CC BY
0
Analysis of indicators of road accidents in Russia using econometric modeling
Korotkova Ekaterina Alekseevna, Undergraduate student
Koroleva Ekaterina Vasilievna, PhD of Economics, Associate Professor
Peter the Great St. Petersburg Polytechnic University, St. Petersburg
The purpose of the study is to identify the relationship between road traffic accidents and indicators of transport infrastructure and socio-economic indicators in Russia. Timely and balanced development of the transport system is an integral part of the development of any city, allowing the operation of all modes of transport in order to maximize the satisfaction of transport needs at minimal cost. One of the most important aspects of this development is the analysis and prevention of emergencies. In this work, accidents were measured through the following three indicators: the number of road accidents, the number of deaths and injuries in them. As part of the study, panel data were analyzed for 29 constituent entities of the Russian Federation from the Central and Northwestern Federal Districts on 23 indicators grouped into seven groups that assess various aspects of influence. As a result: three models were built to assess the impact of transport infrastructure factors and socio-economic indicators on three variables: the number of road traffic accidents, the number of deaths and injuries in them, respectively; a number of significant factors were identified: the share of roads that do not meet the regulatory requirements, birth rates, household incomes, the level of motorization, the output of skilled workers and employees, and the number of tourists. As a result, the significance of the influence of both factors in the development of transport infrastructure and the socio-economic sphere was proved.
Keywords: traffic accidents; transport infrastructure; socio-economic indicators; regression modeling; Russia.
Цитировать: Короткова Е.А., Королёва Е.В. Анализ показателей дорожно-транспортных происшествий в России средствами эконометрического моделирования // KANT. – 2023. – №2(47). – С. 38-44. EDN: DKAQQN. DOI: 10.24923/2222-243X.2023-47.7
Короткова Екатерина Алексеевна, магистр
Королёва Екатерина Васильевна, кандидат экономических наук, доцент
Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург
Цель исследования - выявить взаимосвязь дорожно-транспортных происшествий и показателей транспортной инфраструктуры и социально-экономических показателей в России. Своевременное и сбалансированное развитие транспортной системы – неотъемлемая часть развития любого города, позволяющая осуществить функционирование всех видов транспорта с целью максимального удовлетворения транспортных потребностей при минимальных затратах. Одним из важнейших аспектов этого развития является анализ и предупреждение аварийных ситуаций. В данной работе аварийные ситуации были измерены через следующие три показателя: количество дорожно-транспортных происшествий, число погибших и раненых в них. В рамках исследования проводился анализ панельных данных по 29 субъектам Российской Федерации из Центрального и Северо-Западного федеральных округов по 23 показателям, сгруппированных в семь групп, оценивающих различные аспекты влияния. В результате были построены три модели для оценки влияния факторов транспортной инфраструктуры и социально-экономических показателей на три переменных: количество дорожно-транспортных происшествий, число погибших и раненых в них соответственно; был выделен ряд значимых факторов: доля дорог, не соответствующих нормативным требованием, коэффициенты рождаемости, доходы населения, уровень автомобилизации, выпуск в квалифицированных рабочих и служащих и число туристов. В итоге была доказана значимость влияния как факторов развития транспортной инфраструктуры, так и социально-экономической сферы.
Ключевые слова: дорожно-транспортные происшествия; транспортная инфраструктура; социально-экономические показатели; регрессионное моделирование; Россия.
УДК 338.47
5.2.3
Короткова Е.А., Королёва Е.В.
Анализ показателей дорожно-транспортных происшествий в России средствами эконометрического моделирования
Введение
Транспорт в экономике любой страны остается важнейшей отраслью, без нормального функционирования которой невозможно дальнейшее развитие хозяйственных, финансовых и социально-культурных сфер экономики. Любой город – это совокупность объектов людского тяготения, связанных сетью городских путей сообщения, на которой работают различные виды транспорта.
Знаменитый архитектор, создатель современных городов Ле Корбюзье утверждал, что ни один город не может расти быстрее, чем растет его транспорт [1]. Транспортные связи открывают возможности развития города, результатом которого является повышение качества обслуживания. Уровень качества – многогранный параметр, который включает показатели транспортной обеспеченности, загрузки транспортной системы и безопасности транспортного обслуживания, в том числе и показатели относительной аварийности.
