بررسی تأثیر ترافیک کامیون بر نسبت تصادفات شدید مبتنی بر قطعه جاده با استفاده از داده‌های گسترده وزن در حال حرکت

بررسی تأثیر ترافیک کامیون بر نسبت تصادفات شدید مبتنی بر قطعه جاده با استفاده از داده‌های گسترده وزن در حال حرکت

فرض نسبت‌های ثابت بر اساس شدت در کتابچه راهنمای ایمنی بزرگراه‌ها می‌تواند نقض شود، زیرا نسبت تصادفات شدید احتمالاً تحت تأثیر ویژگی‌های ترافیک کامیون‌ها قرار می‌گیرد. مطالعات قبلی اغلب از نسبت کامیون‌ها به عنوان شاخص کلیدی ترافیک کامیون‌ها استفاده می‌کردند. با این حال، کامیون‌های مختلف را صرف نظر از وزن واقعی آنها یکسان در نظر می‌گرفتند. بنابراین، این مقاله با هدف بررسی تأثیر ویژگی‌های ترافیک کامیون‌ها، به ویژه وزن واقعی، بر نسبت تصادفات شدید در بخش‌های جاده‌ای ضمن کنترل سایر عوامل مؤثر، انجام شد. داده‌های گسترده توزین در حال حرکت (WIM) از ۸۸ ایستگاه WIM پنج ساله (۲۰۱۱-۲۰۱۵) در نیوجرسی برای ثبت اطلاعات دقیق وزن خودرو و سایر ویژگی‌های مرتبط با ترافیک کامیون‌ها استفاده شد. ویژگی‌های جاده، حجم ترافیک و داده‌های تصادف نیز برای بخش‌های جاده جمع‌آوری و تجمیع شدند. برای در نظر گرفتن ماهیت محدود نسبت مرگ و میر و جراحات (FIP)، مدل‌های رگرسیون کسری یک قسمتی و دو قسمتی (FRM) توسعه داده شدند و توابع پیوند بر اساس آزمون‌های آماری مربوطه به طور مناسب انتخاب شدند. نتایج نشان می‌دهد که میانگین وزن وسیله نقلیه با FIP بخش‌های جاده‌ای غیر صفر-FIP ارتباط معنادار و مثبتی دارد، در حالی که سایر عوامل مؤثر کنترل می‌شوند. برای بخش جاده‌ای با FIP غیر صفر، اگر میانگین وزن وسیله نقلیه به میزان ۱ kip افزایش یابد، FIP کل تصادف، FIP تصادف تک وسیله نقلیه و FIP تصادف چند وسیله نقلیه برای بخش جاده‌ای با FIP غیر صفر به ترتیب ۳.۳٪، ۳.۴٪ و ۲.۲٪ افزایش می‌یابد. این مطالعه با ایجاد ارتباط بین وزن واقعی وسیله نقلیه اندازه‌گیری شده در جریان ترافیک و شدت تصادف بخش جاده، به ادبیات موضوع کمک می‌کند.

مقدمه

حمل و نقل کامیون برای رشد اقتصادی ضروری است، اما تصادفات مربوط به کامیون عواقب جدی برای جامعه به همراه دارد. تصادفات مربوط به کامیون‌های بزرگ، که به عنوان کامیون‌هایی با وزن ناخالص خودرو (GVWR) >10000 پوند تعریف می‌شوند، توجه زیادی را از سوی مؤسسات تحقیقاتی و دولت‌ها به خود جلب کرده‌اند. اداره ایمنی حمل و نقل موتوری فدرال (FMCSA) گزارش سالانه‌ای با عنوان «آمار تصادفات کامیون‌ها و اتوبوس‌های بزرگ» (LTBCF) منتشر کرده است تا روند تصادفات مربوط به کامیون‌های بزرگ را به طور مداوم ردیابی کند. آخرین نسخه، LTBCF 2019، نشان می‌دهد که از سال 2016 تا 2019، سه نرخ، یعنی تصادفات مرگبار مربوط به کامیون‌های بزرگ به ازای هر 100 میلیون مایل سفر وسیله نقلیه (VMT)، تصادفات مرگبار کامیون‌های بزرگ به ازای هر 100 میلیون مایل سفر، و مرگ و میر در تصادفات کامیون‌های بزرگ به ازای هر 100 میلیون مایل سفر، همگی در حال افزایش بوده‌اند (FMCSA، 2021). به طور خاص، در سال ۲۰۱۹، ۱۱۸۰۰۰ کامیون بزرگ در تصادفات منجر به جرح در ایالات متحده دخیل بوده‌اند که نسبت به سال ۲۰۱۸، ۵٪ افزایش داشته است و در میان آنها، ۵۰۰۵ کامیون بزرگ در تصادفات منجر به فوت دخیل بوده‌اند که نسبت به سال ۲۰۱۸، ۲٪ افزایش و نسبت به سال ۲۰۱۰، ۴۳٪ افزایش داشته است (شورای ملی ایمنی، ۲۰۲۱).

در مقایسه با وسایل نقلیه مسافربری، کامیون‌ها با اندازه بزرگتر، وزن سنگین‌تر که الزامات عرض خط بزرگتر، فاصله توقف بیشتر، احتمال بیشتر خرابی ترمز، شعاع چرخش بزرگتر، نقاط کور بیشتر و غیره را ایجاد می‌کند، مشخص می‌شوند و رانندگی ایمن با آنها را دشوارتر می‌کنند (بهنود و منرینگ، ۲۰۱۹). هنگامی که کامیون‌های سنگین‌تر حرکت می‌کنند، در صورت وقوع تصادف می‌توانند انرژی جنبشی و آزادسازی انرژی بیشتری داشته باشند (وانگ و همکاران، ۲۰۲۱ب) و احتمال آسیب شدید یا تصادفات مرگبار با کامیون‌های بزرگ بیشتر است (فانیو و همکاران، ۲۰۲۱). در سال ۲۰۱۹، در مقایسه با یک وسیله نقلیه مسافربری، که به عنوان ماشین یا کامیون سبک تعریف می‌شود (شامل وانت، ون و وسایل نقلیه شاسی بلند)، تعداد تصادفات مرگبار با کامیون‌های بزرگ به ازای هر ۱۰۰ میلیون VMT، ۵۲٪ بیشتر بود. تعداد تلفات در تصادفات کامیون‌های بزرگ به ازای هر ۱۰۰ میلیون VMT، ۵۶٪ بیشتر بود (FMCSA، ۲۰۲۱). این نشان می‌دهد که کامیون‌های بزرگ در مقایسه با وسایل نقلیه سواری، هنگام حرکت در یک مسیر VMT یکسان، احتمال بیشتری دارد که در تصادفات منجر به فوت دخیل باشند و تلفات بیشتری ایجاد کنند.

تأثیر ترافیک کامیون‌ها بر شدت تصادف نباید نادیده گرفته شود، اما در عمل به طور مناسب اعمال نشده است. کتابچه راهنمای ایمنی بزرگراه‌ها (HSM)، که توسط انجمن مقامات حمل و نقل بزرگراه‌های ایالتی آمریکا (AASHTO) منتشر شده است، اطلاعات و روش‌هایی را برای ارزیابی کمی عملکرد ایمنی ترافیک در جاده‌ها ارائه می‌دهد (FHWA، 2021b). این کتابچه یک رویکرد کاربرپسند برای محاسبه میانگین مورد انتظار فراوانی تصادف بر اساس شدت تصادف برای یک نوع خاص از تأسیسات جاده‌ای ارائه می‌دهد. این روش از تابع عملکرد ایمنی و عوامل اصلاح تصادف استفاده می‌کند و به طور متوالی از عوامل کالیبراسیون برای محاسبه میانگین مورد انتظار کل فراوانی تصادف استفاده می‌کند. HSM همچنین نسبت‌های پیش‌فرض بر اساس سطوح شدت تصادف را برای انواع مختلف تأسیسات جاده‌ای بر اساس داده‌های سیستم اطلاعات ایمنی بزرگراه‌ها (HSIS) از برخی ایالت‌ها (مانند واشنگتن 2002-2006، کالیفرنیا 2002-2006) ارائه کرده است (AASHTO، 2010). نسبت‌های پیش‌فرض بر اساس سطوح شدت تصادف ایستا بودند و هیچ تفاوتی بین دو بخش جاده‌ای با ترافیک کامیون کاملاً متفاوت وجود نداشت. مطالعه تأثیر ترافیک کامیون‌ها بر نسبت‌ها بر اساس سطوح شدت، برای ارتقای روش‌های پیش‌بینی معرفی‌شده توسط HSM حیاتی است.

با این حال، تا به امروز، اکثر مطالعات ایمنی مربوط به کامیون و شدت تصادف، مبتنی بر تصادف بوده‌اند و با هدف بررسی یا کمی‌سازی اثرات عوامل مؤثر بر شدت تصادف مربوط به کامیون انجام شده‌اند. این مطالعات عموماً از شدت تصادف ترتیبی یا اسمی (یعنی بدون ترتیب) به عنوان متغیر پاسخ و سایر عوامل استخراج شده برای هر رکورد تصادف به عنوان متغیرهای مستقل استفاده کرده‌اند. به عنوان مثال، اطلاعات آب و هوا، ویژگی‌های جاده مانند محدودیت سرعت، انحنا، میانگین ترافیک روزانه سالانه (AADT) با توجه به زمان و مکان وقوع تصادف با هر رکورد تصادف مطابقت داده شدند. تعداد کمی از مطالعات مبتنی بر امکانات (مانند بخش‌های جاده و تقاطع‌ها) بودند (وانگ و همکاران، 2021؛ یاسمین و همکاران، 2016) و از نسبت‌های تصادف بر اساس شدت به عنوان متغیرهای پاسخ استفاده کردند، اما تعداد کمی از آنها تأثیر ترافیک کامیون را بررسی کردند.

