الحوادث المرورية بين مسؤولية الدولة والسائق دراسة إحصائية للحوادث السنوية على الطريق الساحلي بمدينة جنزور – ليبيا
DOI:
https://doi.org/10.65405/cmmygs45الكلمات المفتاحية:
الحوادث المرورية، الحوادث السنوية، السلامة المرورية، الطريق، السائق، المشاة، الظروف الجوية، المخالفات المرورية، جنزور، ليبياالملخص
تُعد الحوادث المرورية من أبرز المشكلات التي تواجه منظومة النقل، نظرًا لما تسببه من خسائر بشرية ومادية واقتصادية، ولتعدد العوامل المؤثرة في وقوعها. تهدف هذه الدراسة إلى تحليل الحوادث المرورية السنوية على الطريق الساحلي بمدينة جنزور – ليبيا، ودراسة العلاقة بين عدد الحوادث ومجموعة من العوامل المرتبطة بالطريق والسائق والمشاة والبيئة والظروف الجوية ورجل المرور والمخالفات المرورية.
اعتمدت الدراسة على بيانات سنوية للفترة 2012–2025، حيث تم اعتبار عدد الحوادث السنوية متغيرًا تابعًا Y، بينما تمثلت المتغيرات المستقلة في الطريق X1، والسائق X2، والمشاة X3، والبيئة والظروف الجوية X4، ورجل المرور والمخالفات المرورية . X5 استخدمت الدراسة عددًا من الأساليب الإحصائية، شملت التحليل الوصفي، ومصفوفة الارتباط، واختبار Phillips–Perron، واختبار Granger، ونموذج المربعات الصغرى العادية OLS ، إلى جانب الاختبارات التشخيصية.
أظهرت النتائج وجود علاقة ارتباط موجبة قوية جدًا بين X2 (السائق) وعدد الحوادث السنوية، حيث بلغ معامل الارتباط 0.9284 . كما أظهر نموذج OLS أن X2 هو المتغير الأكثر دلالة إحصائية، بمعامل بلغ 1.151507 وقيمة احتمالية .0.0001 وبلغ معامل التحديد للنموذج R2=0.898403، بينما بلغ معامل التحديد المعدل .0.853249 وأظهرت الاختبارات التشخيصية عدم وجود دليل إحصائي واضح على الارتباط الذاتي أو عدم ثبات التباين وفق الاختبارات المستخدمة. كما أظهر اختبار Granger عدم وجود دليل كافٍ على السببية الزمنية المباشرة عند عدد التأخيرات المستخدمة.
وتشير النتائج إلى أن عامل السائق يمثل العامل الأكثر وضوحًا من الناحية الإحصائية في البيانات المستخدمة، إلا أن ذلك لا يعني تحميل السائق وحده مسؤولية الحوادث؛ إذ أن السلامة المرورية منظومة متكاملة تشمل الطريق، والسائق، والمشاة، والظروف البيئية والجوية، ورجل المرور والمخالفات المرورية.
التنزيلات
المراجع
1. Bodalal, Z., Bendardaf, R., & Ambarek, M. (2012). A study of a decade of road traffic accidents in Benghazi–Libya: 2001 to 2010. PLoS ONE, 7(7), e40454. https://doi.org/10.1371/journal.pone.0040454
2. Al Feki, E. A., & Neji, J. (2024). Statistical modelling to assessing and enhancing road traffic safety in Tripoli, Libya: A systematic approach. Journal of Engineering Research, 12(4), 659–669. https://doi.org/10.1016/j.jer.2023.09.021
3. Papadimitriou, E., Filtness, A., Theofilatos, A., Ziakopoulos, A., Quigley, C., & Yannis, G. (2019). Review and ranking of crash risk factors related to the road infrastructure. Accident Analysis & Prevention, 125, 85–97. https://doi.org/10.1016/j.aap.2019.01.002
4. Theofilatos, A., & Yannis, G. (2013). The effect of traffic and road characteristics on road safety: A review and future research direction. Safety Science, 57, 264–275. https://doi.org/10.1016/j.ssci.2013.02.012
5. Becker, N., Rust, H. W., & Ulbrich, U. (2022). Weather impacts on various types of road crashes: A quantitative analysis using generalized additive models. European Transport Research Review, 14, 37. https://doi.org/10.1186/s12544-022-00561-2
6. Billot, R., El Faouzi, N.-E., & De Vuyst, F. (2009). Multilevel assessment of the impact of rain on drivers’ behavior: Standardized methodology and empirical analysis. Transportation Research Record, 2107(1), 117–125. https://doi.org/10.3141/2107-14
7. Ma, Z., Zhang, H., Chien, S. I.-J., Wang, J., & Dong, C. (2017). Predicting expressway crash frequency using a random effect negative binomial model: A case study in China. Accident Analysis & Prevention, 98, 214–222. https://doi.org/10.1016/j.aap.2016.10.012
8. Wang, W., Yang, Y., Yang, X., Gayah, V. V., Wang, Y., Tang, J., & Yuan, Z. (2024). A negative binomial Lindley approach considering spatiotemporal effects for modeling traffic crash frequency with excess zeros. Accident Analysis & Prevention, 207, 107741. https://doi.org/10.1016/j.aap.2024.107741
