@article { author = {}, title = {The Application of Multi-Criteria Decision-Making Analysis to Identify Hot Spots: Data Envelopment Analysis and Concordance Analysis}, journal = {Quarterly Journal of Transportation Engineering}, volume = {3}, number = {4}, pages = {301-314}, year = {2012}, publisher = {Parseh Designers Transportation Research Institute}, issn = {2008-6598}, eissn = {2717-3976}, doi = {}, abstract = {Detection and ranking accident-prone locations or black spots in a transportation network is a basic step in the process of traffic safety improvement. The current study uses two different methods;data envelopment analysis and concordance analysis, as alternative ways for detecting and ranking black spots. The methods are branches of multi-criteria decision making analysis. One of the important characteristics of these methods is their capability of using different factors affecting accidents, considering crashes’ intensities, in ranking hotspots in the network. The current paper is devoted to study hotspots in Qazvin based on two aforesaid methods. These locations are considered to be decision-making units in data envelopment analysis in which inputs and outputs are effective factors on accidents, and different kinds of accidents, respectively. On the other hand,concordance analysis by using a combination of available variables and defining concordance and discordance sets and indices, ranks the locations of interest according to their risks. One of the advantages of these two methods is their multi-criteria nature, which appear to conform better to the pattern of hotspot identification, than the traditional methods. The other advantage (particularly for data envelopment analysis) is to devote attention to the systems’ inputs as well as the concept of efficiency, what is not considered in the conventional methods of hot spot identification. The study on two methods showed that the accuracy of proposed methods is higher due to its tendency to the effective factors on accidents, although having similar results from the two methods, because of different approaches, is not expectable.}, keywords = {hot spots,Data Envelopment Analysis,traffic safety,Accidents}, title_fa = {کاربرد تصمیم گیری چند معیاره در شناسایی نقاط پرحادثه: استفاده از روشهای تحلیل پوششی داده ها و تحلیل همایی}, abstract_fa = {شناسایی و رتبه بندی نقاط پرحادثه یا نقاط سیاه در یک شبکه حمل و نقل گامی جدی و اساسی در برنامه بهبود ایمنی ترافیک است. در مطالعه حاضر از دو روش تحلیل پوششی داده ها و تحلیل همایی به عنوان یک روش جایگزین برای رتبه بندی و شناسایی نقاط پرحادثه بهره گرفته شده است. این دو روش از زیرشاخه های تصمیم گیریهای چند معیاره هستند. از ویژگیهای بارز این دو روش توانایی آنها در استفاده از عوامل و پارامترهای مختلف مؤثر بر تصادفات، با در نظر گرفتن شدت تصادفات در اولویت بندی نقاط مورد نظر شبکه است. مطالعه حاضر به بررسی نقاط پرحادثه شهر قزوین بر اساس دوروش یادشده اختصاص دارد. این نقاط در روش تحلیل پوششی داده ها، به عنوان واحدهای تصمیم سازی، و عوامل موثر بر تصادفات و تعداد انواع مختلف تصادفات به ترتیب به عنوان ورودیها و خروجیهای آن در نظر گرفته شدند. روش تحلیل همایی نیز با استفاده از ترکیبی از متغیرهای موجود، و تعریف مجموعه های همایی و ناهمایی، و شاخصهای همایی و ناهمایی به اولویت بندی نقاط پرحادثه می پردازد. یکی از مزیتهای این دو روش چند معیاره بودن آن است، که با الگوی شناسایی نقاط حادثه خیز انطباق بیشتری دارد. مزیت دوم )به ویژه در مورد تحلیل پوششی داده ها( توجه به ورودیهای سیستم مورد نظر و محاسبه بازده آن است که اساساً در بررسی نقاط حادثه خیز مورد توجه قرارنمی گیرد. بررسی این دوروش نشان می دهد که به سبب بررسی عوامل مؤثر بر تصادفات به همراه شدت آنها، دقت شناسایی و اولویت بندی نقاط حادثه خیز از طریق این دو روش بالاتر است، اگرچه به علت تفاوت در رویکردها، نتایج یکسانی برای این دو روش قابل انتظار نیست.}, keywords_fa = {ایمنی,تصادف,نقاط سیاه,نقاط پرحادثه,تحلیل پوششی داده ها,تحلیل همایی}, url = {https://jte.sinaweb.net/article_2786.html}, eprint = {https://jte.sinaweb.net/article_2786_bee12f4bddc895e9722cca99ea07e007.pdf} }