Уровень аварийности, а именно количество дорожно-транспортных происшествий (далее – ДТП) и их сокращение позволяет оценить социально-экономический эффект с точки зрения доходности наравне с сокращением среднего времени в пути, эксплуатационных расходов транспортных средств и объема выбросов в атмосферу. Параметр аварийности скалывается из количества раненных и погибших при дорожно-транспортных происшествиях, а также примерного материального ущерба.
Основной целью исследования является выявление взаимосвязи дорожно-транспортных происшествий и показателей транспортной инфраструктуры и социально-экономических показателей.
Объектом исследования является уровень аварийности в регионах Российской Федерации, характеризующийся количеством дорожно-транспортных происшествий, числом погибших и раненых.
Предметом исследования взаимосвязи и характер влияния показателей транспортной инфраструктуры и социально-экономических показателей.
Литературный обзор, данные и методология исследования
В рамках научного обзора были идентифицированы основные факторы, оказывающие влияние на дорожно-транспортные происшествия с различных точек зрения: критических частей автомобильных дорог, социального статуса участников дорожного движения и состояния транспортной системы.
E. Papadimitriou и A. Theofilatos в своей работе анализируют места повышенной опасности на автомагистралях и скоростных автомобильных дорогах - зоны заезда и съезда [2]. F. Orsini и др. исследовали в своей статье столкновения на перекрестках с круговым движением, что также является критической частью автомобильных дорог, осложненной распределением приоритетности прав проезда транспортных средств [3].
S. Mafi и др. выявили взаимосвязь тяжести травм водителей из разных возрастных и гендерных групп на основе машинного обучения [4]. A. Behnood и F. Mannering оценили влияние пассажиров на тяжесть травм водителя с учетом возраста и пола [5]. В статье [6] исследователи выявили зависимость количества ДТП от стажа водителя-виновника.
Численность населения была определена в исследовании Е.С. Мельника и Л.Р. Фаизова как значимый фактор смертности в ДТП [7], а М.Г. Колосницына и др. доказали влияние доход населения на количество аварий [8]. В ряде исследований была выявлена значимость потребления алкоголя [8-10]. Обеспеченность населения автомобилями, протяженность и загруженность дорог влияет как на смертность [7], так и на количество ДТП [11]. M. Rodionova и др. доказали влияние дорожной инфраструктуры и погодных условий на тяжесть ДТП [12].
Но стоит отметить, что в представленных статьях в качестве эндогенной переменой брались разные показатели, такие как количество, тяжесть и смертность в ДТП, но каждое исследование фокусировалось на своем показателе, поэтому в данной работе проведена комплексная оценка влияния на три показателя: количество дорожно-транспортных происшествий, число погибших и раненых в них. Эти данные были собраны на сайте Госавтоинспекции из раздела показателей состояния безопасности дорожного движения [13].
Для анализа динамики и распределения тех или иных эффектов во времени множества объектов были собраны панельные данные за период с 2017 года по 2020 год. Для того, чтобы оценить влияние различных факторов на дорожно-транспортные происшествия на территории Российской Федерации, были выбраны 2 федеральных округа: Центральный и Северо-Западный, субъекты которых обладают достаточно разветвленной транспортной системой. Таким образом, в исследовании участвовало 29 объектов.
В качестве экзогенных переменных для моделей были отобраны 23 показателя, сформированные в семь групп, оценивающих различные аспекты влияния. Первая группа «Качество дорог» составлена из показателей, характеризующих транспортную инфраструктуру, взятых из статистической отчетности федерального дорожного агентства «Росавтодор» [14]. Остальные шесть групп: «Население», «Образование», «Здравоохранение», «Доходы», «Культура», «Связь и интернет» (за исключением одного показателя) – сформированы на основе данных Федеральной службы государственной статистики по регионам России в разрезе социально-экономических показателей [15]. Национальный рейтинг трезвости субъектов Российской Федерации по исследуемым в данной работе годам и объектам был собран по данным экспертно-аналитического исследования федерального проекта «Трезвая Россия» [16]. Все используемые в исследовании данные с указанием условного обозначения, единиц измерения, группы, типа переменных и гипотезы о предполагаемой силе и направлении связей факторов и зависимого признака представлены в сводной таблице 1.
