Использование данных с телематических устройств для прогнозирования вероятности аварии
Пильник Н.П.1,2, Станкевич И.П.1, Корищенко К.Н.3
1 Национальный исследовательский университет – высшая школа экономики
2 Центр перспективного финансового планирования, макроэкономического анализа и статистики финансов НИФИ
3 Российская академия народного хозяйства и государственной службы при Президенте РФ
Скачать PDF | Загрузок: 9
Статья в журнале
Глобальные рынки и финансовый инжиниринг *
Том 4, Номер 3 (Июль-Сентябрь 2017)
* Этот журнал не выпускается в Первом экономическом издательстве
Цитировать:
Пильник Н.П., Станкевич И.П., Корищенко К.Н. Использование данных с телематических устройств для прогнозирования вероятности аварии // Глобальные рынки и финансовый инжиниринг. – 2017. – Том 4. – № 3. – С. 165-180. – doi: 10.18334/grfi.4.3.38805.
Аннотация:
В работе анализируется влияние стиля вождения на вероятность попадания в ДТП. Показатели стиля вождения рассчитываются на основе данных с телематических устройств, устанавливаемых в автомобили, данные по аварийности предоставляются страховой компанией. Все ДТП разбиваются на три группы по тяжести в зависимости от соотношения убытков и страховой суммы, рассматриваются отдельные модели как для факта попадания в ДТП, так и для каждой из групп. Выделяются основные факторы, определяющие аварийность автомобилей. К ним относятся пробег, резкие ускорения, средняя скорость, максимальные скорости в разное время суток и ряд других. Делаются выводы для государственной политики в области регулирования дорожного движения.
Ключевые слова: стиль вождения, дорожно-транспортное происшествие, вероятность аварии
JEL-классификация: L62, L69
Источники:
2. Моисеева О.В., Клевеко В.И. Анализ аварийных случаев с участием пешеходов в г. Перми // Вестник Пермского национального исследовательского политехнического университета. Строительство и архитектура. – 2015. – № 4. – С. 134-143.
3. Anderson T. Comparison of spatial methods for measuring road accident ‘hotspots’: a case study of London // Journal of Maps. – 2007. – № 1. – С. 55-63.
4. Bíl M., Andrášik R., Janoška Z. Identification of hazardous road locations of traffic accidents by means of kernel density estimation and cluster significance evaluation // Accident Analysis & Prevention. – 2013. – С. 265-273.
5. Durduran S.S. A decision making system to automatic recognize of traffic accidents on the basis of a GIS platform // Expert Systems with Applications. – 2010. – № 12. – С. 7729-7736.
6. Elliott, Mark A., Christopher J. Armitage, and Christopher J. Baughan Drivers' compliance with speed limits: an application of the theory of planned behavior // Journal of Applied Psychology. – 2003. – № 5. – С. 964.
7. Erdogan S. et al Geographical information systems aided traffic accident analysis system case study: city of Afyonkarahisar // Accident Analysis & Prevention. – 2008. – № 1. – С. 174-181.
8. French, Davina J., et al Decision-making style, driving style, and self-reported involvement in road traffic accidents // Ergonomics. – 1993. – № 6. – С. 627-644.
9. Kashani, Ali Tavakoli, Afshin Shariat Mohaymany Analysis of the traffic injury severity on two-lane, two-way rural roads based on classification tree models // Safety Science. – 2011. – № 10. – С. 1314-1320.
10. Kashani, Ali Tavakoli, Afshin Shariat-Mohaymany, and Andishe Ranjbari Analysis of factors associated with traffic injury severity on rural roads in Iran // Journal of injury and violence research 4. – 2012. – № 1. – С. 36.
11. Kosuge, Ritsu, et al Predictors of driving outcomes including both crash involvement and driving cessation in a prospective study of Japanese older drivers // Accident Analysis & Prevention. – 2017. – № 106. – С. 131-140.
12. Olszewski P. et al Pedestrian fatality risk in accidents at unsignalized zebra crosswalks in Poland // Accident Analysis & Prevention. – 2015. – С. 83-91.
13. Park, Ho-Chul, et al Cross-classified multilevel models for severity of commercial motor vehicle crashes considering heterogeneity among companies and regions // Accident Analysis & Prevention. – 2017. – № 106. – С. 305-314.
14. Quddus M.A. Time series count data models: an empirical application to traffic accidents // Accident Analysis & Prevention. – 2008. – № 5. – С. 1732-1741.
15. Taubman-Ben-Ari, Orit, Mario Mikulincer, Omri Gillath The multidimensional driving style inventory—scale construct and validation // Accident Analysis & Prevention. – 2004. – № 3. – С. 323-332.
16. Tesema, Tibebe Beshah, Ajith Abraham, Crina Grosan Rule mining and classification of road traffic accidents using adaptive regression trees // International Journal of Simulation. – 2005. – № 10-11. – С. 80-94.
Страница обновлена: 24.07.2024 в 11:09:28