention, 43(1), pp.402-411.
 
-Eboli, L. and Mazzulla, G., (2007), “A structural equation model for road-accident analysis”, In Proceedings of the 4th International SIIV Congress.
 
-El-Basyouny, K., Barua, S. and Islam, M.T., (2014), “Investigation of time and weather effects on crash types using full Bayesian multivariate Poisson lognormal models”, Accident Analysis & Prevention, 73,
pp.91-99.
 
-Farmer, C.M., Braver, E.R. and Mitter, E.L., (1997), “Two-vehicle side impact crashes: the relationship of vehicle and crash characteristics to injury severity”, Accident Analysis & Prevention, 29(3), pp.399-406.
 
-FHWA. http://safety.fhwa.dot.gov/hsip/resources/fhwasa09029/sec3.cfm
 
-Kim, K., P. Pant, and E. Yamashita, (2011), “Measuring Influence of Accessibility on Accident Severity with Structural Equation Modeling”, Transportation Research Record: Journal of the Transportation Research Board 2236, pp.1–10.
 
-Kononen, D.W., Flannagan, C.A. and Wang, S.C., (2011), “Identification and validation of a logistic regression model for predicting serious injuries associated with motor vehicle crashes”, Accident Analysis & Prevention, 43(1), pp.112-122.
 
-Lee, C. and Abdel-Aty, M., (2008), “Presence of passengers: does it increase or reduce driver's crash potential?” Accident Analysis & Prevention, 40(5), pp.1703-1712.
 
-Lee, J., J. Chae, T. Yoon, and H. Yang., (2018), “Traffic accident severity analysis with rain-related factors using structural equation modeling – A case study of Seoul City”, Accident Analysis and Prevention 112, pp.1–10.
 
-Lee, J.Y., Chung, J.H. and Son, B., (2008), “Analysis of traffic accident size for Korean highway using structural equation models”, Accident Analysis & Prevention, 40(6), pp.1955-1963.
 
-Obeng, K., (2011), “Gender differences in injury severity risks in crashes at signalized intersections, Accident Analysis & Prevention, 43(4), pp.1521-1531.
 
-Wang, K., and X. Qin., (2014), “Use of Structural Equation Modeling to Measure Severity of Single-Vehicle Crashes”, Transportation Research Record: Journal of the Transportation Research Board 2432, pp.17–25.
 
-Tolouei, R., (2010), “Relationship Between Fatality Risk Ratio and Mass Ratio in
Two-Car Crashes, No. 10-1534.
 
-World Health Organization, (2019), “Global action plan on physical activity 2018-2030: more active people for a healthier world”, World Health Organization.
 
-Xu, C., D. Li, Z. Li, W. Wang, and P. Liu. (2017), “Utilizing structural equation modeling and segmentation analysis in real-time crash risk assessment on freeways”, KSCE Journal of Civil Engineering 22,
pp.1–9.
 
-Zeng, Q. and Huang, H., (2014), “A stable and optimized neural network model for crash injury severity prediction Accident Analysis & Prevention”, No.73, pp.351-358.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار