استفاده از مدلهاي اقتصادسنجي فضايي در پيشبيني نرخ تصادفات راه

Using Spatial Autoregressive Lag Model to Predict Crash Rates in Roads Segments (Maximum Likelihood Estimation)

پيش ً بيني تصادفات در قطعات راه عمدتا به كمك مدلهاي آماري انجام ميگيرد.مدلهاي معمول آماري مانند مدل دوجملهاي منفي داراي محدوديتهايي هستند، براي مثال در اين مدلها اثر متقابل نزديك بودن دو تقاطع خاص به يكديگر درنظر گرفته نميشود. به اين اثر رابطه فضايي بين دادههاي قطعات متوالي گفته ميشود.در اكثر مطالعات انجام شده وابستگي فضايي بين قطعات راه در نظر گرفته نشده است. در مواجهه با دادههاي مكاني، مدلهاي اتورگرسيو فضايي كه توانايي محاسبه وابستگي فضايي بين قطعات راه را دارند، ميتوانند جايگزين مدلها و روشهاي مرسوم آماري گردند .در واقع زماني كه دادهها داراي مشخصه مكاني هستند، ممكن است وابستگي فضايي بين مشاهدات وجود داشته باشد و بكارگيري شيوههاي مرسوم كه اين وابستگي را درنظر نميگيرند، نتايج تحليل را دچار خطا ميكند. اين مدلها توانايي محاسبه وابستگي فضايي و ناهمساني فضايي را دارند. در اين تحقيق پس از قطعهبندي راه و تخصيص تصادفات به هر قطعه، با تشكيل ماتريس وزن جهت محاسبه وابستگي فضايي قطعات به يكديگر به بررسي عملكرد مدلهاي اتورگرسيو فضايي معمولي، تاخير فضايي و خطاي فضايي پرداخته و پس از برآورد پارامترها با روش بيزي در نهايت با مقايسه اين مدلها از طريق دو معيار ارزيابي مدل با نام ملاك ارزيابي آكاييك و ملاك ارزيابي بيزي، بهترين مدل اتخاب شده است. در برآورد به روش بيزي مدل خطاي فضايي با مقدار AICو BIC به ترتيب برابر 274/0256و 279/9365به عنوان بهترين مدل در بين مدلهاي برآورد شده انتخاب گرديد و در هر دو مدلهاي خطاي فضايي و تاخير فضايي برازش بهتري نسبت به مدل رگرسيون خطي ساده به دست آمد. سپس به پيشبيني نرخ تصادفات در قطعات راه پرداخته و با مقايسه نرخ تصادفات واقعي و پيشبيني شده و استفاده از ملاك RMSEبهترين پيشبيني كننده انتخاب شده است كه با بررسي RMSEمدلهاي پيشبيني شده و مقادير واقعي در روش بيزي، مدل خطاي فضايي با مقدار RMSEبه ميزان 7/0697به عنوان بهترين مدل پيشبيني كننده نرخ تصادفات در اين تحقيق شناخته شد. نتايج اين تحقيق در رتبه بندي راه و اولويت بندي تخصيص بودجه و ايمن سازي قطعات تصادفخيز و تهيه نقشه پراكندگي احتمال تصادفات در قطعات راه، كاربرد خواهد داشت

Fatality is a common disorder characterized by car crashes. One of the most significant current discussions in transportation science is to find a precise method to predict car crashes in different areas such as road segments. The past decades has witnessed the rapid development of using statistical methods to predict accidents. These rapid changes have a serious effect on reduction of the number of fatalities in car crashes. However, far too little attention has been paid to the role of spatial dependence between roads segments. This paper compares spatial autoregressive methods for considering spatial dependence in accident rate prediction. This paper has been divided into 4 parts. The first part deals with collecting accident data along the road. The second part focused on dividing road into the same length segments. Qazvin- Zanjan freeway was considered for this research. The third part deals with accident rates calculation in each segment. The forth part of this study deals with using spatial autoregressive methods to predict the accident rates in each segment and comparison the results with the results of conventional regression models such as linear regression model. The results of this investigation show that spatial dependence consideration lead to improve the accident rate prediction models accuracy.