بررسی نقاط داغ برخوردهای ترافیکی و روابط فضایی آنها با کاربری زمین: یک رویکرد رگرسیون وزن‌دار جغرافیایی مبتنی بر GIS برای دمام، عربستان سعودی

خلاصه

بررسی روابط بین الگوهای تصادف وسایل نقلیه و کاربری زمین شهری برای بهبود پیش‌بینی تصادف، ایجاد راهنمایی و توصیه‌های سیاست جامع برای جلوگیری از تصادف و کاهش شدت آن، اساسی است. در ادبیات موجود، مدل‌های آماری اغلب برای تعیین کمیت ارتباط بین پیامدهای تصادف و متغیرهای توضیحی موجود استفاده می‌شوند. با این حال، آنها نمی توانند ناهمگونی فضایی نهفته را به طور دقیق ضبط کنند. علاوه بر این، اکثریت قریب به اتفاق مطالعات قبلی بر تجزیه و تحلیل فضایی دقیق تصادفات از دیدگاه جمع‌آوری شده بدون در نظر گرفتن ویژگی‌های محیط ساخته شده و کاربری زمین متمرکز شده‌اند. این مطالعه ابتدا از سیستم های اطلاعات جغرافیایی (GIS) برای بررسی نقاط حادثه خیز بر اساس دو گروه شدت، هفت علت اصلی تصادف استفاده می کند. و سه نوع تصادف غالب در شهر دمام، پادشاهی عربستان سعودی (KSA). سپس از تکنیک تحلیل رگرسیون وزن‌دار جغرافیایی مبتنی بر GIS برای کشف روابط فضایی برخوردهای ترافیکی با تراکم جمعیت و ارتباط آن با کاربری زمین هر محله استفاده شد. نتایج نشان داد که تصادفات مرگبار و مجروح (FI) بیشتر در محله‌های مسکونی و نزدیک تأسیسات عمومی با تراکم جمعیت کم تا متوسط در بزرگراه‌هایی با محدودیت سرعت نسبتاً بالاتر واقع شده‌اند. توزیع نقاط داغ و تجزیه و تحلیل مبتنی بر GWR برای علل تصادف نشان داد که تصادفات ناشی از “انحراف خط ناگهانی” بیشترین نسبت تصادفات را تشکیل می دهند که عمدتاً در منطقه تجاری مرکزی (CBD) منطقه مورد مطالعه متمرکز شده اند. به همین ترتیب، نقاط داغ و تجزیه و تحلیل GWR برای انواع تصادفات نشان داد که “برخورد بین وسایل نقلیه موتوری” بخش قابل توجهی از کل تصادفات را تشکیل می دهد و کانون های زلزله عمدتا در محله های مسکونی با تراکم بالا مستقر هستند. نتایج این مطالعه می‌تواند بینش‌های مهمی را برای تحلیل‌گران و متخصصان برای درک روابط پیچیده بین ایمنی ترافیک و کاربری زمین فراهم کند. این می تواند راهنمایی مفیدی برای سیاست گذاران برای برنامه ریزی بهتر و استراتژی های مدیریت موثر برای افزایش ایمنی در سطوح منطقه ای ارائه کند. نتایج این مطالعه می‌تواند بینش‌های مهمی را برای تحلیل‌گران و متخصصان برای درک روابط پیچیده بین ایمنی ترافیک و کاربری زمین فراهم کند. این می تواند راهنمایی مفیدی برای سیاست گذاران برای برنامه ریزی بهتر و استراتژی های مدیریت موثر برای افزایش ایمنی در سطوح منطقه ای ارائه کند. نتایج این مطالعه می‌تواند بینش‌های مهمی را برای تحلیل‌گران و متخصصان برای درک روابط پیچیده بین ایمنی ترافیک و کاربری زمین فراهم کند. این می تواند راهنمایی مفیدی برای سیاست گذاران برای برنامه ریزی بهتر و استراتژی های مدیریت موثر برای افزایش ایمنی در سطوح منطقه ای ارائه کند.

کلید واژه ها:

ایمنی جاده ؛ تصادفات ترافیکی ؛ نقاط حادثه خیز ; کاربری زمین ؛ سیستم اطلاعات جغرافیایی (GIS) ; رگرسیون وزنی جغرافیایی (GWR)

