DOI: https://doi.org/10.1038/s41598-026-42267-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41932999
تاريخ النشر: 2026-04-03
المؤلف: Ehsan Jafari Nasab وآخرون
الموضوع الرئيسي: الزراعة وسلامة المزارع
نظرة عامة
تتناول الدراسة التحديات الكبيرة المتعلقة بالسلامة التي تطرحها مركبات المعدات الزراعية (FEVs) على الطرق بين المدن والريف، لا سيما في البلدان النامية التي تتميز بأساطيل مركبات قديمة وبنية تحتية غير كافية. تفحص شدة الحوادث التي تشمل مركبات FEVs وتهدف إلى تعزيز دقة التنبؤ بنتائج الحوادث من خلال تقنيات النمذجة المتقدمة. تستخدم البحث نموذج اللوجيت المرتب للمعلمات العشوائية (RPOL) لأخذ في الاعتبار كل من التباين الملحوظ وغير الملحوظ، إلى جانب آلة الدعم متعددة الفئات (MC-SVM) لمعايير الأداء.
تظهر النتائج الرئيسية من تحليل RPOL عوامل حاسمة تؤثر على شدة الحوادث، مثل انقلاب المركبات، وقت اليوم، نوع الطريق، ووجود مركبات أخرى. ومن الجدير بالذكر أن الحوادث التي تشمل الدراجات النارية وتلك التي تحدث في الليل تزيد بشكل كبير من خطر الوفيات، بينما ترتبط الاصطدامات الخلفية والمناورات العكسية بنتائج شدة أقل. تحدد الدراسة أيضًا التباين في الاصطدامات التي تكون فيها مركبات FEVs هي المسؤولة، لا سيما على الطرق المستقيمة. يتفوق نموذج MC-SVM على RPOL في دقة التنبؤ، كما يتضح من درجات منطقة تحت المنحنى (AUC) الأعلى. تقترح البحث تدابير سياسية، بما في ذلك تجديد الأسطول، والقيود على المركبات القديمة، وتنظيمات أكثر صرامة لعمليات الليل، مما يبرز أهمية دمج الأساليب الإحصائية وتعلم الآلة لتعزيز السلامة وتقليل شدة الحوادث في أنظمة النقل الريفية.
مقدمة
تسلط المقدمة الضوء على القضية الحرجة لسلامة الطرق في الدول النامية، لا سيما فيما يتعلق بمركبات المعدات الزراعية (FEVs) مثل الجرارات والحصادات، التي تعتبر جزءًا لا يتجزأ من الاقتصاديات الريفية. تشكل هذه المركبات مخاطر سلامة كبيرة بسبب سرعاتها المنخفضة، وافتقارها إلى ميزات السلامة الحديثة، وعملياتها المتكررة في ظروف رؤية ضعيفة أو أحوال جوية غير مواتية. تشير الدراسات إلى أن مركبات FEVs تمثل نسبة كبيرة في الحوادث الشديدة، مما يفاقم من خلال البنية التحتية غير الكافية والإنفاذ المحدود في المناطق الريفية. في إيران، على سبيل المثال، كانت حوادث المرور المتعلقة بمركبات FEV مصدر قلق ملحوظ، حيث ساهمت نسبة كبيرة من الأسطول المتقادم في ارتفاع معدلات الوفيات، التي تزيد تقريبًا عن خمسة أضعاف تلك الخاصة بحوادث المرور الريفية الأخرى.
تؤكد الورقة على ضرورة فهم ديناميات الحوادث المتعلقة بمركبات FEV لتحسين السلامة العامة وتخطيط البنية التحتية، خاصة مع زيادة الطلب على التنقل الريفي وإنتاج الغذاء. يقترح المؤلفون نهجًا مزدوجًا باستخدام نموذج اللوجيت المرتب للمعلمات العشوائية (RPOL) ونموذج آلة الدعم متعددة الفئات (MC-SVM) للتنبؤ بدقة بشدة الحوادث التي تشمل مركبات FEV. يأخذ نموذج RPOL في الاعتبار كل من التباين الملحوظ وغير الملحوظ في شدة الحوادث، بينما يستفيد نموذج MC-SVM من تعلم الآلة لتعزيز دقة التنبؤ وتحديد العوامل الحاسمة التي تؤثر على نتائج الحوادث.