В рамках исследования были проведены сравнительный и эконометрический анализы с оценкой полученных параметров модели при помощи статистического программного пакета Stata MP.
Таблица 1 – Сводная таблица исходных данных
Группа Условное обозначение Единицы измерения Тип Показатель Гипотеза
- Year - - Год: 2017-2020 -
- Region - - Регион: СЗФО, ЦФО -
ДТП CRC штук Эндогенный Количество ДТП -
RCD штук Эндогенный Число погибших в ДТП -
RCI штук Эндогенный Число раненных в ДТП -
Качество дорог roads_nr % Экзогенный Доля дорог, не отвечающих нормативным требованиям Чем выше качество дорог, тем меньше аварийность
roads_p тыс.м2 Экзогенный Общая площадь твердых типов покрытия
bridges пог. м. Экзогенный Мосты и путепроводы
Население pop тысяч человек Экзогенный Численность населения, оценка на конец года Чем выше социально-экономические показатели населения, чем больше аварийность
birth_r число родившихся на 1000 человек населения Экзогенный Общие коэффициенты рождаемости
labor_f тысяч человек Экзогенный Численность рабочей силы, по данным выборочных обследований рабочей силы
Доходы income рублей Экзогенный Медианный среднедушевой денежный доход населения, в месяц Чем выше доходы населения, тем больше аварийность
cars штук Экзогенный Число собственных легковых автомобилей на 1000 человек населения, на конец года
credits миллионов рублей Экзогенный Задолженность по кредитам в рублях, предоставленным кредитными организациями физическим лицам, исходя из местонахождения заемщиков; на начало года Чем выше доходы населения, тем больше аварийность
Образование credits миллионов рублей Экзогенный Задолженность по кредитам в рублях, предоставленным кредитными организациями физическим лицам, исходя из местонахождения заемщиков; на начало года Чем выше уровень образования, тем меньше аварийность
specialists тысяч человек Экзогенный Выпуск специалистов среднего звена
bachelors тысяч человек Экзогенный Выпуск бакалавров, специалистов, магистров
pds человек Экзогенный Численность аспирантов, на конец года
researchers человек Экзогенный Численность исследователей с учеными степенями
Здраво-охранение hosp_beds коек Экзогенный Число больничных коек, на 10 000 человек населения, на конец года Чем ниже уровень здравоохранения, тем меньше аварийность
clinics посещений в смену Экзогенный Мощность амбулаторно-поликлинических организаций, на 10 000 человек населения, на конец года
doctors человек Экзогенный Нагрузка на работников сферы здравоохранения, численность населения на одного врача, на конец года Чем ниже уровень здравоохранения, тем меньше аварийность
Культура theater человек Экзогенный Численность зрителей театров на 1000 человек населения Чем больше уровень культуры, тем меньше аварийность
sport штук Экзогенный Число спортивных сооружений, спортивные залы; на конец года
tourists тысяч человек Экзогенный Численность российских туристов, отправленных туристскими фирмами, в туры по России
alcohol_r балл Экзогенный Национальный рейтинг трезвости регионов
Связь и интернет phones штук Экзогенный Число подключенных абонентских устройств мобильной связи на 1000 человек населения, на конец года Чем выше уровень доступности мобильной связи и интернета, тем больше аварийность
internet единиц Экзогенный Численность активных абонентов мобильного широкополосного доступа к сети интернет на 100 человек населения, на конец года
Результаты эконометрического анализа
На этапе предварительного анализа данных был проведён анализ описательной статистики. Для наглядности нами были построены диаграммы размаха, которые позволяют визуализировать медиану, нижний и верхний квартили, минимальное и максимальное значение выборки и выбросы показателей. На рисунках 1, 2 и 3 представлены диаграммы по количеству дорожно-транспортных происшествий, числу раненых и погибших в них, соответственно с динамикой по годам.
