時代遅れの予測事故モデルを更新します

信頼できる予測事故モデル（PAM）（安全性能パフォーマンス関数（SPFS）とも呼ばれる）は、安全な道路ネットワークを設計および維持するために不可欠ですが、交通安全イニシアチブと組み合わせた道路および車両設計の継続的な変更は、これらのモデルが迅速に日付になる可能性があることを意味します。残念ながら、幅広い説明変数を含む洗練されたPAMの適合は些細なタスクではないため、利用可能なモデルは何年も前に収集されたデータに基づいている傾向があり、現在の事故の信頼できる推定値を提供する可能性は低いようです。新しいモデルを作成するための大規模で高価な研究は、せいぜい一時的な解決策にすぎない可能性があります。したがって、このホワイトペーパーでは、現在入手可能なPAMを更新して、あらゆる時点で事故頻度の公平な推定値を提供できるように、実用的で効率的な方法論を開発しようとしています。2つの主要な問題が検討されています。予測事故モデルの時間的移動性がモデルの複雑さによって変化する程度。2つの代替更新戦略の実用性と効率性。これらの問題を説明するために使用されるモデルは、英国の田舎のデュアルおよび単一の車道道路向けに開発されたモデルのスイートです。これらは、1980年代から1990年代初頭に収集されたデータに基づいているにもかかわらず、いくつかのソフトウェアパッケージで広く使用されています。モデルの複雑さの増加により、一時的な移動性が向上することは決してなく、スケール係数を使用したモデルのキャリブレーションは、新しいモデルを適合させるための実用的な代替手段になることがわかっています。

Reliable predictive accident models (PAMs) (also referred to as safety performance functions (SPFs)) are essential to design and maintain safe road networks however, ongoing changes in road and vehicle design coupled with road safety initiatives, mean that these models can quickly become dated. Unfortunately, because the fitting of sophisticated PAMs including a wide range of explanatory variables is not a trivial task, available models tend to be based on data collected many years ago and seem unlikely to give reliable estimates of current accidents. Large, expensive studies to produce new models are likely to be, at best, only a temporary solution. This paper thus seeks to develop a practical and efficient methodology to allow currently available PAMs to be updated to give unbiased estimates of accident frequencies at any point in time. Two principal issues are examined: the extent to which the temporal transferability of predictive accident models varies with model complexity; and the practicality and efficiency of two alternative updating strategies. The models used to illustrate these issues are the suites of models developed for rural dual and single carriageway roads in the UK. These are widely used in several software packages in spite of being based on data collected during the 1980s and early 1990s. It was found that increased model complexity by no means ensures better temporal transferability and that calibration of the models using a scale factor can be a practical alternative to fitting new models.