رویکرد مبتنی بر مدل‌های رگرسیون وزن‌دار جغرافیایی در پیش‌بینی تصادفات عابران پیاده با استفاده از متغیرهای رویارویی و محیطی

الماسی, سید احمد; بهنود, حمیدرضا; حاج رجبی, آرزو

doi:10.22119/jte.2022.322963.2577

رویکرد مبتنی بر مدل‌های رگرسیون وزن‌دار جغرافیایی در پیش‌بینی تصادفات عابران پیاده با استفاده از متغیرهای رویارویی و محیطی

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ دانشجوی دکتری، راه و ترابری، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران

² استادیار، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران

³ استادیار، دانشکده علوم پایه، دانشگاه بین‌المللی امام خمینی، قزوین، ایران

10.22119/jte.2022.322963.2577

چکیده

عابران پیاده از کاربران آسیبپذیر در معابر درون شهری هستند که مستقیماً در معرض تصادف قرار میگیرند. تصادفات ترافیکی تمایل به وابستگی مکانی دارند و پدیده‌ای است که به‌عنوان همبستگی مکانی شناخته می‌شود. اهداف این مطالعه شامل شناسایی متغیرهای جایگزین برای عابرین پیاده در معابر شهری و شناسایی نواحی حادثه‌خیز تصادف با استفاده از متغیرهای رویارویی عابر پیاده و همچنین نشان دادن کارایی مدل‌های فضایی در پیش‌بینی تصادف عابرین پیاده است. در این مطالعه در گام اول که شناسایی متغیرهای رویارویی است از چندین روش آماری برای شناسایی این متغیرها استفاده شده است. همچنین، پیشبینی فراوانی تصادفات عابر پیاده با استفاده از 6 مدل پرکاربرد آمار فضایی انجام شده است که بر اساس داده‌های تصادف عابر پیاده شهر تهران برای سال‌های 1396-1398 مورد ارزیابی قرار گرفته است. نتایج این مطالعه نشان داده است که پیش‌بینی فراوانی تصادفات عابرین پیاده با استفاده از مدل‌های رگرسیون پوآسون وزن‌دار جغرافیایی پر صفر و توزیع دوجمله‌ای منفی جغرافیایی پر صفر نتایج بهتری بر اساس معیارهای انتخاب مدل نسبت به سایر مدل‌ها دارد. این مطالعه پراکندگی و تراکم تصادف عابر پیاده را بدون داشتن حجم عابرین پیاده نشان داده است و بدین ترتیب می‌توان با انجام اقدامات ایمنی در مکان‌های مستعد تصادف عابر پیاده، هزینه اجتماعی و تلفات ناشی از آن را کاهش داد. در این مطالعه، استفاده از انواع مدل‌های رگرسیون وزن‌دار جغرافیایی برای ارزیابی رابطه بین متغیرهای جامعه شناختی و تصادف در سطح ناحیه مناسب بوده است. مقایسه عملکرد مدل‌های رگرسیون وزن‌دار جغرافیایی، وجود قابل توجه ناهمگنی مکانی در تحلیل را نشان می‌دهد.

کلیدواژه‌ها

20.1001.1.20086598.1402.15.1.4.2

عنوان مقاله [English]

An Approach based on Geographic Weighted Regression Models in Predicting Pedestrian Crashes using Exposure and Environmental Variables

نویسندگان [English]

Seyed Ahmad Almasi ¹
Hamid Reza Behnood ²
Arezou Hajrajabi ³

¹ PhD Candidate, Highways and Transportation, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran

² Assistant Professor, Highways and Transportation, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran

³ Assistant Professor, Statistics, Faculty of Basic Sciences, Imam Khomeini International University, Qazvin, Iran

چکیده [English]

Pedestrians are one of the most vulnerable users of urban roads that are directly exposed to accidents. Traffic crashes tend to be spatially dependent and is a phenomenon known as spatial dependence. The objectives of this study include identifying alternative variables for pedestrians in urban roads and identifying accident-prone areas using pedestrian exposure variables, as well as demonstrating the efficiency of spatial models in predicting pedestrian crashes. In this study, in the first step, which is the identification of exposure variables, several statistical methods have been used to identify these variables. Also, the frequency of pedestrian crashes has been predicted using six widely used models of spatial statistics, which have been evaluated based on pedestrian crash data in Tehran for the years 1396-1398. The results of this study show that the prediction of the frequency of pedestrian crashes using Poisson regression models with zero-inflated geographical weight and distribution of zero-inflated negative geographical binomials has better results based on model selection criteria than other models. This study has shown the dispersion and density of pedestrian accidents without having the volume of pedestrians and thus can be done by taking safety measures in places prone to pedestrian crashes, social costs and casualties. In this study, the use of various geographical weighted regression models to evaluate the relationship between sociological variables and crash frequencies at the area level was appropriate. Comparison of the performance of geographic weighted regression models shows the existence of significant spatial heterogeneity in the analysis.

کلیدواژه‌ها [English]

Geographic Statistics
Pedestrian Crashes
Zero-Inflated Negative Binomia Geographic Distribution
Zero-Inflated Poisson Geographic Distribution

مراجع

Bozdogan, H. (1987). Model selection and Akaike's information criterion (AIC): The general theory and its analytical extensions. Psychometrika, 52(3), 345-370.

Bricka, S. (2014). East Tennessee Household Travel Survey, 2008.

Cai, Q., Lee, J., Eluru, N., & Abdel-Aty, M. (2016). Macro-level pedestrian and bicycle crash analysis: Incorporating spatial spillover effects in dual state count models. Accident Analysis & Prevention, 93, 14-22.

