كليدواژه :
ايمني , موتورسيكلت , شبكه عصبي , جنگل تصادفي , تصادفات
چكيده فارسي :
زمينه و هدف: موتورسيكلت‌سواران به دليل عدم محافظت در صحنه تصادف و نيز در معرض ديد كمتر بودن نسبت به ساير وسايل‌نقليه، دچار آسيب‌هاي شديدتري مي شوند. هدف اصلي اين مطالعه، شناخت عوامل مؤثر بر ايمني موتورسيكلت سواران است.
روش: از شبكه عصبي، جنگل تصادفي و تحليل‌هاي آماري (مقايسه ميانگين شدت تصادفات در متغيرها) در اينجا استفاده شده است. دو مجموعه داده، شامل تصادفات ثبت شده توسط پليس در تهران و داده‌هاي جمع‌آوري شده از موتورسواران شهر تهران با استفاده از مصاحبه ميداني به كار رفته است.
يافته‌ها: با افزايش فراواني تجاوز از سرعت مجاز، عبور از چراغ قرمز، استفاده از تلفن همراه، انجام حركت‌هاي نمايشي، عدم استفاده از كلاه ايمني و عبور از پياده‌رو، شدت تصادفات افزايش مي‌يابد. اما با بهبود وضعيت سلامتي فرد و ظاهر فني موتور شدت تصادفات كاهش خواهد يافت. در بين مناطق شهر تهران، منطقه 6 داراي بيشترين فراواني تصادف بوده است. مدل شبكه عصبي مصنوعي قادر است تا دسته‌بندي فوتي را با دقت 24 درصد، جرحي 76 درصد و خسارتي 51 درصد پيش‌بيني نمايد. همچنين در مدل جنگل تصادفي دقت پيش‌بيني شدت تصادفات در دسته‌بندي فوتي 53 درصد، جرحي 69 درصد و خسارتي 32 درصد است.
نتيجه گيري: تخلفات موتورسيكلت سواران يكي از دلايل عمده افزايش شدت تصادفات آنها بوده و در رابطه با نحوه رسيدگي به تخلفات حادثه ساز اين گروه از كاربران بايستي جريمه هاي بازدارنده طراحي شود. با توجه به اهميت سلامت فرد و سالم بودن وضعيت موتورسيكلت لازم است تا نسبت به كنترل آنها در زمان دريافت گواهينامه و بازه هاي زماني مشخص پس از دريافت گواهينامه اقدام شود. بالا بودن نرخ جذب و توليد سفر در منطقه 6 شهر تهران موجب شده تا ميزان تصادفات اين منطقه نيز بالا باشد.
چكيده لاتين :
Background and Aim: Motorcyclists due to lack of protection at the scene of the crash and also being less exposed in the eyesight of other vehicles are more vulnerable for sever crashes. The main purpose of this study, is to identify the factors affecting the severity of motorcycle crashes.
Method: Neural network, random forest and statistical analysis (comparison of the average severity of accidents in variables) have been used in this paper. To conduct this research, two series of data (accident data and behavioral data collected from motorcyclists in Tehran based on field interview) have been used.
Findings : The severity of crashes increases with the rise of the frequency of speeding, passing red lights, using mobile phones, performing dangerous movements, not usign helmet and crossing the pedestrain pathway. However, with the increase in the health status of motorcyclists and the technical appearance of the motorcycle the severity of accidents will decrease. Among the districts of Tehran, district 6 had the highest frequency of crahses. Neural network model, is able to predict fatalities, injuries and propoerty damage crashes with 24, 76 and 51 percent accuracy. Furthermore, in the random forest model, the accuracy of predicting fatal, injury and property damage crashes are 53, 69 and 32 percent.
Results : It indicate that the traffic violations of the motorcyclists are the main reasons for crash severities. Thus, it is necessary to have an overlook about performing more restrict traffic fines for this group. In addition, becasuse of the importance of the individual health condition and technical appearance of the motorcycle it is necessary to determine rules for controling them with issuing cycling licence and other intervals after that. Finally, the high rate of motorcycle crashes in the district of 6 in Tehran can be related to high capacity rate of transit in the zone.
