دانشگاه سمنان

 آمار

تعداد نشریات21
تعداد شماره‌ها663
تعداد مقالات9,692
تعداد مشاهده مقاله69,000,410
تعداد دریافت فایل اصل مقاله48,488,246
اکبری, مهدی, شفابخش, غلامعلی, احدی, محمدرضا. (1394). ارزیابی اثرات ایمنی شاخص وضعیت رویه راه بر فراوانی تصادفات خروج از جاده. نشریه هنرهای کاربردی, 1(3), 47-61. doi: 10.22075/jtie.2015.316
مهدی اکبری; غلامعلی شفابخش; محمدرضا احدی. "ارزیابی اثرات ایمنی شاخص وضعیت رویه راه بر فراوانی تصادفات خروج از جاده". نشریه هنرهای کاربردی, 1, 3, 1394, 47-61. doi: 10.22075/jtie.2015.316
اکبری, مهدی, شفابخش, غلامعلی, احدی, محمدرضا. (1394). 'ارزیابی اثرات ایمنی شاخص وضعیت رویه راه بر فراوانی تصادفات خروج از جاده', نشریه هنرهای کاربردی, 1(3), pp. 47-61. doi: 10.22075/jtie.2015.316
اکبری, مهدی, شفابخش, غلامعلی, احدی, محمدرضا. ارزیابی اثرات ایمنی شاخص وضعیت رویه راه بر فراوانی تصادفات خروج از جاده. نشریه هنرهای کاربردی, 1394; 1(3): 47-61. doi: 10.22075/jtie.2015.316

