Despite paying special attention to the motorcycle-involved crashes in the safety research, little is known about their pattern and impacts in developing countries. The widespread adoption of motorcycles in such regions in tandem with the vulnerability of motorcyclists exacerbates the likelihood of severe crashes. The main objective of this paper is to investigate the underlying factors contributing to the severity of motorcycle-involved crashes through employing crash data from March 2018 to March 2019 from Iran. Considering the ordinal nature of three injury classes of property-damage-only (PDO), injury, and fatal crashes in our data, an ordered logistic regression model is employed to address the problem. The data statistics suggest that motorcycle is responsible for 38% of injury and 15% of all fatal crashes in the dataset. The results indicate that significant factors contributing to more severe crashes include collision, road, temporal, and motorcycle rider characteristics. Among all attributes, our model is most sensitive to the motorcycle-pedestrian accident, which increases the probability of belonging a crash into injury and fatal crashes by 0.289 and 0.019, respectively. Moreover, we discovered a significant degree of correlation between young riders and riders without a license. Finally, upon the insights obtained from the results, we propose safety countermeasures, including 1) strict traffic rule enforcement upon riders and pedestrians, 2) educational programs, and 3) road-specific adjustment policies.


翻译:尽管在安全研究中特别关注摩托车撞车问题,但发展中国家对其模式和影响知之甚少。在这类区域广泛采用摩托车,加上摩托车司机的脆弱性,加剧了严重撞车的可能性。本文件的主要目的是调查2018年3月至2019年3月伊朗使用坠车数据造成摩托车撞车事件严重性的根本因素。考虑到从2018年3月至2019年3月从伊朗使用坠车数据导致摩托车撞车事件严重性的三个伤害类别(只有财产损失、伤害和致命撞车事故)的正常性质,我们的数据中采用了一个有秩序的后勤回归模型来解决这个问题。数据统计表明,摩托车造成38%的伤害和所有死亡撞车事故的15%是摩托车造成的。结果显示,促成更严重撞车的重大因素包括碰撞、道路、时间和摩托车骑车者特点。在所有属性中,我们的模型对摩托车触车事故最为敏感,这增加了事故在0.289和0.019之间发生车祸和致命撞车事故的可能性。此外,我们还发现年轻骑车者与没有执照的驾驶者之间有很大程度的关联。数据统计表明,包括严格的交通政策,最后提出了从安全角度分析方案,从第3条和交通分析,我们建议了安全原则。

0
下载
关闭预览

相关内容

【图神经网络导论】Intro to Graph Neural Networks,176页ppt
专知会员服务
125+阅读 · 2021年6月4日
元强化学习综述及前沿进展
专知会员服务
61+阅读 · 2021年1月31日
专知会员服务
39+阅读 · 2020年9月6日
元学习与图神经网络逻辑推导,55页ppt
专知会员服务
128+阅读 · 2020年4月25日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年12月7日
Arxiv
0+阅读 · 2021年12月6日
Arxiv
0+阅读 · 2021年12月5日
Arxiv
0+阅读 · 2021年10月15日
VIP会员
相关VIP内容
【图神经网络导论】Intro to Graph Neural Networks,176页ppt
专知会员服务
125+阅读 · 2021年6月4日
元强化学习综述及前沿进展
专知会员服务
61+阅读 · 2021年1月31日
专知会员服务
39+阅读 · 2020年9月6日
元学习与图神经网络逻辑推导,55页ppt
专知会员服务
128+阅读 · 2020年4月25日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员