بخشی از مقاله
خلاصه
مدلهای متداولی که برای پیشبینی تصادفات مورداستفاده قرار میگیرد، رابطه بین متغیرها را در تمامی نقاط فضا ثابت فرض میکند. در این پژوهش برای در نظر گرفتن اثرات ناهمسان سازی که در طول فضا تغییر میکنند، و باعث میشوند رابطه بین متغیرهای مستقل و وابسته تغییر کند، توسعه مدلهای پواسون وزندار شده جغرافیایی پیشنهادشده است. استفاده از تکنیک رگرسیون وزندار شده جغرافیایی این امکان را فراهم میکند تا بجای در نظر گرفتن ضرایب رگرسیون ثابت که نمایندهای برای تمام نقاط است، تخمین گری از ضرایب را به دست آوریم که در طول فضا تغییر میکنند و برای نقاط جغرافیایی متفاوت بهصورت محلی کالیبره میشوند.
برای بررسی قابلیتهای مدل پیشنهادی اطلاعات مربوط به نواحی ترافیکی شهر مشهد گردآوریشده است، همچنین بر اساس مدل پیشنهادی و مدل پواسون ساده، مدلهای کلان نگری توسعه دادهشده است که رابطه بین انواع مختلف کاربری اراضی و فراوانی تصادفات جرحی را مدل میکند. قابلذکر است که انتخاب دسته متغیرهای کاربر اراضی، میتواند کمک شایان توجهی به برنامه ریزان شهری و حملونقل در تصمیمگیری آگاهانه و برنامهریزی هدفمند بر محور ایمنی ترافیک داشته باشد. مقایسه مدلهای توسعه دادهشده بر اساس معیار اطلاع آکائیک نشان میدهد که اعمال تکنیک مذکور در مدلسازی بهطور قابلتوجهی عملکرد مدل را در پیشبینی فراوانی تصادفات افزایش میدهد.
کلمات کلیدی: مدلسازی فراوانی تصادفات، مدل پواسون، مدل پواسون وزندار شده جغرافیایی، مدل کلان نگر پیشبینی تصادفات، اثرات ناهمسان ساز فضایی، کاربری اراضی
.1 مقدمه
در حال حاضر در سوانح ترافیکی سالانه 50 میلیون نفر مجروح میشوند و 1/2 میلیون نفر نیز جان خود را از دست میدهند .[1] حجم عظیم خسارات مادی و معنوی که سوانح ترافیکی به جامعه تحمیل میکنند، برنامهریزی برای پیشگیری از وقوع تصادفات را ضروری میسازد. علاوه بر آنکه لازم است بهصورت جداگانه و در سطوح قانونگذاری و حاکمیتی، برای افزایش ایمنی سیستم حملونقل و کاهش سوانح ترافیکی چارهاندیشی کرد و برنامه مدون و جامعی را ارائه داد، میتوان در مرحله برنامهریزی برای مدیریت تقاضای سفر نیز در کنار سایر پارامترهای برنامهریزی حملونقل، مسئله ایمنی ترافیک را در بررسی و انتخاب سناریوهای مختلف حملونقل موردتوجه قرارداد.
بدیهی است این ایده برای کاهش تصادفات نهتنها کمهزینهتر است، که در پیشگیری از آنها نیز مفید و مؤثر است و نیاز به اقدامات اصلاحی و درمانی بعدی در سیستم را کاهش میدهد. استفاده از مدلهای آماری پیشبینی تصادفات همواره یکی از روشهای موردتوجه جهت ایجاد ارتباط بین ایمنی ترافیک و برنامهریزی حملونقل است که به پژوهشگران کمک میکند تا اثر عوامل مختلفی که در مدیریت تقاضای سفر دخیل هستند را بر ایمنی ترافیک بیابند. نوعی از این مدلها، مدلهای کلان نگر پیشبینی تصادفات است که در مقیاس کلان توسعه داده میشوند. در این مدلها کهمعمولاً در سطح نواحی مانند نواحی ترافیکی [2] ، نواحی سرشماری [3]، بخشها [4] و نظایر آنها توسعه داده میشود، هدف آن است که بتوان اثرات متغیرهای کلان همچون اقتصادی-جمعیتی [5]، زیرساختهای حملونقلی [6] و کاربری اراضی [7] را به دست آورد.
استفاده از مدلهای پواسون متداولترین نوع مدلهای پیشبینی تصادفات است که مورداستفاده پژوهشگران قرارگرفته است .[9 ,8] اما فرض اساسی مدلهای پواسون که مختص به توزیع پواسون است آن است که در آن مقدار واریانس به مقدار میانگین محدود میشود [10] و کمتر از مقدار واقعی تخمین زده میشود، این در حالی است که در اکثر موارد بهویژه در مطالعات ترافیک مقدار واریانس از مقدار میانگین بیشتر میشود و اعمال محدودیت ذکرشده به تخمین و استنباط اریب میانجامد. توسعه مدلهای پواسون به مدلهای دوجملهای منفی یک روش محبوب برای گذر از مشکل مدلهای پواسون است که بهسرعت استفاده از آن در مدلسازی فراوانی تصادفات رواج یافت .[12 ,11] این نوع از مدلها قادر بودند که بیش پراکنشی موجود در اطلاعات که مدتاًع ناشی از حذف متغیرهای تأثیرگذار از مدل بود را در نظر بگیرد.