۱٫ معرفی

۱٫۱٫ ایمنی جاده در پادشاهی عربستان سعودی

تصادفات جاده ای یک نگرانی جدی برای سلامت عمومی در سراسر جهان است. تخمین زده می شود که سالانه بیش از ۱٫۳ میلیون نفر در اثر تصادفات رانندگی کشته و ۵۰ میلیون نفر دیگر مجروح می شوند [ ۱ ]. پیامدهای اجتماعی و اقتصادی تصادفات ترافیکی جاده ای (RTC) بسیار زیاد است و سالانه حدود ۵۱۸ میلیارد دلار در سطح جهان هزینه دارد [ ۱ ، ۲ ]. ساکنان کشورهای در حال توسعه مانند پادشاهی عربستان سعودی (KSA) در برابر تلفات و جراحات رانندگی آسیب پذیرتر هستند [ ۳]]. عربستان سعودی پس از اکتشاف و صادرات نفت خام از سال ۱۹۳۸، رشد اقتصادی سریعی را تجربه کرده است که منجر به توسعه شهری و موتورسازی در چهار دهه گذشته شده است. به دلیل چنین توسعه هایی، KSA با مشکلات جدی ایمنی جاده مواجه است. گزارش وضعیت جهانی ایمنی جاده سازمان جهانی بهداشت (WHO) گزارش داد که میزان مرگ و میر سالانه به ازای هر ۱۰۰۰۰۰ نفر در اثر RTC در KSA از ۱۷٫۴ به ۲۷٫۴ از دهه گذشته افزایش یافته است. چنین نرخ فزاینده ای مرگ و میر بدترین در میان کشورهای منطقه است و به طور قابل توجهی بالاتر از نرخ مرگ و میر سایر کشورهای G-20 است [ ۱ ]. مطالعه ای که توسط ترکی و همکاران انجام شده است. نشان می دهد که به طور متوسط روزانه بیش از ۱۹ نفر جان خود را از دست می دهند و تقریباً چهار نفر در هر ساعت به دلیل RTC در جاده های KSA مجروح می شوند [ ۳]]. هزینه تصادفات رانندگی در KSA حدود ۵٫۶ میلیارد دلار در سال تخمین زده می شود و تقریباً ۴٫۳٪ از تولید ناخالص داخلی (GDP) KSA را تشکیل می دهد [ ۴ ]. مطالعه‌ای که اخیراً در استان شرقی در KSA انجام شد، گزارش داد که حواس‌پرتی رانندگان، سرعت بیش از حد، عدم رعایت دستگاه‌ها و مقررات کنترل ترافیک، چند مورد از علل اصلی تصادفات ترافیکی در منطقه هستند [۵ ] .

۱٫۲٫ تعریف Crash Hotspots

برای کاهش بار تصادفات ترافیکی، بررسی زمان و مکان تصادفات که در آن بیشتر اتفاق می افتد بسیار مهم است. شناسایی نقطه هات (HSID) یک وظیفه حیاتی برای برنامه های ایمنی ترافیک جاده ای است. مکان هایی که دارای خوشه هایی با غلظت بالایی از تصادفات هستند معمولاً به عنوان مکان های مستعد تصادف یا نقاط داغ شناخته می شوند. تعداد تصادفاتی که در هر مکان یا بخش جاده خاص در طول یک دوره زمانی خاص رخ می دهد، یک عدد صحیح غیر منفی و ماهیت احتمالی است [ ۶ ، ۷]]. اگرچه تصادفات ترافیکی در سطح خرد غیرقابل پیش‌بینی هستند و طبیعتاً تصادفی هستند، مدل‌های آماری می‌توانند تخمین‌های قابل اعتمادی از فرکانس تصادفات مورد انتظار را به عنوان تابعی از متغیرهای توضیحی مانند جریان ترافیک، ویژگی‌های سایت، و داده‌های هندسه جاده در سطح کلان ارائه دهند. ۸ ، ۹ ]. در مطالعات قبلی، روابط تجربی متعددی بین چنین متغیرهای پیش‌بینی‌کننده و تصادفات وسیله نقلیه ایجاد شده است [ ۱۰ ، ۱۱ ، ۱۲ ]. چنین مدل‌های پیش‌بینی تصادف در تعیین عوامل خطر حیاتی، ارزیابی جایگزین‌های طراحی و مدیریت، و بهبود ایمنی برای کاربران جاده مفید هستند [ ۱۳ ، ۱۴ ].

