بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
مدلسازی و شناسائـی عوامل موثر در شدت تصادفات کامیونها در جادههای دوخطه برون شهری با استفاده از مدل لوجیت و شبکه عصبی
چکیده
افزایش ابعاد و وزن کامیونها در چند دهه اخیر رشد قابل توجهی داشته است. عدم وجود استانداردها، قـوانین و نظارت کافی برای این وسایل نقلیه در راهها باعث بروز خسارات و تلفات زیادی توسط آنها شده است. در این مقاله رابطـه بین شدت تصادفات کامیونها با خصوصیات ترافیکی، راننده، وسیله نقلیه، طرح هندسی، نحوه تصادف و شـرایط محیطـی در جادههای دوخطه برون شهری و نهایتاﹰ شناسایی عوامل مؤثر در بروز تصادفات بررسی شده است. در این راسـتا سـعی شـده است با تهیه آمار تصادفات کامیونها و استفاده از مدلهای لوجیت و شبکههای عصبی به روابـط مناسـب دسـت یافـت. نتـایج بدست آمده نشان میدهد، عواملی نظیر خستگی راننده، تصادفات جلو به جلو، عدم توانایی کنترل وسیله، تجاوز از سـرعت مجاز و … در افزایش شدت تصادفات و عواملی نظیر هوای برفی و .… در کاهش شدت تصادفات وسایل نقلیـه سـنگین در جادههای دوخطه برون شهری مؤثر میباشند.
کلید واﮊهها: جادههای دوخطه برون شهری، شدت تصادف، عوامل مؤثر، کامیونها، مدل لوجیت، شبکه عصبی.
١- مقدمه
اخیـراﹰ به تـأثیر کامیـونهـا بر شـدت تصـادفات توجه بیشتری شده است. این امر با توجه به خصوصیات عملکردی منحصر به فرد آنها نظیر، وزن ناخالص بالا (٢٠ تا ٣٠ بار سنگینتر از وسایل نقلیه سواری)، طول زیاد وضعف در ترمزگیری سریع در مقایسه با سواری ها قابل تـوجیه می باشد١. با توجه به اینکه بیشتر کامیونها در جاده های برون شهری که سرعت وسایل نقلیه در آنها بالا است تردد میکنند، تصادفات آنها معمولاﹰ منجر به جرح و فوت میگردد٢، که در این میان جادههای دو خطه از شرایط حادتری برخوردار میباشند٣. خصوصیات هندسی جادههای دوخطه معمولاﹰ قدرت مانور و دید وسیله نقلیه بزرگ را محدوده نموده و خطر تصادف آن را افزایش میدهد. نتایج یک تحقیق نشان میدهد که در تمام شرایط، تصادفات بین وسایل نقلیه سواری و کامیونهـا در جـاده های برون شهری جدا نشده از شدت بیشتـری نسبت به جادههای برون شهری جداشده برخـوردارمیباشند که این شدت در شب محسـوستر است٤. در جادههای دوخطه برون شهری پیچهـای تنـد، شیبهـای زیـاد و فـاصلههـای دید محدود معمول بوده و در برخی مناطق نیز، کوهستانی بودن مسیر و سایر عوامل طبیعی تاثیر به سزایی بر عملکرد کامیونها دارد. نظر به آمار بالای تلفات ناشی از تصادفات وسایل سنگین و تردد زیاد آنها درجادههای دو خطه برون شهری، لزوم بررسی این مقوله بیش از پیش احساس می شود.
٢- مطالعات پیشین
چنگ و منرینگ با استفاده از مدل لوجیت شدت تصـادف کـامیونهـا را در بخشـی ازجـاده هـای ایالت واشنگتن مورد مطالعه قرار دادند. به علت کم بودن تصادفات منجر به فوت آنها این دسته تصادفات را با تصادفات جرحی ادغام نمـودند. آنها نهـایتـاﹰ ٤٦ متغیر از جمله سن کم یا خیلی زیاد راننـده، روزهـای غیرتعطیل، تصادف در شب، نقص فنی وسیله نقلیه و سـرعت غیرمجـاز را در افـزایش شـدت تصـادفات و عواملی نظیر تغییر مسیر ناگهانی گردش به راست را برای تصادفات با شدت کمتر معرفی نمودند ١.
چندلر و همکاران با به کار بردن مدل پرابیت ترتیبی و اطلاعات تصادفات کامیون ها برای سالهای ١٩٩٣ تا ١٩٩٥ میلادی در ایالت کارولینای شمالی امریکا عوامل تشدید تصادفات را بررسی نمودند. نهایتاﹰ عواملی نظیر وجود شیب، جاده خیس، سن کم راننده، سرعت بالا، تاریکی، مصـرف الکـل و نقـص ترمـز باعث احتمال بروز تصادفات با شدت بالا و عواملی مانند حجم ترافیک و شرایط برفـی و یخبنـدان باعـث احتمال بروز تصادفات با شدت کمتر شناسائـی شدند٥.