در مدلهای مذکور که بهطورکلی در دسته مدلهای جهانی - global models - قرار میگیرند، رابطه بین متغیر مستقل و وابسته در طول فضا ثابت فرض میشود، حالآنکه در محیطهایی با ساختار پیچیده همچون محیطهای شهری، با اثرات مشاهده نشده ناهمسان سازی که در فضا تغییر میکنند، مواجه هستیم که باعث میشود متغیرهای مستقلی داشته باشیم که اثرشان بر متغیر پاسخ برحسب موقعیت جغرافیای تغییر کند و در نظر گرفتن رابطهای ثابت بین متغیرها مناسب نباشد. استفاده از تکنیک رگرسیون وزندار شده جغرافیایی که اخراًی بهعنوان مدل محلی موردتوجه قرارگرفته است این امکان را در مدلسازی فراهم میکند که رابطه بین متغیرها در فضا تغییر کند و درواقع تخمینهای کالیبره شده برای هر موقعیت مکانی را ارائه میدهد.
فلسفه اولیه این تکنیک را میتوان مبتنی بر قانونی که بهعنوان قانون اول جغرافیا شهرت یافت دانست که در آن بیان میشود که همهی پدیدهها به یکدیگر مرتبط هستند آما آنان که نزدیکترند رابطه قویتری با یکدیگر دارند .[13] با استفاده از تکنیک مذکور نیز میتوان ضرایب محلی رگرسیون که رابطه بین متغیر مستقل و پاسخ را تخمین میزند را به نحوی به دست آورد که اثر مشاهدات نزدیکتر به موقعیت جغرافیایی خاص بر تخمین آن اثر بیشتری داشته باشد و با دور شدن از آن برحسب فاصله بین نقاط اثر مشاهدات در تخمین کمتر شود. بررسی تحقیقات پیشین نشان میدهد که در مطالعات ایمنی ترافیک، حدائقی و همکارانش [14] از تکنیک رگرسیون وزندار شده جغرافیایی در مدلهای خطی برای توسعه مدلهای پیشبینی تصادفات استفاده کردند.
این در حالی است که مدلهای خطی برای مدلسازی اطلاعات تصادفات مناسب نیست چراکه فراوانی تصادفات شمارشی هستند معمولاً دارای چولگی میباشند. در مطالعات بعدی حدائقی و همکارانش [6] تکنیک مذکور را این بار با استفاده از مدل پواسون به کار بستند که نتیجه آن بهبود قابلتوجه عملکرد مدلهای پیشبینی تصادفات بود. در ادامه برای رعایت اختصار مدل حاصل از ترکیب تکنیک رگرسیون وزندار شده جغرافیایی و مدل پواسون رو مدل پواسون جغرافیایی مینامیم. لی و همکارانش [4] نیز با استفاده از تکنیکی مشابه در مقیاس بخش - county - ، مدلهای کلان نگر پیشبینی تصادفات رو توسعه دادند.بر اساس مطالب بیانشده در این قسمت در پژوهش حاضر هدف توسعه مدل کلان نگر با استفاده از مدل پواسون جغرافیایی در سطح نواحی ترافیکی شهر مشهد است.
در توسعه این مدل با استفاده از تکنیک رگرسیون وزندار شده جغرافیایی به مدل اجازه داده میشود تا رابطه بین متغیرها بین نواحی مختلف تغییر کند . همچنین قابلذکر است که مدل توسعه دادهشده با ذات شمارشی اطلاعات تصادفات نیز مطابقت دارد. با توجه به اهمیت برجستهای که متغیرهای کاربری اراضی در کمک به برنامه ریزان در برنامهریزی هدفمند شهری و برنامهریزی حملونقل دارند، در این پژوهش این دسته از متغیرها مورداستفاده قرار میگیرند. همچنین با توجه به آنکه الگوی سفرهای تولید و جذبشده تا حد زیادی به پراکندگی انواع مختلف کاربریهای اراضی دارد، استفاده از این دسته متغیر میتواند قبل از هر برنامهریزی برای توسعه شهری، دید ایمنی برنامه ریزان را تقویت کند.در ادامه در بخش بعدی روشهای مورداستفاده برای مدلسازی شرح داده میشود، در بخش سوم بانک اطلاعاتی مورداستفاده بررسی میگردد، در بخش چهارم نتایج حاصل از مدلسازی و در بخش انتهایی به نتیجهگیری از پژوهش حاضر میپردازیم.
.2 روششناسی
استفاده از مدل پواسون یکی از روشهای سنتی مدل کردن فراوانی تصادفات است که ذاتی شمارشی دارند. چنانچه فراوانی تصادفات را با yi نمایش دهیم آنگاه تابع جرم احتمال متغیر مذکور از رابطه زیر به دست خواهد آمد،که در آن i میانگین شرطی توزیع پواسون است که تابع لگاریتم آن بهصورت ترکیب خطی از متغیرهای مستقلرابطه زیر به دست میآید،که بردار متغیرهای مستقل و ضرایب رگرسیون توسط xi ونمایش داده میشود. همچنین قابلذکر است که واریانس توزیع پواسون نیز با رابطه 2 برابر است.تخمین گر حداقل مربعات وزن دهی شده تکراری در تکرار m+1 از رابطه زیر به دست میآید، که در آن X ماتریس n - p 1 - متغیرهای مستقل است و ماتریس قطری وزنی واریانس - - Rim با عناصر قطری بهصورت زیر است،
