MÉTODO PROBABILÍSTICO PARA IDENTIFICAÇÃO DE ZONAS DE ACUMULAÇÃO DE ACIDENTES

Autores

  • Sara Ferreira Faculdade de Engenharia da Universidade do Porto
  • António Couto Faculdade de Engenharia da Universidade do Porto

DOI:

https://doi.org/10.4237/transportes.v21i3.683

Resumo

Neste trabalho apresenta-se um novo método de definição e identificação de zonas de acumulação (ZAA) de acidentes considerando um modelo de regressão binário. Este modelo permite calcular a probabilidade de um local ser ou não ZAA tendo em conta as características geométricas e funcionais do mesmo. Este novo método foi aplicado ao caso das interseções tendo-se, para tal, gerado uma base de dados fictícia considerando as características da sinistralidade e das interseções da cidade do Porto. Através da simulação de dados é possível conhecer a priori as “verdadeiras” ZAA. O desempenho do método foi analisado com base nos erros resultantes da classificação dos locais em ZAA ou não-ZAA, e comparado com dois dos métodos mais aplicados e analisados – o método de ranking pelo número de acidentes e o método Bayesiano-empírico. Desta análise verificou-se que o método binário proposto tem claramente melhor desempenho.

Downloads

Não há dados estatísticos.

Referências

AASHTO (2010) Highway Safety Manual. American Association of State Highway and Transportation Officials, Washington DC.

ISBN: 978-1-56051-477-0

Cafiso, S. e Silvestro, G. D. (2011) Performance of Safety Indicators in Identification of Black Spots on Two-Lane Rural Roads Transportation Research Record: Journal of the Transportation Research Board, 2237, 78-87.

DOI: 10.3141/2237-09

Cardoso, J. L. (1998) Definição e detecção de zonas de acumulação de acidentes. Segurança Rodoviária - Avaliação e Redução da Sinistralidade, LNEC, Lisboa, 131-133.

Carlin, B. e Louis, T. (2000) Bayes and Empirical Bayes Methods for Data Analysis. Chapman and Hall, London.

ISBN: 1439840954

Cheng, W. e Washington, S. (2008) New Criteria for Evaluating Methods of Identifying Hot Spots. Transportation Research Record: Journal of the Transportation Research Board, 2083, 76-85.

DOI: 10.3141/2083-09

Cheng, W. e Washington, S. P. (2005) Experimental evaluation of hotspot identification methods. Accident Analysis & Prevention, 37, 870-881.

DOI: 10.1016/j.aap.2005.04.015

Elvik, R. (2008) Comparative Analysis of Techniques for Identifying Locations of Hazardous Roads. Transportation Research Record: Journal of the Transportation Research Board, 2083, 72-75.

DOI: 10.3141/2083-08

Ferreira, S. (2010) A Segurança Rodoviária no processo de planeamento de redes de transportes. Ph.D. dissertation, University of Porto.

Fridstrom, L., Ifver, J., Ingebrigtsen, S., Kulmala, R. e Thomsen, L. K. (1995) Measuring the contribution of randomness, exposure, weather and dayligth to the variation in road accident counts. Accident Analysis and Prevention, 27, 1-20.

DOI: 10.1016/0001-4575(94)E0023-E

Geedipally, S. R. e Lord, D. (2010) Identifying Hot Spots by Modeling Single-Vehicle and Multivehicle Crashes Separately Transportation Research Record: Journal of the Transportation Research Board, 2147, 97-104.

DOI: 10.3141/2147-12

Greene, W. H. (2008) Econometric Analysis. Sixth Edition. Pearson International Edition, New Jersey.

ISBN-13:978-0-13-513740-6; ISBN-10:0-13-513740-3

Greibe, P. (2003) Accident prediction models for urban roads. Accident Analysis and Prevention, 35, 273-285. DOI: 10.1016/S0001-4575(02)00005-2

Huang, H. e Haque, H. C. C. M. M. (2009) Empirical Evaluation of Alternative Approaches in Identifying Crash Hot Spots. Naive Ranking, Empirical Bayes, and Full Bayes Methods. Transportation Research Record: Journal of the Transportation Research Board, 2103, 32-41.

DOI: 10.3141/2103-05

Lan, B. e Persaud, B. (2011) Fully Bayesian Approach to Investigate and Evaluate Ranking Criteria for BlackSpot Identification. Transportation Research Record: Journal of the Transportation Research Board, 2237, 117-125.

DOI: 10.3141/2237-13

Lord, D. (2000) The prediction of accidents on digital networks: characteristics and issues related to the application of accident prediction models. Ph.D. dissertation, University of Toronto. http://hdl.handle.net/1807/14514

Lord, D. (2006) Modeling motor vehicle crashes using Poisson-gamma models: examining the effects of low sample mean values and small sample size on the estimation of the fixed dispersion parameter. Accident Analysis and Prevention, 38, 751-766.

DOI: 10.1016/j.aap.2006.02.001

Lord, D. e Persaud, B. N. (2004) Estimating the safety performance of urban road transportation networks. Accident Analysis and Prevention, 36, 609-620.

DOI: 10.1016/S0001-4575(03)00069-1

Miranda-Moreno, L. F., Fu, L., Saccomanno, F. F. e Labbe, A. (2005) Alternative Risk Models for Ranking Locations for Safety Improvement. Transportation Research Record: Journal of the Transportation Research Board, 1908, 1-8.

DOI: 10.3141/1908-01

Montella, A. (2010) A comparative analysis of hotspot identification methods. Accident Analysis and Prevention, 42, 571-581.

DOI: 10.1016/j.aap.2009.09.025

OCDE (1997) Road safety principles and models: review of descriptive, predictive, risk and accident consequence models.Organisation for Economic Co-operation and Development, Paris. http://www.oecd.org/sti/transport/roadtransportresearch/2103285.pdf

Schluter, P. J., Deely, J. J. e Nicholson, A. J. (1997) Ranking and selecting motor vehicle accident sites by using a hierarchical Bayesian model. The Statistician, 46, 293-316.

DOI: 10.1111/1467-9884.00084

Downloads

Publicado

14-11-2013

Como Citar

Ferreira, S., & Couto, A. (2013). MÉTODO PROBABILÍSTICO PARA IDENTIFICAÇÃO DE ZONAS DE ACUMULAÇÃO DE ACIDENTES. TRANSPORTES, 21(3), 48–55. https://doi.org/10.4237/transportes.v21i3.683

Edição

Seção

Artigos