الطرق
تستخدم الدراسة نموذج اللوجيت المرتب للمعلمات العشوائية (RPOL) ونموذج آلة الدعم متعددة الفئات (MC-SVM) لتحليل نتائج شدة الإصابات في الحوادث التي تشمل مركبات FEV (المركبات ذات الكفاءة في استهلاك الوقود) على الطرق بين المدن. يلتقط هذا النهج المزدوج بشكل فعال كل من التباين الملحوظ وغير الملحوظ، مما يسهل فهمًا دقيقًا لكيفية اختلاف شدة الإصابات عبر تكوينات الاصطدام المختلفة وأنواع الطرق.
تُعتبر شدة الإصابة متغيرًا ترتيبيًا مصنفًا إلى ثلاثة مستويات منفصلة: الأضرار المادية فقط (PDO = 1)، الإصابة (2)، والوفاة (3). تشير فئة PDO إلى الحوادث التي لا يتعرض فيها أي مستخدم للطريق لإصابات مرئية أو مُبلغ عنها، حيث تقتصر الأضرار على الخسائر المادية. تشمل فئة الإصابة الحوادث التي تؤدي إلى إصابة واحدة على الأقل غير قاتلة تتطلب رعاية طبية، تتراوح من إصابات طفيفة إلى شديدة. يهدف هذا الإطار المنهجي إلى تقديم تقييم شامل لنتائج الإصابات في سياق الحوادث المتعلقة بمركبات FEV.
النتائج
يقدم قسم النتائج في الدراسة النتائج المستخلصة من نماذج اللوجيت المرتب للمعلمات العشوائية (RPOL) وآلة الدعم متعددة الفئات (MC-SVM)، التي تم استخدامها لتقييم نتائج شدة الإصابات في الحوادث التي تشمل مركبات المعدات الزراعية (FEVs). حدد نموذج RPOL، الذي تم ضبطه باستخدام مجموعة تدريبية من 615 ملاحظة، عدة عوامل حاسمة تزيد بشكل كبير من احتمال الإصابات الشديدة أو الوفيات، بما في ذلك حوادث الانقلاب، مشاركة الدراجات النارية، الحوادث الليلية، وعيوب المركبات. بالمقابل، كانت الاصطدامات الخلفية والمناورات العكسية مرتبطة بمستويات شدة أقل. حقق النموذج AIC قدره 1120.24 وBIC قدره 1186.57، مع قيمة R-squared زائفة قدرها 0.318، مما يشير إلى قوة تفسيرية معقولة. أظهرت تحليل منحنى ROC قيم AUC عالية، مما يعكس فعالية النموذج في التمييز بين فئات الأضرار المادية فقط (PDO)، الإصابة، وحوادث الوفاة.
أظهر نموذج MC-SVM، المدرب على نفس مجموعة البيانات، دقة تصنيف قوية، لا سيما في تحديد الحوادث القاتلة، التي غالبًا ما تكون ممثلة تمثيلًا ناقصًا في مجموعات البيانات غير المتوازنة. أظهرت التحليلات المقارنة أنه بينما قدم RPOL رؤى تفسيرية قيمة، تفوق نموذج MC-SVM عليه في الأداء التنبؤي، خاصة بالنسبة لنتائج الإصابة والوفاة، مع قيم AUC قدرها 0.729 (PDO)، 0.740 (إصابة)، و0.721 (وفاة) لـ MC-SVM مقارنة بـ 0.720، 0.657، و0.710 لـ RPOL. تؤكد هذه النتائج على أهمية استخدام كل من الأساليب الإحصائية وتعلم الآلة في تحليل شدة حوادث المرور، مما يبرز الحاجة إلى استراتيجيات سلامة حساسة للسياق تأخذ في الاعتبار هندسة الطرق، وظروف الإضاءة، وتكوينات الحوادث.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التفاعل المعقد بين العوامل المختلفة التي تسهم في شدة الإصابات في الحوادث التي تشمل مركبات المعدات الزراعية (FEVs). يؤكد المؤلفون أن الدراسات السابقة، لا سيما في البلدان النامية، قد أغفلت إلى حد كبير تأثيرات التفاعل بين هذه العوامل، والتي تشمل سلوك السائق، خصائص المركبة، هندسة الطريق، والظروف البيئية. على سبيل المثال، يمكن أن تتغير شدة الحادث بشكل كبير بناءً على السياق، مثل الجرار البطيء الحركة الذي يشكل خطرًا ضئيلًا على طريق ريفي ولكنه يصبح خطيرًا على ممر سريع. تتطلب هذه التعقيدات تقنيات نمذجة متقدمة يمكنها التقاط كل من التباين النظامي والعشوائي في بيانات الحوادث، حيث قد تبسط النماذج التقليدية المحددات لنتائج الحوادث.
