تعيين عوامل مرتبط با تعداد تصادفات بر حسب شدت با استفاده از رگرسيون پواسون- لگ نرمال چند متغيره بيزي

Factors Determining the Number of Accidents According to Severity Using Bayesian Multivariate Log-Normal Poisson Regression

مقدمه: برازش مدل‌هاي تك متغيره در بسياري از تحقيق‌هاي گذشته براي تحليل داده‌هاي تصادف به كار رفته است. با توجه به آن كه متغير شدت در اين مطالعه‌ها مي‏تواند بيش از يك سطح باشد، از اين رو در اين مقاله مدل پواسون- لگ نرمال چند‏ متغيره براي مدل‏سازي تعداد تصادفات بر حسب شدت استفاده شد. اگرچه براي مقايسه از مدل‌هاي تك متغيره نيز استفاده شد. روش‌ها: استنباط آماري پارامترهاي مدل توسط رهيافت بيز و استفاده از روش نمونه‌گيري گيبز و الگوريتم متروپليس- هستينگز انجام شد. داده‏هاي تصادف مربوط به تقاطع‏هاي شهر اصفهان بود. يافته‌ها: اثر حجم كل ترافيك بر تصادفات خسارتي در تمامي مدل‌ها معني‌دار به دست آمد، اما اثر حجم كل ترافيك چپگردها بر تصادفات جراحتي و فوتي تنها در مدل پواسون تك متغيره معني‌دار شد. بنابراين با فرض ثابت نگه‌داشتن بقيه متغيرهاي توضيحي، انتظار مي‏رود كه افزايش حجم كل ترافيك باعث افزايش تصادفات خسارتي شود. همچنين افزايش حجم كل ترافيك چپگردها نيز باعث افزايش تصادفات جراحتي و فوتي در تقاطع‏ها مي‏شود. به طور دقيق‌تر بر اساس مدل پواسون- لگ نرمال چند متغيره، افزايش 1000 وسيله نقليه در متوسط حجم كل ترافيك باعث افزايش 31 درصدي تصادفات خسارتي مي‏شود. بنابراين با كاهش حجم كل ترافيك، كاهش هزينه تصادفات در دراز مدت پيش‌بيني مي‏شود كه بسيار مقرون به صرفه مي‌باشد. نتيجه‌گيري: با وجود بيش‌پراكنش در دو سطح شدت و وجود همبستگي بين اين دو سطح، مدل پواسون- لگ نرمال چند متغيره برازش بهتري را نسبت به بقيه مدل‌ها ارايه مي‌‌دهد.

Introduction: Univariate models have been used to analyse crash data in previous studies. With regards to the severity variable in these researches that can be more than one level, in the present study multivariate Poisson-log normal model has been recommended to model crash count by severity, although it has been also used to compare the univariate models. Methods: The statistical inference of model parameters was conducted by Bayesian method, via a Gibbs Sampler and the Metropolis-Hastings (M-H) algorithms. The crash data were related to the intersections of Isfahan, Iran. Results: Despite over-dispersion at two levels of severity and correlation among these two levels, the multivariate Poisson-lognormal model offers a better fit than other models. Also the effect of the total AADT (average annual daily traffic) on the property was significant in all of the models. But the effect of total left turn AADT on injuries and fatalities was significant just in the univariate Poisson model. Under multivariate Poisson-lognormal model, an increase of 1000 vehicles in average total AADT was predicted to result in 31% more property damage. Discussion: Reducing the total volume of traffic in the cost of accidents reduction was predicted to be very affordable in long term.