ارزیابی اثرات ایمنی شاخص وضعیت رویه راه بر فراوانی تصادفات خروج از جاده

مهندسی زیر ساخت های حمل و نقل
مقاله 4، دوره 1، شماره 3، آبان 1394، صفحه 47-61    اصل مقاله (5.17 M)
شناسه دیجیتال (DOI): 10.22075/jtie.2015.316
نویسندگان
مهدی اکبری1؛ غلامعلی شفابخش* 2؛ محمدرضا احدی3
1دانشجوی دکتری راه و ترابری، دانشکده مهندسی عمران، دانشگاه سمنان
2دانشیار، دانشکده مهندسی عمران، دانشگاه سمنان
3استادیار، پژوهشکده حمل‌ونقل، وزارت راه و شهرسازی، تهران
تاریخ دریافت: 26 آبان 1394،  تاریخ پذیرش: 26 آبان 1394 
چکیده
ساخت، نگهداری و بازسازی زیرساخت­ های حمل‌ونقل از جمله ضرورت‌های اصلی ایجاد و توسعه صنعت حمل‌ونقل پایدار به حساب می‌آیند. هزینه‌های گزاف و عملکرد نامناسب جنبه‌هایی مانند ایمنی و امنیت، مشکلاتی را پیش می‌آورند که اعتمادپذیری سیستم حمل‌ونقل را تهدید می‌کنند. مدل‌های پیش‌بینی تصادفات به عنوان ابزار تحلیل ایمنی، نقش به­سزایی در تحلیل علل وقوع تصادفات ترافیکی دارند. در این مقاله، سعی شده است تا تأثیر خرابی رویه راه بر فراوانی تصادفات خروج از جاده، که جزو فراوان‌ترین و شدیدترین تصادفات در ایران و حتی جهان هستند، ارزیابی گردد. به همین منظور، شاخص وضعیت رویه راه برای 150 کیلومتر از محور سمنان به تهران تعیین و با استفاده از فرایندهای GENMOD و NLMIXED در نرم‌افزار SAS، انواع مدل‌های خطی تعمیم‌یافته و غیرخطی رگرسیونی ارائه شدند. پس از ارزیابی نیکویی برازش مدل‌ها و تخمین خطای آن ها، مناسب‌ترین مدل انتخاب می‌شود. برای انجام نیکویی برازش، از ابزارهایی مانند انحراف معیار، آماره کای‌دو پیرسون، ، AIC، AICC و BIC استفاده شده است. همچنین، دو ابزار دیگر شامل میانگین خطای مطلق و جذر میانگین مربع خطاها، اعتبار خروجی مدل را تخمین زدند. در تجزیه باقیمانده‌ها به روش باقیمانده‌های استاندارد شده، میانگین خطاها حدود 1048/0- و واریانس آن ها برابر 9259/0 تخمین زده شدند که به فرضیه‌های میانگین صفر و واریانس 1 بسیار نزدیک هستند. نتایج مدل‌سازی نشان می‌دهد که مدل رگرسیون غیرخطی دوجمله‌ای منفی برازش بهتری دارد و ارتباط معنی‌دار بین شاخص وضعیت رویه راه و فراوانی تصادفات خروج از جاده را آشکار می‌کند. تحلیل حساسیت مدل نیز بیانگر آن است که به ازای افزایش هر واحد شاخص وضعیت رویه راه، نرخ فراوانی تصادفات خروج از جاده 93/1 درصد کاهش می‌یابد.
کلیدواژه‌ها
مدل پیش‌بینی تصادفات؛ شاخص وضعیت رویه راه؛ مدل خطی تعمیم‌یافته؛ مدل رگرسیون غیرخطی
عنوان مقاله [English]
Evaluating the Safety Effects of Pavement Condition Index (PCI) on Frequency of Run-off-road Accidents
نویسندگان [English]
M. Akbari1؛ Gh. Shafabakhsh2؛ M. R. Ahadi3
2Associate Professor, Faculty of Civil Eng., Semnan Univ., Semnan, I. R. Iran
چکیده [English]
Construction, maintenance and rehabilitation of highway infrastructures are the most essential issues for developing and improving a sustainable transportation industry. Besides high costs of these issues, improper performance of some aspects such as safety and security creates some problems which will threaten the reliability of a transportation system. Crash prediction models (CPMs), as safety analysis tools, have a specific role in analyzing the contributing factors in occurrence of traffic accidents. This study aimed to evaluate the effects of pavement distresses on the frequency of run-off-road accidents which are the most frequent and severe accidents in Iran and around the world. In doing so, about 150 km of Semnan-Tehran divided rural highway was examined and its pavement condition indice (PCI) was calculated. Then, using GENMOD and NLMIXED procedures in SAS software, two generalized linear models and 39 nonlinear negative binomial regression models were developed. After evaluating the goodness-of-fit of the models and estimating their error, comparison of these models leads to the most proper model. To estimate the goodness-of-fit of the models and select the best-fitted model, several criteria were implemented including standard deviation/scaled deviation, Pearson χ2, -2LL, AIC, AICc and BIC. Moreover, two criteria of mean absolute error and root mean squared error were used to estimate the validity of model results. In analyzing of residuals by standardized residuals method, the mean error was about -0.1048 and the variance was 0.9259, which are close to the assumptions of zero mean and variance equal to 1. CPMs showed that nonlinear negative binomial regression model fits significantly better with the available data, which demonstrates the association between PCI and frequency of run-off-road accidents. Sensitivity analysis of the model indicates that for nonlinear CPM, a unit increase in PCI results in around 1.93% reduction in frequency of run-off-road accidents.
کلیدواژه‌ها [English]
Crash prediction model, Pavement condition index, Generalized linear model, Nonlinear regression model
مراجع

سازمان راهداری و حمل‌ونقل جاده‌ای. 1388. "نمونه‌هایی از تحلیل تصادفات واژگونی در شبکه راه‌ها در دو بخش ملی و استانی". ادارات کل/سازمان‌های حمل‌ونقل و پایانه‌های سراسر کشور.

ASTM D6433, 2003. “Standard Practice for Roads and Parking Lots Pavement Condition Index (PCI) Surveys”. American Society for Testing and Materials, USA.

Chan, C. Y., Huang, B., Yan, X. and Richards, S. 2010. “Investigating effects of asphalt pavement conditions on traffic accidents in Tennessee based on the pavement management system (PMS)”. J. Adv. Transport. 44(3): 150-161.

Eenink, R., Reurings, M., Elvik, R., Cardoso, J., Wichert, S. and Stefan, C. 2008. “Accident Prediction Models and Road Safety Impact Assessment: Recommendations for using These Tools”. Road Infrastructure Safety Protection- Core-Research and Development for Road Safety in Europe, The Netherlands.

Greibe, P. 2003. “Accident prediction models for urban roads”. Accid. Anal. Prev. 35: 273-285.

Harwood, D. W., Council, F. M., Hauer, E., Hughes, W. E. and Vogt, A. 2000. “Prediction of the Expected Safety Performance of Rural Two-lane Highways”. Federal Highway Administration, FHWA-RD-99-207, USA.