تكشف مراجعة الأدبيات أنه على الرغم من الحصول على رؤى مهمة بشأن خصائص وعوامل المساهمة في حوادث FEV، لا تزال هناك فجوة بحثية ملحوظة في نمذجة تأثيرات التفاعل. يجادل المؤلفون بأن الدراسات الحالية تركز بشكل أساسي على التحليلات الوصفية أو النماذج الإحصائية الأساسية، مما يفشل في معالجة التفاعلات الدقيقة التي تؤثر على شدة الإصابات بشكل كافٍ. يقترحون استخدام نماذج اللوجيت المرتب للمعلمات العشوائية (RPOL) ونموذج آلة الدعم متعددة الفئات (MC-SVM) لالتقاط هذه التعقيدات بشكل أفضل وتحسين التنبؤات لنتائج شدة الإصابات. تؤكد النتائج على الحاجة الملحة لتدخلات سلامة مستهدفة وتوصيات سياسية تأخذ في الاعتبار الطبيعة متعددة الأبعاد لحوادث FEV، لا سيما في سياق البيئات الريفية والحضرية.
DOI: https://doi.org/10.1038/s41598-026-42267-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41932999
Publication Date: 2026-04-03
Author(s): Ehsan Jafari Nasab et al.
Primary Topic: Agriculture and Farm Safety
Overview
The study addresses the significant safety challenges posed by Farm Equipment Vehicles (FEVs) on interurban and rural roads, particularly in developing countries characterized by outdated vehicle fleets and inadequate infrastructure. It examines the severity of crashes involving FEVs and aims to enhance predictive accuracy for accident outcomes through advanced modeling techniques. The research employs a Random Parameters Ordered Logit (RPOL) model to account for both observed and unobserved heterogeneity, alongside a Multi-Class Support Vector Machine (MC-SVM) for performance benchmarking.
Key findings from the RPOL analysis reveal critical factors affecting crash severity, such as vehicle overturns, time of day, road type, and the presence of other vehicles. Notably, crashes involving motorcycles and those occurring at night significantly increase the risk of fatalities, while rear-end collisions and reversing maneuvers are associated with lower severity outcomes. The study also identifies heterogeneity in collisions where FEVs are at fault, particularly on straight roads. The MC-SVM model outperforms the RPOL in predictive accuracy, as indicated by higher Area Under the Curve (AUC) scores. The research suggests policy measures, including fleet renewal, restrictions on older vehicles, and stricter regulations for nighttime operations, emphasizing the importance of integrating statistical and machine learning methods to enhance safety and reduce crash severity in rural transportation systems.
Introduction
The introduction highlights the critical issue of road safety in developing nations, particularly concerning Farm Equipment Vehicles (FEVs) like tractors and harvesters, which are integral to rural economies. These vehicles pose significant safety risks due to their lower speeds, lack of modern safety features, and frequent operation under poor visibility or adverse weather conditions. Studies indicate that FEVs are overrepresented in severe collisions, exacerbated by inadequate infrastructure and limited enforcement in rural areas. In Iran, for instance, FEV-related traffic fatalities have been a notable concern, with a substantial portion of the aging fleet contributing to the high fatality rates, which are nearly five times greater than those of other rural traffic incidents.
