MODELLO DI BASE PER SEGMENTI STRADALI

Il modello di base per segmenti stradali è stato sviluppati in diversi studi da Vogt e Bared [23],[24],[25] e risulta il seguente:

Nbr= EXPO exp(0.6409 + 0.1388STATE - 0.0846LW - 0.0591SW + 0.0668RHR +

0.0084DD)(ΣWHi exp(0.0450DEGi)) ( WVj exp (0.4652 Vj))(ΣWGk exp(0.1048GRk))

L = length of roadway segment (mi);

STATE = location of roadway segment (0 in Minnesota, 1 in Washington); LW = lane width (ft); average lane width if the two directions of travel differ; SW = shoulder width (ft); average shoulder width if the two directions of travel differ;

RHR = roadside hazard rating; this measure takes integer values from 1 to 7 and represents the average level of hazard in the roadside environment along the roadway segment. (For definitions of the roadside hazard rating categories, see appendix D; for the development of the roadside hazard ratings, see Zegeer.);

DD = driveway density (driveways per mi) on the roadway segment;

Whi = weight factor for the ith horizontal curve in the roadway segment; the proportion of the total

roadway segment length represented by the portion of the ith _{horizontal curve that lies within the}

segment. (The weights, WHi, must sum to 1.0.);

DEGi = degree of curvature for the ith horizontal curve in the roadway segment (degrees per 100 ft);

WVj = weight factor for the jth crest vertical curve in the roadway segment; the proportion of the total

roadway segment length represented by the portion of the jth _{crest vertical curve that lies within}

the segment. (The weights, WVj, must sum to 1.0.);

Vj = crest vertical curve grade rate for the jth crest vertical curve within the roadway segment in

percent change in grade per 31 m (100 ft) = |gj2-gj1|/lj;

gjl'gj2 = roadway grades at the beginning and end of the jth vertical curve (percent);

lj = length of the jth vertical curve (in hundreds of feet);

WGk = weight factor for the kth straight grade segment; the proportion of the total roadway segment

length represented by the portion of the kth _{straight grade segment that lies within the segment.}

(The weights, WGk, must sum to 1.0.); and

GRk = absolute value of grade for the kth straight grade on the segment (percent).

Questo modello è stato sviluppato con un analisi di regressione binomiale negativa dai dati di 619 tronchi di strade extra-urbane in Minnesota e 712 tronchi a Washington ottenuti dal FHWA HSIS (Highway Safety Information System). Questo sistema di strade include approssimativamente 1130 km di strade extraurbane in Minnesota e 850 km a Washington. Il database disponibile per il modello ha incluso 5 anni di dati incidentali (1985-1989) per ogni strada del Minnesota e 3 anni per ogni strada di Washigton. Il modello stima il numero totale di incidenti non correlati alle intersezioni per ogni segmento di strada del quale le variabili indipendenti mostrate nell’equazione (3.4) siano note.

Quando il modello incidentale è utilizzato per stimare il numero di incidenti per una specifica sezione stradale, l’equazione (3.4) viene utilizzata nella seguente maniera:

- La variabile esposizione (EXPO) in milioni di veicoli-miglia viene calcolata utilizzando l’attuale ADT (TGM) e la lunghezza (L) della strada per una durata di 1 anno (365 giorni). Questo assicura che la frequenza incidentale predetta sia basata su un modello avente come unità gli incidenti per anno.

- La variabile STATE nel modello base è posta pari a zero, rappresentando la condizione del Minnesota. Si fa notare che la procedura di calibrazione può essere utilizzata per adattare il modello di base alle condizioni di sicurezza di altri stati piuttosto che il Minnesota.

- Le variabili rimanenti nel modello vengono settate con i seguenti valori nominali:

Tabella 3.3 – Parametri di base o nominali del modello di regressione.

Larghezza corsia (LW) 3.6 m (12 ft) Larghezza banchina laterale

(SW) 1.8 m (6 ft)

Roadside hazard rating (RHR) 3 Densità degli accessi

(DD)

3 driveways per km (5 driveways per mi) Curvatura orizzontale None Curvatura verticale None Pendeza longitudinale. Level (0 percent)

Con i valori di default, il modello assume la seguente forma:

Nbr = (ADT) (L) (365) (10-6) exp(-0.4865) (3.5)

3.3.1 Procedura di calibrazione

L’algoritmo di previsione incidentale è stato pensato per essere utilizzato da diverse agenzie negli Stati Uniti. La frequenza incidentale, anche per strade ed intersezioni che sono nominalmente simili, varia bruscamente da stato a stato. Queste oscillazioni sono di due tipi, una che può essere messa direttamente in conto dall’algoritmo incidentale e l’altra no.

I vari stati, si differenziano molto nella tipologia di suolo e nella storia dello sviluppo del loro sistema stradale, risultando differenze da stato a stato sull’andamento plano-altimetrico, sulle sezioni trasversali e sul progetto delle intersezioni. Comunque queste differenze possono esser tenute in conto dall’algoritmo attraverso i fattori AMF.

in qualche stato una maggiore frequenza incidentale rispetto ad altri. Queste variazioni non possono essere inglobate direttamente nell’algoritmo di previsione incidentale, quindi è stata sviluppata una procedura di calibrazione per permettere di adattare l’algoritmo di previsione incidentale alle specifiche di ogni singolo stato.

La procedura di calibrazione viene implementata determinando il valore dei fattori di calibrazione dei tronchi stradali o delle intersezioni attraverso il confronto tra i dati incidentali registrati in quella realtà specifica e le stime provenienti dal modello di previsione.

I fattori di calibrazione sono incorporati nelle equazioni (3.6) e (3.7) descrittive rispettivamente dei tronchi e delle intersezioni:

Nrs = Nbr Cr (AMF1r AMF2r · · · AMFnr) (3.6)

Nint = Nbi Ci (AMF1i AMF2i · · · AMFni)

(3.7)

Dove:

Cr = calibration factor for roadway segments developed for use by a particular highway agency;

Ci =

calibration factor for at-grade intersections developed for use by a particular highway agency.

I fattori di calibrazione Cr e Ci avranno valori maggiori di 1.0 per quelle realtà

dove, in media, si sono registrati più incidenti rispetto a quelli stimati dall’algoritmo, mentre in quelle realtà dove si sono registrati in media meno incidenti rispetto a quelli stimati dall’algoritmo si avrà un fattore di calibrazione minore di 1.0. Comunque, l’uso di fattori di calibrazione specifici potrebbe richiedere un analisi dettagliata delle performance di sicurezza dell’area in cui si intende operare.

Inoltre, come accennato sopra, la procedura di calibrazione permette all’utente di modificare le distribuzioni di severità e tipologia incidentale in maniera da renderle conformi alla zona specifica dell’analisi.