Champahom T, Jomnonkwao S, Karoonsoontawong A, Ratanavaraha V. Spatial zero-inflated negative binomial regression models: Application for estimating frequencies of rear-end crashes on Thai highways. Journal of Transportation Safety & Security. 2020:1-18.

Chen, M.-M., & Chen, M.-C. (2020). Modeling road accident severity with comparisons of logistic regression, decision tree and random forest. Information, 11(5), 270.

Congiu, T., Sotgiu, G., Castiglia, P., Azara, A., Piana, A., Saderi, L., & Dettori, M. (2019). Built environment features and pedestrian accidents: An Italian retrospective study. Sustainability, 11(4), 1064.

Davey, J., Wishart, D., Freeman, J., & Watson, B. (2007). An application of the driver behaviour questionnaire in an Australian organisational fleet setting. Transportation Research Part F: Traffic Psychology and Behaviour, 10(1), 11-21.

da Silva AR, Rodrigues TCV. Geographically weighted negative binomial regression—incorporating overdispersion. Statistics and Computing. 2014;24(5):769-83.

Dewi, Y. S., & Amaliana, L. (2015). Zero Inflated Poisson and Geographically Weighted Zero-Inflated Poisson Regression Model: Application to Elephantiasis (Filariasis) Counts Data. Journal of Mathematics and Statistics, 11(2), 52.

Dong, N., Huang, H., Lee, J., Gao, M., & Abdel-Aty, M. (2016). Macroscopic hotspots identification: a Bayesian spatio-temporal interaction approach. Accident Analysis & Prevention, 92, 256-264.

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2003). Geographically weighted regression: the analysis of spatially varying relationships: John Wiley & Sons.

Galanis, A., Botzoris, G., & Eliou, N. (2017). Pedestrian road safety in relation to urban road type and traffic flow. Transportation research procedia, 24, 220-227.

Gomes, M. J. T. L., Cunto, F., & da Silva, A. R. (2017). Geographically weighted negative binomial regression applied to zonal level safety performance models. Accident Analysis & Prevention, 106, 254-261.

Hezaveh, A. M., Arvin, R., & Cherry, C. R. (2019). A geographically weighted regression to estimate the comprehensive cost of traffic crashes at a zonal level. Accident Analysis & Prevention, 131, 15-24.

Khattak, A. J., & Rodriguez, D. (2005). Travel behavior in neo-traditional neighborhood developments: A case study in USA. Transportation Research Part A: Policy and Practice, 39(6), 481-500.

Lee, C., & Abdel-Aty, M. (2005). Comprehensive analysis of vehicle–pedestrian crashes at intersections in Florida. Accident Analysis & Prevention, 37(4), 775-786.

Lee, J., Abdel-Aty, M., Cai, Q., Wang, L., & Huang, H. (2018). Integrated modeling approach for non-motorized mode trips and fatal crashes in the framework of transportation safety planning. Transportation Research Record, 2672(32), 49-60.

Liu, J., Khattak, A. J., & Wali, B. (2017). Do safety performance functions used for predicting crash frequency vary across space? Applying geographically weighted regressions to account for spatial heterogeneity. Accident Analysis & Prevention, 109, 132-142.

Mahmud, S. S., Ferreira, L., Hoque, M. S., & Tavassoli, A. (2019). Micro-level safety risk assessment model for a two-lane heterogeneous traffic environment in a developing country: A comparative crash probability modeling approach. Journal of safety research, 69, 125-134.

Marshall, W. E., & Ferenchak, N. N. (2017). Assessing equity and urban/rural road safety disparities in the US. Journal of Urbanism: International Research on Placemaking and Urban Sustainability, 10(4), 422-441.

Nordfjærn, T., Hezaveh, A. M., & Mamdoohi, A. R. (2015). An analysis of reported driver behaviour in samples of domestic and expatriate Iranians. Journal of Risk Research, 18(5), 566-580.

Özkan, T., Lajunen, T., Chliaoutakis, J. E., Parker, D., & Summala, H. (2006). Cross-cultural differences in driving skills: A comparison of six countries. Accident Analysis & Prevention, 38(5), 1011-1018.

Savitz DA, Wellenius GA. Can Cross-Sectional Studies Contribute to Causal Inference? It Depends. Am J Epidemiol. 2022 Mar 1:kwac037. doi: 10.1093/aje/kwac037. Epub ahead of print. PMID: 35231933.

Tu, J., & Xia, Z.-G. (2008). Examining spatially varying relationships between land use and water quality using geographically weighted regression I: Model design and evaluation. Science of the total environment, 407(1), 358-378.

Ukkusuri S, Hasan S, Aziz HA. Random parameter model used to explain effects of built-environment characteristics on pedestrian crash frequency. Transportation research record. 2011;2237(1):98-106.

Wang, Q., Ni, J., & Tenhunen, J. (2005). Application of a geographically‐weighted regression analysis to estimate net primary production of Chinese forest ecosystems. Global ecology and biogeography, 14(4), 379-393.

Wier, M., Weintraub, J., Humphreys, E. H., Seto, E., & Bhatia, R. (2009). An area-level model of vehicle-pedestrian injury collisions with implications for land use and transportation planning. Accident Analysis & Prevention, 41(1), 137-145.

Washington, S., Karlaftis, M., Mannering, F., & Anastasopoulos, P. (2020). Statistical and econometric methods for transportation data analysis: Chapman and Hall/CRC.