Рисунок 1 – Диаграмма по количеству ДТП
Рисунок 2 – Диаграмма по числу погибших в ДТП
Рисунок 3 – Диаграмма по числу раненых в ДТП
Диаграмма наглядно показывает, что значения по Москве, Московской области и Санкт-Петербургу отличаются от типичного по выборке на протяжении всего периода. При этом значение в столице превышает уровень в 8 000 ДТП в год, а по двум другим регионам колеблется в районе 6 000. Второй график демонстрирует нетипичные значения в 2019 году по Москве и области, а в остальные года – по четырем субъектам РФ: Москва, Московская, Воронежская и Ленинградская области. Также стоит отметить, что значение по Москве с течением времени стабильно сокращается так же, как и медианное значение, но при этом наблюдается скачок максимального значения выборки в 2019 году. Диаграмма размаха числа раненых выявила в качестве выбросов те же три региона, что и на первом графике. Примечательным также является снижение уровня всех показателей, в том числе и значения выбросов, в 2020 году.
Далее проведен корреляционный анализ переменных, позволяющий определить статистическую взаимосвязь величин и в дальнейшем исключит из анализа коллинеарные показатели. В таблице 2 представлена матрица коэффициентов корреляции.
Таблица 2 – Матрица коэффициентов корреляции.
CRC RCD RCI roads_nr roads_p bridges pop birth_r labor_f
CRC 1.00
RCD 0.73 1.00
RCI 0.99 0.75 1.00
roads_nr -0.72 -0.53 -0.71 1.00
roads_p 0.66 0.78 0.66 -0.35 1.00
bridges 0.20 0.12 0.20 -0.10 0.21 1.00
pop 0.96 0.69 0.94 -0.74 0.66 0.21 1.00
birth_r 0.20 0.21 0.18 0.26 -0.07 0.05 0.22 1.00
labor_f 0.95 0.67 0.94 -0.74 0.65 0.22 0.99 0.22 1.00
income 0.46 0.18 0.43 -0.36 0.12 0.09 0.56 0.60 0.57
cars 0.05 0.19 0.06 0.04 0.25 0.14 0.01 -0.33 -0.01
credits 0.90 0.65 0.88 -0.70 0.65 0.22 0.96 0.21 0.96
workers 0.84 0.73 0.84 -0.56 0.56 0.12 0.76 0.27 0.75
specialists 0.96 0.65 0.94 -0.75 0.62 0.19 0.98 0.20 0.98
bachelors 0.84 0.35 0.82 -0.69 0.41 0.20 0.89 0.22 0.91
pds 0.85 0.34 0.82 -0.69 0.41 0.21 0.90 0.24 0.91
researchers 0.85 0.43 0.83 -0.68 0.49 0.22 0.93 0.23 0.94
hosp_beds -0.41 -0.41 -0.41 0.47 -0.33 -0.07 -0.41 -0.04 -0.40
clinics -0.04 -0.34 -0.05 0.08 -0.23 -0.02 -0.05 0.07 -0.04
doctors -0.34 0.04 -0.32 0.20 -0.01 0.06 -0.33 -0.28 -0.33
theater 0.63 0.11 0.62 -0.34 0.11 0.13 0.53 0.28 0.54
sport 0.95 0.68 0.93 -0.75 0.69 0.19 0.98 0.14 0.98
tourists 0.66 0.24 0.64 -0.52 0.35 0.20 0.72 0.19 0.74
alcohol_r -0.34 -0.17 -0.34 0.49 -0.08 -0.04 -0.33 0.17 -0.33
phones 0.77 0.25 0.75 -0.59 0.35 0.19 0.78 0.19 0.79
internet 0.55 0.19 0.54 -0.51 0.24 0.08 0.57 -0.11 0.58
income cars credits workers specialists bachelors pds researchers hosp_beds
income 1.00
cars -0.34 1.00
credits 0. 59 0.01 1.00
workers 0.29 0.01 0.73 1.00
specialists 0.52 0.02 0.95 0.80 1.00
bachelors 0.57 -0.08 0.82 0.54 0.90 1.00
pds 0.60 -0.08 0.84 0.55 0.90 0.99 1.00
researchers 0.62 -0.07 0.88 0.54 0.91 0.98 0.98 1.00
hosp_beds -0.20 -0.04 -0.34 -0.21 -0.36 -0.36 -0.35 -0.37 1.00
clinics 0.08 -0.21 -0.01 0.01 -0.02 0.10 0.11 0.06 0.24
doctors -0.42 0.14 -0.35 -0.36 -0.40 -0.42 -0.43 -0.36 -0.11
theater 0.19 -0.02 0.44 0.54 0.58 0.65 0.65 0.57 -0.10
