- Des chercheurs de l’Université de Grenade ont créé un système qui permet de réaliser une analyse beaucoup plus précise de la sévérité des accidents. Les résultats de ce travail ont été publiés dans le dernier numéro de la revue Accident Analysis & Prevention.
Des chercheurs de l’Université de Grenade ont créé un système qui permet de réaliser une analyse exhaustive de toutes les causes possibles qui influent sur la gravité d’un accident de la route. Leur travail, basé sur deux techniques d’extraction de données (Analyse de Clases Latentes et Réseaux Bayésiens), permet de réaliser une analyse des accidents de la route d’une façon beaucoup plus précise et, de plus, de montrer des rapports déterminés entre les variables qui ne pourraient pas être identifiées avec les méthodes traditionnelles.
L’auteur principal de ce travail, publié dans le dernier numéro de la revue Accident Analysis & Prevention, est le professeur Juan de Oña López, responsable du Groupe de Recherche Transport et Sécurité (TRYSE), du département d’Ingénierie Civile de l’Université de Grenade. Il souligne que « les accidents de la route sont des incidents éventuels dont l’analyse requiert la connaissance des particularités qui les définissent. Un des principaux problèmes des chercheurs lorsqu’ils analysent les données des accidents de la route est leur hétérogénéité, de sorte que si lors d’une analyse ils ne tiennent pas compte de certains rapports existant entre les variables, celles-ci peuvent rester cachées. »
Analyse de 3229 accidents
Afin de réaliser cette recherche, on a analysé 3229 accidents produits sur les routes à deux voies (une par sens) de la province de Grenade entre les années 2004 et 2008, avec jusqu’à trois véhicules impliqués dans l’accident. Pour décrire chaque accident, les chercheurs ont utilisé un total de 18 variables en rapport avec les caractéristiques de la route, l’accident, l’environnement et le propre conducteur.
Les résultats montrent que l’Analyse de Classes Latentes permet de segmenter les accidents en quatre « clusters » ou groupes différents, en fonction de la typologie de l’accident, du nombre de véhicules impliqués, des occupants des véhicules, de la dimension de l’accotement et du revêtement du même. La principale différence dans l’identification des « clusters » est la typologie de l’accident : deux clusters font référence aux collisions tandis que deux autres le font aux sorties des voies et à la présence de bas-côté avec revêtement.
Sur la base de données originale (BDO), ainsi que sur chacun des « clusters » définis, les chercheurs de l’UGR ont identifié les variables qui concernent la sévérité de l’accident. Les résultats montrent que dans tous les cas (BDO et quatre clusters), il existe un rapport direct entre la sévérité de l’accident et les suivantes variables : mois, heure, nombre de blessés, type d’accident, cause, âge, sexe, largeur de la chaussée, type d’accotement, marques routières et visibilité. De plus, viennent des rapports spécifiques dans les « clusters » qui n’apparaissent pas quand on utilise uniquement la base de données originale, comme le rapport direct entre la sévérité et les conditions atmosphériques, la présence de l’accotement avec revêtement et le nombre de véhicules impliqués dans l’accident.
Référence bibliographique:
Analysis of traffic accidents on rural highways using Latent Class Clustering and Bayesian Networks.
Juan de Oña, Griselda López, Randa Mujalli, Francisco J. Calvo
TRYSE Research Group, Department of Civil Engineering, University of Granada, ETSI Caminos, Canales y Puertos.
Accident Analysis & PreventionVolume 51, March 2013, Pages 1–10
L’article est disponible on line sur le site : http://sl.ugr.es/03yL
Contact :
Juan de Oña López.
Département d’Ingénierie Civile de l’UGR.
Tél : 958 249 979.
Courriel : jdona@ugr.es