براور و همکاران با استفاده از اطلاعات تصادفات منجر به فوت آمریکا بـرای سـال ١٩٩٣ مـیلادی، تصادفات جلو به جلو را به عنوان بیشترین نوع تصادفات فوتی وسایل نقلیه سواری بـا کـامیون هـا معرفـی نمودند، که ٦١درصد از کل تصادفات منجر به فوت را تشکیل می دادند٦.
٣- متدلوﮊی
٣-١- مدلهای لوجیت
مدلهای لوجیت برای حالاتی مناسب اند که هدف از آنها پیشبینی وقوع یا عدم وقـوع یـک متغیـر بر حسب یک سری متغیر مربوط به آن میباشد. این مدل شبیه مدلهای رگراسیون خطـی بـوده ولـی بـرای مواردی مناسب است که متغیرهای وابسـته بـه صـورت گسسـته هسـتند ٧. مـدل لوجیـت احتمـال وقـوع وضعیت a در میان مجموعه گزینه های c عبارت است از:
که در آن:
: p a احتمال وقوع a
: Vj مطلوبیت گزینه j از مجموعه c
مطلوبیت هر گزینه در این بین، تمایل بیشتر یا کمتر را به وقوع a نشان میدهـد. عمومـاﹰ بخـش معـین تـابع مطلوبیت Vj ، به صورت تابعی از ویژگیهای گزینه درنظر گرفته می شود که به صورت زیر است:
که در آن:
Vi :مطلوبیت گزینه،
: αi ثابت تابع (ویژه گزینه ( i
xji ویژگی j ام گزینه i
: βji وزن ویژگی j ام گزینه i
ضریب خوبی برازش برای مدلهایی که به روش درسـتنمایی بیشـینه پرداخـت مـیشـوند نظیـر لوجیـت بـه صورت زیر تعریف میشوند:
که در آن:
L(0) :مقدار تابع لگاریتم احتمال به ازاﺀ ضرائب صفر
: L(β) مقدار تابع لگاریتم احتمال به ازاﺀ ضرائب برآورد شده
٣-٢- شبکههای عصبی
کاربرد شبکههای عصبی اخیراﹰ قابل توجه بوده است. روش مدلسازی، تا حدودی قابـل مقایسـه بـا مدلهای احتمالی میباشد. شبکههای عصبی جانشین مدلهای احتمالی نبوده بلکه بیشتر به عنـوان مکمـل یـا روشی دیگر برای برازش دادهها، بدون فرضیات محدودکننده یک مدل احتمالی خـاص مـیباشـند. یـک شبکه عصبی از واحدهای ورودی (لایه ورودی) به عنوان متغیرهای مستقل، لایه های پنهان (میانی) و لایـه خارجی که واحدهای آن متغیرهای وابسته میباشـند، تشـکیل مـیشـود. مجموعـهای از خطـوط ارتبـاطی (سیناپسها) که هر کدام دارای یک وزن میباشد، ارتباط بین واحدها (نورونها) در لایههـای مختلـف را برقرار میکنند. در هر نورون یک تابع تحریک تعریف میشود. توابع تحریک میتوانند نمـایی، لوجیـت، خطی و یا … باشند. شبکه تحت یک الگوریتم یادگیری، آموزش مـی بینـد و طـی آن وزنهـای سـیناپتیک اصلاح میگردد تا اختلاف خطا بین خروجی های تخمین زده شده توسـط شـبکه و مشـاهدات بـه حـداقل قابل قبول همگرا شود٨.
٤- نمونه آماری
در این مطالعه از بانک اطلاعاتی سازمان حمل ونقل و پایانههای کشور استفاده شده است. آمار جمعآوری شده مربوط به تصادفات در جاده های دوخطه برون شهری جدا نشده استانهای شمالی کشور (رشت ـ لوشان (٧٥ کیلومتر)، رشت ـ لاهیجان (٤٠ کیلومتر)، فومن ـ رشت (٢٥ کیلومتر)، پاسگاه انزلی ـ غازیان (٣٨ کیلومتر)، تاکستان ـ ابهر (٢٤ کیلومتر)، تاکستان ـ اوج (٨٥ کیلومتر)، جاده قدیم کرج (٥٥کیلومتر)، تاکستان ـ اقبالیه (٣٥ کیلومتر)، چالوس (١٥٠ کیلومتر)، فیروزکوه (٩٨ کیلومتر)، هراز (١٥٦کیلومتر)) بین سالهای ١٣٧٥ تا ١٣٧٧ بوده که شامل ١٩٣٥٣ مورد است. از این تعداد ٣٥٢٤ مورد، تصادفات شامل کامیونها میباشد. از این تعداد، تصادفاتی که در آنها دو وسیله یا بیشتر دخالت داشتند، ٢٩٦١ بوده که جهت بررسی انتخاب گردیدند. این تصادفات شامل، ٢٤٨٦ (٨٤%) مورد خسارت مالی، ٤٤٦ (١٥%) مورد منجر به جرح و ٢٩ (١%) مورد منجر به فوت می باشد.