sport 0.50 0.01 0.95 0.75 0.98 0.89 0.89 0.91 -0.39
tourists 0.51 -0.61 0.77 0.43 0.71 0.76 0.79 0.79 -0.24
alcohol_r 0.43 -0.17 -0.28 -0.30 -0.38 -0.37 -0.36 -0.31 0.32
phones 0.56 0.04 0.78 0.49 0.79 0.86 0.88 0.83 -0.25
internet 0.48 0.06 0.63 0.35 0.60 0.58 0.60 0.58 -0.12
clinics doctors theater sport tourists alcohol_r phones
clinics 1.00
doctors -0.21 1.00
theater 0.10 -0.44 1.00
sport -0.03 -0.36 0.52 1.00
tourists 0.11 -0.37 0.44 0.75 1.00
alcohol_r 0.24 0.19 -0.28 -0.37 -0.32 1.00
phones 0.19 -0.50 0.63 0.77 0.76 -0.35 1.00
internet 0.11 -0.47 0.34 0.57 0.52 -0.21 0.78
В связи с выявлением ряда коллинеарных показателей из дальнейшего исследования были исключены следующие переменные: численность рабочей силы (labor_f), задолженность по кредитам (credits), выпуск специалистов среднего звена (specialists), численность аспирантов (pds) и исследователей (researchers) и число спортивных сооружений (sport).
Между переменными общая площадь дорог с твердым покрытием, численность населения, выпуск рабочих и бакалавров и зависимыми переменными есть значимая линейная зависимость, а между долей дорог, отвечающих нормативным требованиям, количеством больничных коек и зависимыми переменными – значимая обратная линейная зависимость. Также отмечена значимая линейная зависимость между количеством дорожно-транспортных происшествий, раненых в них и доходами населения, доступом мобильной сети и выходом в Интернет, а также факторами группы «Культура»; выявлена значимая отрицательная линейная зависимость между смертностью и количеством больниц.
В рамках экономического моделирования были построены модели регрессии по трем эндогенным показателям. Исходные модели были проверены на соответствие следующим предпосылкам: линейность, гетероскедостичность, нормальность, мультиколлинеарность, спецификация и автокорреляция. Для того, чтобы уравнение модели было линейным в коэффициентах, была проведена трансформация переменных в другую функциональную форму посредством логарифмирования, а затем повторены проверки. Сводная таблица результатов регрессионного анализа по финальным моделям представлена в таблице 3.
Таблица 3 – Сводная таблица по итоговым регрессионным моделям.
ln_CRC ln_RCD ln_RCI
roads_nr -0.0065** -0.0154*** -0.0060*
(0.0023) (00025) (0.0025)
roads_p - 0.000008 *** -
(0.000001)
ln_roads_p 0.1777** - -
(0.0653)
ln_bridges 0.0901** - 0.1342***
(0.0334) (0.0347)
birth_r -0.1268*** -0.2211*** -0.1665***
(0.0273) (0.0414) (0.0272)
income -0.00003*** -0.00003*** -0.00004***
(0.000005) (0.000007) (0.000005)
cars - 0.0021** 0.0015*
(0.0007) (0.0006)
ln_cars 0.4421* - -
(0.1755)
workers 0.3036*** 0.2732*** 0.3247***
(0.0299) (0.0370) (0.0316)
bachelors 0.0055*** - 0.0056***
(0.0015) (0.0016)
ln_tourists 0.1173*** 0.1346*** 0.1613***
(0.0332) (0.0361) (0.0324)
internet - -0.0109** -
(0.0038)
_cons 3.2883** 7.6228*** 7.3900***
(1.1854) (0.5085) (0.4487)
N 116 116 116
R2 0.9312 0.8985 0.9170
adj. R2 0.9254 0.8909 0.9108
* p < 0.05; ** p < 0.01; *** p < 0.001.
В модели оценки влияния факторов на число дорожно-транспортных происшествий коэффициент детерминации достаточно высокий (93%), при этом скорректированный R2 несильно отличается.
