كاربرد تصميم‌گيري چند معياره در شناسايي نقاط پرحادثه: استفاده از روشهاي تحليل پوششي داده ها و تحليل همايي

The Application of Multi-Criteria Decision-Making Analysis to Identify Hot Spots: Data Envelopment Analysis and Concordance Analysis

شناسايي و رتبه‌بندي نقاط پرحادثه يا نقاط سياه در يك شبكه حمل و نقل گامي جدي و اساسي در برنامه بهبود ايمني ترافيك است. در مطالعه حاضراز دوروش تحليل پوششي دادهها و تحليل همايي به ‌عنوان يك روش جايگزين براي رتبه‌بندي و شناسايي نقاط پرحادثه بهره گرفته شده است.ايندو روش از زيرشاخه‌هاي تصميم‌گيريهاي چند معياره هستند. از ويژگيهاي بارز اين دو روش توانايي آنها در استفاده از عوامل و پارامترهاي مختلف موثر برتصادفات، با در نظر گرفتن شدت تصادفات در اولويت‌بندي نقاط مورد نظر شبكه است. مطالعه حاضربه بررسي نقاط پرحادثه شهر قزوين بر اساس دوروش يادشده اختصاص دارد. اين نقاط در روش تحليل پوششي داده‌ها،به عنوان واحدهاي تصميم‌سازي، و عوامل موثر بر تصادفات و تعداد انواع مختلف تصادفات به ترتيب به عنوان وروديها و خروجيهاي آن در نظر گرفته شدند. روش تحليل همايي نيز با استفاده از تركيبي از متغيرهاي موجود،و تعريف مجموعه‌هاي همايي و ناهمايي، وشاخصهاي همايي و ناهمايي به اولويت‌بندي نقاط پرحادثه مي‌پردازد. يكي از مزيتهاي اين دو روش چندمعياره بودن آن است، كه با الگوي شناسايي نقاط حادثه‌خيز انطباق بيشتري دارد. مزيت دوم (به ويژه در مورد تحليل پوششي داده‌‌ها) توجه به وروديهاي سيستم مورد نظر و محاسبه بازده آن است كه اساساً در بررسي نقاط حادثه‌خيز مورد توجه قرارنمي‌گيرد.بررسي اين دوروشنشان مي‌دهد كه به سبب بررسي عوامل موثر بر تصادفات به همراه شدت آنها، دقت شناسايي و اولويت‌بندينقاطحادثه‎خيزاز طريق اين دو روش بالاتر است، اگرچه به علت تفاوت در رويكردها، نتايج يكساني براي اين دو روش قابل انتظار نيست.

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 areconsidered 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 hotspot 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.