٥- مدلسازی شدت تصادف با تابع لوجیت
با توجه به کم بودن تعداد تصادفات منجر به فوت، با ادغام آنها با تصادفات جرحـی، متغیـر وابسـته که شدت تصادف است، در نهایـت بـه صـورت دو گـروه جـانی و مـالی تعریـف شـد. از ٢٩٦١ تصـادف انتخاب شده، ٦٢ مورد فاقد برخی اطلاعات بودند، لذا مدلسازی با ٢٨٩٩ تصادف انجام پـذیرفت. پـس از یک سری آنالیز روی دادههای خام و حذف متغیرهای نامناسب، مدلسـازی بـا ٦٥ متغیـر آغـاز شـد. مـدل نهایی بر اساس ضوابط ارزیابی مدل یعنی L(β) (قدر مطلق کمتر)، معنیدار بودن متغیرها با ٩٥% اطمینان یا بیشتر، درصد صحیح بیشتر و عـدم همبسـتگی زیـاد بـین متغیرهـای مسـتقل (کمتـر از ٥/٠)، بدسـت آمـد.
ضرائب بدست آمده مربوط به تابع احتمال خسارت جانی بوده ومتغیرها بـا ضـرائب منفـی باعـث افـزایش شدت تصادف و متغیرها با ضرائب مثبت باعث کاهش آن می شوند. ضرائب ونتـایج در جـداول (١) و (٢) ارائـه شدهاند.
٦- مدلسازی شدت تصادف با شبکه عصبی
مدلسازی توسط شبکه عصبی با ٢٨٩٩ مشاهده انجام شد که از این تعداد ٢٧٩٩ مشاهده برای آموزش و بقیه برای تست شبکه به کار گرفته شدند. برای ساخت مدل، یک شبکه عصبی چند لایه ای پیش خور با به خدمت گرفتن یک لایه میانی درنظر گرفته شد. نهایتاﹰ با به کارگیری تعداد گرههای میانی مختلف، شبکه بهینه با ٢٥ گره ورودی (متغیرهای مستقل) در لایه اولیه، ١٤ گره میانی در لایه پنهان، ٢ گره متمایل و یک گره خروجی که نمایانگر متغیر وابسته (شدت تصادف، مالی یا جانی) میباشد، شبکه نهایی در نظر گرفته شد. درصد صحیح در سری آموزش و تست در جداول (٣) و (٤) آورده شده است.
جدول (١): ضرایب برای تابع احتمال جانی با استفاده از مدل لوجیت
شماره متغییر شرح ضریب
١ اگر تصادف در شب رخ دهد ١، در غیر اینصورت ٠ ٤٧٩/٠-
٢ اگر تصادف در شیب رخ دهد ١، در غیر اینصورت ٠ ٦٩٨/٠-
٣ اگر تصادف در پیچ رخ دهد ١، در غیر اینصورت ٠ ٦٧٩/٠-
٤ اگر عرض معبر کمتر از ٤/٧ متر باشد ١، در غیر اینصورت ٠ ٤٥٢/٠+
٥ اگر سطح جاده هنگام تصادف خشک باشد ١، در غیر اینصورت ٠ ٤٨٠/٠-
٦ اگر سطح جاده هنگام تصادف خیس باشد ١، در غیر اینصورت ٠ ٨٠١/٠-
٧ اگر هنگام تصادف هوا برفی باشد ١، در غیر اینصورت ٠ ١١٦/١+
٨ اگر برخورد جلو به جلو باشد ١، در غیر اینصورت ٠ ١٤٧/١-
٩ اگر برخورد عقب به پهلو باشد ١، در غیر اینصورت ٠ ٥٤٨/١+
١٠ اگر برخورد پهلو به پهلو باشد ١، در غیر اینصورت ٠ ٨٠٩/٠+
١١ عدم رعایت فاصله طولی ١، در غیر اینصورت ٠ ٥٣٤/٠+
١٢ عدم رعایت حق تقدم ١، در غیر اینصورت ٠ ٥٥٤/٠-
١٣ تخطی از سرعت مطمئنه ١، در غیر اینصورت ٠ ٩٤٨/٠-
١٤ تجاوز به چپ ناشی از سبقت ١، در غیر اینصورت ٠ ٩٤٧/٠-
١٥ انحراف به چپ ١، در غیر اینصورت ٠ ٧٥٩/٠-
١٦ گردش به طرز غلط ١، در غیر اینصورت ٠ ٨٥٣/٠-
١٧ حرکت با دنده عقب ١، در غیر اینصورت ٠ ١٧٢/١+
١٨ اگر سیستم ترمز وسیله نقص داشته باشد ١، در غیر اینصورت ٠ ٧٦٩/٠-
١٩ اگر لاستیک وسیله فرسوده باشد ١، در غیر اینصورت ٠ ٥٠٠/٠-
٢٠ اگر راننده هنگام تصادفباشدخسته و خوابآلوده ١، در غیر اینصورت ٠ ٢٨٢/٢-
٢١ بیتوجهی راننده به مقررات ١، در غیر اینصورت ٠ ٦٢٤/٠-
