The objective of this report is to review accident prediction models for intersections used in literature to identify which variables have a significant effect on accident occurrence so that we can have a starting point for future research. Several models have been reviewed including multiple logistic regression, multiple linear regression, Poisson models, negative binomial models, random effects models and, classification and regression trees (CART) technique. The data, methodology and results of several studies are described. The direction of the effect of several significant explanatory variables is discussed and recommendations are made. Different APMs for different intersection types and accident types have been developed in the literature. It is recommended that fitting separate models for different intersection types and accident types gives a better fit and description of the data than one model for all intersection types. Provided data on intersection and accident types are available, it is recommended to fit disaggregated models rather than aggregated models. Although similar techniques were applied on rural and urban road intersections, in literature a different model structure was used. The elasticity shows the percentage change in the expected number of accidents associated with a 1% change in traffic volume. The effects of risk factors that influence the probability of accidents given exposure are modelled as an exponential function. The choice of an exponential form is logical in the view of the characteristics of the Poisson distribution since accident counts are positive and rare events at intersections. However, the choice of the model depends on the nature of the response and the objective of the research. If interest is in making inference on the entire population, population average based models (chapters 2, 3 and 4) are suitable. In contrast, researchers interested in location specific inference would opt for random effects models (chapter 5). Researchers who wish to group accidents based on particular criteria, the CART is a credible choice (chapter 6). The variables annual average daily traffic (AADT) on major and minor roads, total vehicle counts and pedestrians crossing all arms, lighting and signal timing were statistically significant in most models. Therefore, it is desirable that APMs for intersections include these variables. The other variables are listed in chapter seven of the report. Generally, atleast one explanatory variable in the categories of traffic flow, traffic control, geometry, driver characteristics, vehicle type or features, environmental factors and land use had a significant effect on accident occurrence. Therefore, all categories are essential in predicting accidents at intersections. (Author/publisher) Dutch abstract: Het doel van dit rapport is het bestuderen van de literatuur met betrekking tot modellen die het aantal ongevallen op kruispunten voorspellen. Meerdere modellen werden geëvalueerd waaronder meervoudige logistische regressies, meervoudige lineaire regressies, Poisson modellen, negatief binomiaal modellen, random effects modellen en classificatie- en regressietechnieken (CART). De data, methodologie en resultaten van verschillende studies worden beschreven. De richting van het effect van significante verklarende variabelen wordt besproken en aanbevelingen worden gedaan. Verschillende modellen die het aantal ongevallen voorspellen voor verscheidene kruispunttypes en ongevaltypes werden ontwikkeld in de literatuur. Een apart model fitten voor een bepaald kruispunt- en ongevaltype (indien specifieke data beschikbaar zijn) verdient hierbij de voorkeur aangezien dit tot een betere fit en beschrijving van de data leidt vergeleken met één model. Verschillende kruispunttypes in landelijke en stedelijke omgevingen werden beschouwd. In de literatuur kunnen meerdere modelstructuren gevonden worden. De elasticiteit toont de procentuele verandering in het verwacht aantal ongevallen dat geassocieerd kan worden met een 1% verandering in verkeersvolume. De effecten van risicofactoren die de kans op een ongeval beïnvloeden gegeven een mate een blootstelling worden gemodelleerd als een exponentiële functie. Deze keuze hangt samen met de kenmerken van de Poisson verdeling: kruispuntongevallen zijn gebeurtenissen die zelden voorkomen en bovendien positieve getallen. De keuze van het model hangt af van de aard van de afhankelijke variabele en het doel van het onderzoek. Indien het de bedoeling is conclusies te trekken voor de hele populatie dan zijn modellen gebaseerd op populatiegemiddeldes geschikt (H 2, 3 en 4). Anderzijds moeten onderzoekers geïnteresseerd in locatiespecifieke conclusies opteren voor random effects modellen (H 5). Voor onderzoekers die ongevallen wensen te groeperen op basis van bepaalde criteria is CART een plausibele keuze (H 6). De variabelen jaarlijks gemiddeld dagelijks verkeer op hoofd- en zijwegen, totaal aantal voertuigen en voetgangers die het kruispunt oversteken, verlichting en timing van verkeerslichten bleken statistisch significant in de meeste modellen. Daarom is het wenselijk deze variabelen op te nemen in een kruispuntenmodel. Overige relevante variabelen worden opgesomd in hoofdstuk 7. In het algemeen had tenminste één verklarende variabele in de categorieën verkeersstroom, verkeerscontrole, geometrie, eigenschappen van de bestuurders, het voertuig en de omgeving en ruimtelijke ordening een significant effect op het gebeuren van een ongeval. Alle categorieën zijn bijgevolg van belang bij het voorspellen van ongevallen op kruispunten. (Author/publisher)
Abstract