Доля объясненной дисперсии исследуемыми факторами во второй модели влияния на смертность в дорожно-транспортных происшествиях довольно высока (90%), при этом скорректированный R2 незначительно отличается.
В третьей модели оценки влияния факторов на число раненых в дорожно-транспортных происшествиях коэффициент детерминации тоже достаточно высок (92%), при этом скорректированный R2 несильно отличается.
Результаты экономического моделирования и тестирования влияния различных факторов показали, что набор значимых переменных во всех трех моделях довольно однообразен.
При сокращении доли дорог, не отвечающих нормативным требованиям, ожидается увеличение количества дорожно-транспортных происшествий, ранений и смертности, что может быть объяснено повышением качества дорожного полотна, а это в свою очередь может приводить к увеличению скорости автомобилей, снижению внимательности водителей на дорогах и соответственно росту вероятности аварии. Также общая площадь твердых типов покрытия влияет прямо пропорционально на число ДТП и смертность в них. Это можно связать с увеличением скорости автомобилей на твердых поверхностях. А протяженность мостов и путепроводов в соответствии с гипотезой прямо пропорционально влияет на количество ДТП и ранения, полученные в них, что можно объяснить, как увеличение аварийно-опасных участков.
Общие коэффициенты рождаемости влияют обратно пропорционально на число дорожно-транспортных происшествий, ранений и смертности, это можно объяснить более аккуратной ездой, в случае если в машине маленькие дети.
При снижении медианного среднедушевого денежного дохода населения ожидается увеличение количества дорожно-транспортных происшествий, ранений и смертности, что может быть объяснено сокращением средств у населения на своевременную проверку и ремонт автомобилей. При этом уровень автомобилизации в соответствии с выдвинутой гипотезой влияет прямо пропорционально на число ДТП, ранения и смертность в них, что можно связать с ростом числа автомобилей на дорогах, следовательно и напряженности.
Выпуск квалифицированных рабочих и служащих влияет прямо пропорционально на исследуемые параметры. Такие результаты можно связать с видом деятельности, условиями и графиком работы, а также переработками, которые приводят к усталости и снижению внимания. Выпуск бакалавров, специалистов, магистров также влияет прямо пропорционально на количество дорожно-транспортных происшествий и ранений в них, это можно объяснить ростом количества высших учебных заведений и количества мест в них.
Численность российских туристов влияет прямо пропорционально на число дорожно-транспортных происшествий, ранений и смертности, что можно связать с различными схемами построения транспортной сети в разных городах Российской Федерации и незнакомой местностью для туристов, что повышает риск аварий.
Численность активных абонентов мобильного широкополосного доступа к сети Интернет на 100 человек населения влияет обратно пропорционально на смертность в дорожно-транспортных происшествиях, что может быть объяснено развитием интеллектуальных технологий безопасности в машине, требующих подключения к интернету.
Заключение
В заключение хочется еще раз подчеркнуть актуальность темы анализа дорожно-транспортных происшествий и влияния на них показателей транспортной инфраструктуры и социально-экономических показателей. В настоящее время во многих городах существует проблема развития транспортной системы. Своевременное и сбалансированное развитие транспортной системы – неотъемлемая часть развития любого города. Одним из важнейших аспектов этого развития является анализ и предупреждение аварийности.
В ходе исследования были предприняты следующие шаги: проведен анализ предметной области, сделан обзор научной литературы по данной тематике, а также проведен анализ, выбор и формирование исходной базы панельных данных для эконометрического моделирования. Были построены три модели для оценки влияния факторов транспортной инфраструктуры и социально-экономических показателей на три переменных: количество дорожно-транспортных происшествий, число погибших и раненых в них соответственно. После обработки, проверки и трансформации моделей были получены итоговые уравнения регрессии по финальным моделям.
В результате был выделен ряд значимых факторов: доля дорог, не соответствующих нормативным требованием, коэффициенты рождаемости, доходы населения, уровень автомобилизации, выпуск в квалифицированных рабочих и служащих и число туристов. Стоит отметить, что на все три характеристики аварии оказывают влияние как факторы транспортной инфраструктуры, так и социальной сферы. Примечательным стало то, что анализ не выявил связи между авариями и использованием мобильных телефонов, но при этом имеется отрицательная зависимость подключения к Интернету и смертности в дорожно-транспортных происшествиях, что может быть объяснено развитием интеллектуальных технологий безопасности в машине, требующих доступа к Интернету.