۱٫۳٫ روش‌های موجود برای شناسایی نقاط داغ تصادف

روش‌های Crash HSID اغلب در دو دسته اصلی مورد مطالعه قرار می‌گیرند: فراوانی تصادف مشاهده‌شده و فرکانس تصادف مورد انتظار [ ۱۵ ، ۱۶]. روش‌های مبتنی بر دفعات تصادف یا نرخ تصادف به‌عنوان تعداد تصادف در هر کیلومتر خودرو برای بخش‌های جاده یا هر وسیله نقلیه ورودی در تقاطع‌های جاده محاسبه می‌شود. با این حال، روش‌هایی که صرفاً بر اساس فراوانی تصادف مشاهده‌شده است، ناکارآمد در نظر گرفته می‌شوند، زیرا خرابی‌ها رویدادهای تصادفی هستند که احتمالاً هم از نظر مکانی و هم زمانی تغییر می‌کنند. این تصادفی بودن تصادفات را می توان به عوامل متعددی از جمله شرایط رانندگان، وسایل نقلیه، جاده ها، ترافیک و محیط فیزیکی نسبت داد. با توجه به محدودیت‌های روش‌های مبتنی بر فرکانس تصادف، روش‌های مبتنی بر فرکانس مورد انتظار به سرعت مورد توجه قرار می‌گیرند، به طوری که معیارهای مورد انتظار برای HSID توسط مدل‌های آماری مختلف، از جمله مدل‌های پواسون پایه، مدل‌های دوجمله‌ای منفی، و روش‌های بیزی تجربی برآورد می‌شوند [۱۷] .]. اعتقاد بر این است که روش‌های مبتنی بر فرکانس سقوط مورد انتظار با دقت بیشتری سطوح خطر مورد انتظار را در مکان‌های خاص در یک دوره زمانی معین منعکس می‌کنند [ ۱۸ ].

روش های متعددی برای HSID تصادفات ترافیکی در سال های اخیر پیشنهاد شده است [ ۱۶ ، ۱۹ ، ۲۰ ، ۲۱ ]. هر روش ویژگی ها، مزایا و کاستی های خاص خود را دارد که هر کدام را تحت شرایط خاص برای HSID مناسب می کند. متداول‌ترین روش‌های مورد استفاده برای HSID برای تصادفات ترافیکی شامل روش تخمین چگالی هسته (KDE) [ ۲۲ ، ۲۳ ]، روش شاخص‌های محلی تداعی فضایی (LISA) [ ۲۴ ]، و روش خوشه‌بندی سلسله مراتبی نزدیک‌ترین محله (NNH) [ ۲۵] است. ]. KDE یک تکنیک ناپارامتریک است که اغلب برای تخمین تابع چگالی احتمال یک متغیر تصادفی استفاده می شود [ ۲۶]]. برای اندازه‌گیری خطر تصادف محلی، به هر واحد فضایی یک تخمین چگالی محلی (LDE) اختصاص داده می‌شود که در آن واحدهای فضایی بیش از یک آستانه LDE معین به‌عنوان خطرناک برچسب‌گذاری می‌شوند. اگر گروهی از واحدهای فضایی همسایه LDE بالاتر از آن آستانه مشخص را به اشتراک بگذارند، بخش جاده و تقاطع های اطراف را می توان به عنوان یک هات اسپات شناسایی کرد [ ۲۷ ]. به طور مشابه، با رویکرد LISA، به هر واحد فضایی یک شاخص LISA اختصاص داده می شود. این شاخص ارتباط فضایی را برای تصادفات مشاهده شده در واحدهای مجاور ارزیابی می کند. شاخص LISA بالاتر نشان دهنده افزایش تمرکز فضایی تصادفات است و بالعکس. در نهایت، NNH یک تکنیک خوشه‌بندی سلسله مراتبی است که نقاط توزیع شده فضایی را با هم بر اساس معیارهای از پیش تعریف شده خوشه‌بندی می‌کند [ ۲۸] .]. خوشه‌بندی تا زمانی تکرار می‌شود که تمام نقاط در فاصله آستانه به گروه‌بندی تک خوشه (که به عنوان نقطه داغ گفته می‌شود)، یا معیارهای خوشه‌بندی با شکست مواجه شوند.

بیز تجربی (EB) و بیزی کامل (FB) رویکردها و تکنیک های دیگری هستند که به طور فزاینده ای برای HSID استفاده می شوند [ ۲۰ ، ۲۹ ]. روش EB هر دو روند خرابی تاریخی و مورد انتظار را در نظر می گیرد تا تخمین های خرابی را برای سایت های مشابه ارائه دهد. همچنین پدیده رگرسیون به میانگین را به حساب می آورد. برخلاف سایر روش‌های مرسوم HSID، مطالعات قبلی نشان می‌دهد که روش EB برای HSID قابل اعتمادتر و دقیق‌تر است [ ۳۰ ، ۳۱]. رگرسیون به میانگین (RTM) دلالت بر نوسانات کوتاه مدت در فرکانس خرابی حول میانگین / فرکانس مورد انتظار خرابی در یک دوره خاص دارد. هنگامی که دوره ای با فرکانس تصادف نسبتاً بالا مشاهده می شود، از نظر آماری احتمال دارد که دوره بعدی فرکانس نسبتاً پایینی داشته باشد (حتی در صورت عدم وجود اقدامات متقابل). این تمایل همچنین در مورد احتمال زیاد که یک دوره فرکانس پایین سقوط با یک دوره فرکانس بالا به دنبال آن خواهد بود، صدق می کند. از سوی دیگر، روش FB HSID از یک تابع احتمال (به عنوان توزیع پواسون-لوگ نرمال) برای فرکانس تصادف استفاده می کند و به تعداد بی شماری از عوامل خطر منطقه خاص به عنوان توابع عملکرد ایمنی (SPFs) پاسخ می دهد [۱۷ ، ۳۲ ] .