The paper underscores the necessity of understanding FEV-related crash dynamics for improving public safety and infrastructure planning, especially as rural mobility and food production demands increase. The authors propose a dual-method approach utilizing the Random Parameters Ordered Logit (RPOL) model and the Multi-Class Support Vector Machine (MC-SVM) model to accurately predict the severity of FEV-involved crashes. The RPOL model accounts for both observed and unobserved heterogeneity in crash severity, while the MC-SVM model leverages machine learning to enhance predictive accuracy and identify critical factors influencing crash outcomes.
Methods
The study employs a Random Parameters Ordered Logit (RPOL) model and a Multi-Class Support Vector Machine (MC-SVM) model to analyze injury severity outcomes in crashes involving FEV (Fuel-Efficient Vehicles) on interurban roads. This dual-method approach effectively captures both observed and unobserved heterogeneity, facilitating a nuanced understanding of how injury severity differs across various collision configurations and roadway types.
Injury severity is treated as an ordinal variable categorized into three discrete levels: Property Damage Only (PDO = 1), Injury (2), and Fatal (3). The PDO category refers to incidents where no road user experiences visible or reported injuries, with damages confined to material losses. The Injury category encompasses crashes that result in at least one non-fatal injury requiring medical attention, ranging from minor to severe injuries. This methodological framework aims to provide a comprehensive assessment of injury outcomes in the context of FEV-related crashes.
Results
The results section of the study presents findings from the Random Parameters Ordered Logit (RPOL) and Multi-Class Support Vector Machine (MC-SVM) models, which were utilized to assess injury severity outcomes in crashes involving Farm Equipment Vehicles (FEVs). The RPOL model, calibrated using a training subset of 615 observations, identified several critical factors that significantly increase the likelihood of severe injuries or fatalities, including rollover crashes, motorcycle involvement, nighttime incidents, and vehicle defects. In contrast, rear-end and reversing collisions were associated with lower severity levels. The model achieved an AIC of 1120.24 and a BIC of 1186.57, with a pseudo R-squared of 0.318, indicating a reasonable explanatory power. ROC curve analysis demonstrated high AUC values, reflecting the model’s effectiveness in distinguishing between property damage only (PDO), injury, and fatal crash categories.
The MC-SVM model, trained on the same dataset, exhibited robust classification accuracy, particularly in identifying fatal crashes, which are often underrepresented in imbalanced datasets. Comparative analysis revealed that while RPOL provided valuable interpretative insights, the MC-SVM model outperformed it in predictive performance, especially for injury and fatal outcomes, with AUC values of 0.729 (PDO), 0.740 (Injury), and 0.721 (Fatal) for MC-SVM compared to 0.720, 0.657, and 0.710 for RPOL. These findings underscore the importance of employing both statistical and machine learning approaches in traffic crash severity analysis, highlighting the need for context-sensitive safety strategies that consider roadway geometry, lighting conditions, and crash configurations.
Discussion
The discussion section of the paper highlights the intricate interplay of various factors contributing to injury severity in crashes involving farm equipment vehicles (FEVs). The authors emphasize that prior studies, particularly in developing countries, have largely overlooked the interaction effects among these factors, which include driver behavior, vehicle characteristics, road geometry, and environmental conditions. For instance, the severity of a crash can drastically change based on the context, such as a slow-moving tractor posing minimal risk on a rural road but becoming hazardous on a high-speed corridor. This complexity necessitates advanced modeling techniques that can capture both systematic and random heterogeneity in crash data, as traditional models may oversimplify the determinants of crash outcomes.
The literature review reveals that while significant insights have been gained regarding the characteristics and contributing factors of FEV-related crashes, a notable research gap persists in the modeling of interaction effects. The authors argue that existing studies primarily focus on descriptive analyses or basic statistical models, failing to adequately address the nuanced interactions that influence injury severity. They propose the use of Random Parameters Ordered Logit (RPOL) and Multi-Class Support Vector Machine (MC-SVM) models to better capture these complexities and improve predictions of injury severity outcomes. The findings underscore the urgent need for targeted safety interventions and policy recommendations that consider the multifaceted nature of FEV crashes, particularly in the context of rural and urban environments.