علاوه بر این، یکی از ویژگی‌های حیاتی کامیون، یعنی وزن کامیون، به طور کامل، به ویژه در مطالعات مبتنی بر امکانات، بررسی نشده است. این سوال – آیا بخش‌های جاده‌ای با کامیون‌های سنگین‌تر، معمولاً با نسبت تصادف شدیدتری مواجه می‌شوند – به درستی پاسخ داده نشده است. اگرچه تأثیر وزن کامیون بر شدت آسیب در مطالعات قبلی توجه قابل توجهی را به خود جلب کرده است، اما اکثر مطالعات از مجموعه داده‌های مبتنی بر تصادف برای مطالعه تأثیر وزن کامیون بر تصادفات مربوط به کامیون استفاده کرده‌اند. در این مطالعات، متغیرهای وزن کامیون معمولاً وزن ناخالص (ایرانیتالاب و همکاران، 2020)، رتبه‌بندی وزن ناخالص خودرو (ژنگ و همکاران، 2018)، وزن ثبت شده کامیون (زو و همکاران، 2017) کامیون‌های مربوط به تصادف بودند. این متغیرهای وزن کامیون پس از تصادف فقط پس از وقوع تصادفات قابل مشاهده هستند و نمی‌توان از آنها در چارچوب پیش‌بینی تصادف HSM استفاده کرد. برخی مطالعات از نسبت کامیون به عنوان شاخص کلیدی ترافیک کامیون در مدل‌های پیش‌بینی استفاده کرده‌اند (شی و همکاران، 2019، ژانگ و همکاران، 2019). با این حال، نسبت کامیون‌ها برای کامیون‌های مختلف، مانند کامیون‌های سبک، کامیون‌های خالی و کامیون‌های سنگین بزرگ بارگیری شده، صرف نظر از وزن واقعی آنها یکسان است. برای پر کردن این شکاف، داده‌های وزن در حال حرکت (WIM) می‌تواند منبع ارزشمندی برای کسب اطلاعات ترافیکی در سطح قطعه جاده، از جمله وزن دقیق کامیون باشد.

این مطالعه با بررسی تأثیر ترافیک کامیون‌ها، به ویژه وزن واقعی بر نسبت تصادفات شدید تحت چارچوب روش پیش‌بینی ارائه شده توسط HSM با استفاده از داده‌های گسترده WIM، به دنبال کمک به ادبیات موضوع بود. داده‌های WIM پنج ساله از ۸۸ ایستگاه WIM در نیوجرسی، که تا آنجا که ما می‌دانیم گسترده‌ترین تحقیقات ایمنی جاده‌ای در مورد داده‌های WIM است، برای به دست آوردن اطلاعات خاص ترافیک کامیون‌ها مانند وزن کامیون، حجم کامیون بر اساس طبقه‌بندی و غیره استفاده شد. واحد تحلیل، بخش جاده همگن (AASHTO، ۲۰۱۰) بود که به بخشی از جاده یا بزرگراه اشاره دارد که دارای ویژگی‌های ثابتی (مانند تعداد خطوط، عرض خط، حجم و ترکیب ترافیک، محدودیت سرعت و غیره) در طول خود است. بخش‌های جاده همگن با ایستگاه‌های WIM فیلتر شده و به عنوان نمونه استفاده شدند. سپس، داده‌های ویژگی‌های جاده، داده‌های حجم ترافیک، داده‌های تصادف برای هر بخش جاده استخراج و تجمیع شدند. نسبت تلفات و جراحات (FIP)، که به عنوان درصد تصادفات منجر به مرگ و جراحات در کل تصادفات تعریف می‌شود، بر اساس داده‌های تصادف محاسبه و به عنوان متغیر پاسخ استفاده شد. در نهایت، روابط بین FIP و متغیرهای مستقل با ایجاد مدل‌های رگرسیون کسری (FRM) بررسی شد. در این مطالعه، ما مدل‌های رگرسیون کسری (FRM) را به دلیل عملکرد برتر آنها نسبت به رگرسیون خطی سنتی انتخاب کردیم. FRMها به طور دقیق نسبت‌ها و نرخ‌ها را مدیریت می‌کنند، پیش‌بینی‌های معناداری را در بازه [0،1] تضمین می‌کنند، پراکندگی بیش از حد در داده‌های شمارش تصادف را در نظر می‌گیرند و قابلیت تفسیر واضحی را ارائه می‌دهند، ویژگی‌ای که اغلب در مدل‌های یادگیری ماشین “جعبه سیاه” وجود ندارد.

ادامه مقاله به شرح زیر سازماندهی شده است. بخش بعدی به طور خلاصه به بررسی ادبیات فعلی در مورد تأثیر ترافیک کامیون بر شدت تصادف می‌پردازد. بخش‌های بعدی داده‌ها و رویکردهای روش‌شناختی مورد استفاده در مطالعه را معرفی می‌کنند. سپس مقاله نتایج را با استفاده از روش پیشنهادی ارائه می‌دهد و تأثیرات ترافیک کامیون و سایر عوامل بر FIP را مورد بحث قرار می‌دهد. در نهایت، نتیجه‌گیری از مطالعه ارائه شده و تحقیقات آینده مورد بحث قرار می‌گیرد.(منبع).