مدل سازی شدت تصادفات موتورسیکلت در شهر تهران

در این مقاله نتایج کاربرد اطلاعات گرد آوری شده درمورد وقوع تصادفات موتورسیکلت در شهر تهران با هدف دستیابی به مدلی که قادر به پیش بینی شدت تصادفات مزبور باشد ارایه شده است. روش مدل سازی 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 بهره گیری از ترکیب های مختلف متغیرهای مستقل غیروابسته، مدلهای مختلف شدت تصادف از روش لاجیت دوگانه به دست آمده اند.در این تحقیق اصول مدل سازی به روش رگرسیون لاجستیک تشریح شده و روش های 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.