Примечания:
1. Герасименко Т.В. Методические рекомендации для самостоятельной работы по дисциплине «Единая транспортная система»: учебное пособие. – Новороссийск: Изд-во Морского ун-та, 2018. – 162 с.
2. Papadimitriou E., Theofilatos A. Meta-analysis of crash-risk factors in freeway entrance and exit areas // Journal of Transportation Engineering, Part A: Systems. – 2017. – Т. 143. – №. 10. – С. 04017050.
3. Orsini F., Gecchele G., Gastaldi M., & Rossi R. Collision prediction in roundabouts: a comparative study of extreme value theory approaches //Transportmetrica A: transport science. – 2019. – Т. 15. – №. 2. – С. 556-572.
4. Mafi S., AbdelRazig Y., Doczy R. Machine learning methods to analyze injury severity of drivers from different age and gender groups //Transportation research record. – 2018. – Т. 2672. – №. 38. – С. 171-183.
5. Behnood A., Mannering F. The effect of passengers on driver-injury severities in single-vehicle crashes: A random parameters heterogeneity-in-means approach //Analytic methods in accident research. – 2017. – Т. 14. – С. 41-53.
6. Мазунова Л.Н., Лукьянов Д.А., Шишмаков Е.Д., Мазунов П.А. Исследование зависимости количества ДТП от стажа водителей с помощью корреляционно-регрессионного анализа // Наука, образование, общество: тенденции и перспективы развития. – 2018. - № 10. – С. 173-175.
7. Мельник Е.С., Фаизова Л.Р. Многомерный статистический анализ смертности от дорожно-транспортных происшествий в регионах Российской Федерации // Вестник магистратуры. – 2016. - № 10. – С. 73-77.
8. Колосницына М.Г., Хоркина Н.А., Волков А.Ю. Влияние мер алкогольной политики на динамику дорожно-транспортных происшествий в регионах России // Вопросы статистики: исследование социально-экономических процессов. – 2016. - № 5. – С. 50-62.
9. Волков А.Ю. Анализ факторов, влияющих на количество погибших в ДТП (по странам мира) // Эконометрические исследования. – 2020. - № 3. – С. 134-142.
10. Арженовский С.В., Федотова Э.А. Эконометрическое моделирование дорожной аварийности в региональном аспекте // Учет и статистика. Экономика и бизнес. – 2018. - № 8. – С. 71-77.
11. Компанцев В.И., Алсеитов В.И. Математическое моделирование влияния скорости и интенсивности движения на количество дорожно-транспортных происшествий на автодороге Бишкек–Ош // Вестник КРСУ. – 2012. - № 12. – С. 80-83.
12. Rodionova M., Skhvediani A., Kudryavtseva T. Prediction of crash severity as a way of road safety improvement: the case of Saint Petersburg, Russia // Sustainability. – 2022. – Т. 14. – №. 16. – С. 9840.
13. Показатели состояния безопасности дорожного движения [Электронный ресурс]. – GIBDD.RU: Госавтоинспекция– Режим доступа: http://stat.gibdd.ru/.
14. Сведения об автомобильных дорогах общего пользования и сооружениях на них федерального, регионального или межмуниципального значения [Электронный ресурс]. – ROSAVTODOR.GOV.RU: Федеральное дорожное агентство «Росавтодор» – Режим доступа: https://rosavtodor.gov.ru/docs/statisticheskaya-otchetnost/1016/.
15. Региональная статистика. Социально-экономическое положение субъектов Российской Федерации [Электронный ресурс]. – ROSSTAT.GOV.RU: Федеральная служба государственной статистики – Режим доступа: https://gks.ru/bgd/regl/b21_14p/Main.htm.
16. Национальный рейтинг трезвости субъектов Российской Федерации [Электронный ресурс]. – TREZVROS.RU: Федеральный проект «Трезвая Россия» – Режим доступа: http://www.trezvros.ru/calendar/874.