Hilbe, J. M., 2011. “Negative Binomial Regression”. Cambridge University Press, UK.

Ivey, D. L., Griffin III, L. I., Newton, T. M., Hunkins, K. C., Blumentritt, C. W. and Lytton, R. L. 1977. “Development of a Wet Weather Safety Index”. Federal Highway Administration, FHWATX77-221/F Final Report,USA.

Jiang, X., Huang, B., Yan, X., Zaretzki, R. L. and Richards, S. 2013a. “Two-vehicle injury severity models based on integration of pavement management and traffic engineering factors”. Traffic Inj. Prev. 14(5): 544 -553.

Jiang, X., Huang, B., Zaretzki, R. L., Richards, S. and Yan, X., 2013b. “Estimating safety effects of pavement management factors utilizing Bayesian random effect models”. Traffic Inj. Prev. 14(7): 766-775.

Karlaftis, M. G. and Golias, I. 2002. “Effects of road geometry and traffic volumes on rural roadway accident rates”. Accid. Anal. Prev. 34: 357-365.

Lord, D. and Mannering, F. 2010. “The statistical analysis of crash-frequency data: A review and assessment of methodological alternatives”. Transport. Res. Part A: Policy and Practice 44(5): 291-305.

Lord, D. and Persaud, B. N., 2000. “Accident prediction models with and without trend: Application of the generalized estimating equations (GEE) procedure”. Transport. Res. Board: Transport. Res. Rec. 1717: 102-108.

Maher, M. and Summersgill, I. 1996. “A comprehensive methodology for the fitting of predictive accident models”. Accid. Anal. Prev. 28(3): 281-296.

McCullagh, P. and Nelder, J. A. 1989. “Generalized Linear Models”. Chapman and Hall/CRC Press, London.

Miaou, S. P., and Lum, H. 1993. “Modeling vehicle accidents and highway geometric design relationships”. Accid. Anal. Prev. 25(6): 689-703.

Moore, A. B. and Humphreys, J. B. 1972. ”A Study of Pavement Skid Resistance at High Speed and at Locations Shown to be Focal Points of Accidents”. National Technical Information Service, RP-7-FR Final Report, USA.

Morgan, A. and Mannering, F. L. 2011. “The effects of road-surface conditions, age, and gender on driver-injury severities”. Accid. Anal. Prev. 43: 1852-1863.

Myers, R. 2000. “Classical and Modern Regression with Applications”. Duxbury Press, CA, USA.

Oh, J., Lyon, C., Washington, S., Persaud, B. and Bared, J. 2003. “Validation of FHWA crash models for rural intersections”. Transport. Res. Board: Transport. Res. Rec. 1840: 41-49.

Resende, P. T. V. and Benekohal, R. F. 1997. “Effects of Roadway Section Length on Accident Model”. ASCE, Proc. of Traffic Congestion and Traffic Safety in the 21st Century Conference, USA.

Rizenbergs, R. L., Burchett, J. L., Napier, C. T. and Deacon, J. A. 1976. “Accidents on rural interstate and parkway roads and their relation to pavement friction”. Transport. Res. Board: Transport. Res. Rec. 584: 22-36.

Roque, C. and Cardoso, J. L. 2014. “Investigating the relationship between run-off-the-road crash frequency and traffic flow through different functional forms”. Accid. Anal. Prev. 63: 121-132.

SAS Institute Inc. 2009. “SAS/STAT® 9.2 User’s Guide”. 2nd Edition, Cary, NC, USA.

Sawalha, Z. and Sayed, T. 2006. “Traffic accident modeling: Some statistical issues”. Can. J. Civil Eng. 33(9): 1115-1124.

Shahin, M. Y. 2005. “Pavement Management for Airports, Roads, and Parking Lots”. Springer, New York.

Spiegelman, C. H., Park, E. S. and Rilett, L. R. 2011. “Transportation Statistics and Microsimulation”. Chapman and Hall/CRC Press, USA.

Wikipedia, 2015. “Asian Highway 1 (AH1)”. Wikipedia, the free encyclopedia. https://en.wikipedia.org/ wiki/AH1.

Wood, A. G., Mountain, L. J., Connors, R. D., Maher, M. J. and Ropkins, K. 2013. “Updating outdated predictive accident models”. Accid. Anal. Prev. 55: 54-66.

آمار
تعداد مشاهده مقاله: 3,334
تعداد دریافت فایل اصل مقاله: 1,905


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب