Detailergebnis zu DOK-Nr. 81166
Ein Clustering-Regressionsansatz zur Untersuchung der heterogenen Auswirkungen von Risikofaktoren im Zusammenhang mit der Unfallschwere bei jugendlichen Fahrerinnen und Fahrern (Orig. engl.: A clustering regression approach to explore the heterogeneous effects of risk factors associated with teen driver crash severity)
| Autoren |
M.M. Hossain H. Zhou X. Sun |
|---|---|
| Sachgebiete |
1.4 Statistik (Straßen, Kfz, Unfälle) 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 7, 2023, S. 1-21, 3 B, 9 T, zahlr. Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Jugendliche Fahrerinnen und Fahrer stellen nach wie vor eines der größten Sicherheitsprobleme im Straßenverkehr dar, da sie in den Statistiken über tödliche Unfälle und Unfälle mit Verletzten überrepräsentiert sind. In keiner der bisherigen Studien wurden signifikante Unterschiede in der Wirkung von Risikomerkmalen untersucht, die zu Kollisionen von Jugendlichen unter verschiedenen Unfallbedingungen und in Abhängigkeit vom Schweregrad des Unfalls beitragen. Daher wird erwartet, dass eine gründliche Untersuchung von Unfällen mit fahrenden Jugendlichen den strategischen Einsatz von Gegenmaßnahmen wirksam erleichtern wird. Ziel der Studie war es, Unfälle mit fahrenden Jugendlichen zu analysieren, um die heterogene Wirkung der beitragenden Faktoren auf die Ergebnisse der Unfallschwere zu untersuchen. Es wurden drei Jahre (2017-2019) polizeilich untersuchte Unfalldaten für den Bundesstaat Alabama verwendet. Bei dieser Untersuchung wurde zunächst latentes Klassenclustering angewandt, um die Heterogenität in dem extrahierten Datensatz zu minimieren, indem die Daten in sinnvolle Cluster (Untergruppen der Gesamtdaten) unterteilt wurden. Dann wurden multinomiale Logit-Modelle konstruiert, um die signifikanten Risikofaktoren zu veranschaulichen, die die Schwere der Unfallfolgen in verschiedenen Unfallszenarien beeinflussen. Es wurden marginale Effekte berechnet, um die Auswirkungen der Variablenkategorien besser zu verstehen. Die Ergebnisse deuten darauf hin, dass die Signifikanz und die geschätzte Auswirkung der Variablen innerhalb von Clustern und zwischen den Unfallschweregraden innerhalb desselben Clusters variieren. Die Ergebnisse der nach latenten Klassen segmentierten Teilmodelle stellten reale Unfallmuster dar, die die kumulative Wirkung variabler Merkmale aufzeigen. Ein solches kontextbezogenes Verständnis der zugrundeliegenden Risikofaktoren könnte dazu beitragen, bestehende Aufklärungsmaßnahmen für jugendliche Fahrer zu stärken. Darüber hinaus könnten die Ergebnisse der Studie Praktikern und politischen Entscheidungsträgern bei der Entwicklung von Strategien zur Verbesserung der Sicherheit helfen, um die mit Unfällen von jugendlichen Fahrern verbundenen Kausalitäten unter bestimmten Umständen zu reduzieren.