۱٫۴٫ رابطه بین کاربری زمین و نقاط داغ تصادف

شناسایی خوشه‌های تصادف یا نقاط داغ، بینش‌های کلیدی را برای متخصصان ایمنی برای درک بهتر الگوهای تصادف و مدیریت ایمنی جاده فراهم می‌کند. درک نقش محیط ساخته شده و کاربری اراضی شهری یک مشکل اساسی در مطالعات ایمنی راه است. رابطه بین کاربری زمین و تصادفات ترافیکی آشکار است زیرا کاربری های مختلف زمین تمایل به جذب و ایجاد انواع مختلف سفرها دارد [ ۳۳ ]. رفتار سفر یک متغیر پیش بینی کننده حیاتی برای تعیین ماهیت و حجم ترافیک است. اگرچه چندین مطالعه قبلی گزارش کرده اند که تخلفات رانندگی و تصادفات ارتباط نزدیکی با ویژگی های رانندگان و رفتار سفر دارند [ ۳۴ , ۳۵ , ۳۶ , ۳۷]، با این حال منطقی است که فرض کنیم با افزایش کاربری زمین، احتمال افزایش آنها وجود دارد. مطالعات قبلی روش‌های مختلفی را برای کشف تغییرات مکانی-زمانی تصادفات پیشنهاد کرده‌اند [ ۱۵ ، ۱۸ ]. تنها تعداد کمی تأثیر کاربری زمین بر الگوهای سقوط را بررسی کرده اند [ ۳۳ ، ۳۸ ]. علاوه بر این، مطالعات مرسوم در درجه اول بر تعیین نقاط حادثه خیز بر اساس فرکانس های تصادفی انبوه تمرکز کرده اند، بنابراین اهمیت ویژگی های تصادف فردی و عوامل موثر را نادیده می گیرند. با این حال، به خوبی ثابت شده است که «همه تصادف‌ها برابر نیستند»، و شناسایی نقاط داغ برای ویژگی‌های مختلف تصادف اجتناب‌ناپذیر است.

تعدادی از مطالعات قبلی گزارش کردند که مناطق شهری با تراکم کم مانند مناطق روستایی و مسکونی در مقایسه با مناطق با تراکم بالا مانند مناطق مسکونی تجاری و شلوغ، شدت آسیب بالایی دارند [۳۹ ، ۴۰ ] . مطالعه ای که توسط Xie و همکاران انجام شد. از مدل سازی معادلات ساختاری تعمیم یافته (GSEM) برای ارزیابی اثر تبدیل کاربری زمین بر تصادفات شدید (SC) [ ۴۱] استفاده کرد.]. نتایج مطالعه نشان داد که کاربری‌های مسکونی، تجاری، تجاری و مختلط مسکونی-تجاری شهری بیشترین خطر مواجهه با SC را دارند. پولوگورتا و همکاران از یک مدل دوجمله‌ای منفی برای بررسی تأثیر ویژگی‌های کاربری زمین بر تخمین خطر منطقه‌ای استفاده کرد و دریافت که کاربری مسکونی شهری و مناطق مختلط با فرکانس‌های تصادف ارتباط زیادی دارند [۴۲ ] . در مطالعه دیگری، کاربرد روش تجربی بیز (EB) برای ارتباط بین برخوردهای ترافیکی کاربری زمین در سه منطقه هنگ کنگ مورد بررسی قرار گرفت [ ۴۳ ]. نتیجه گیری شد که مناطق تجاری بر اساس میانگین شمارش تصادفات و همچنین شدت جراحات خطرناک تر بودند. چن و همکاران همچنین تأثیر محیط ساخته شده بر تصادفات عابر پیاده را بررسی کرد [۴۴ ]. نویسندگان خاطرنشان کردند که آنها با (۱) تراکم زیاد پیاده روها، (۲) نسبت زیاد شیب تند، (iii) نسبت زیاد استفاده از زمین صنعتی و اشتغال، (IV) مناطق با محدودیت سرعت متوسط کمتر و (۴) رابطه معکوس دارند. v) تعداد کمتر ایستگاه های اتوبوس. این مطالعه همچنین نشان داد که ویژگی های محلی مانند کاربری زمین و تراکم جمعیت شهری اثرات قابل توجهی بر تصادفات ترافیکی دارند. درک بهتر رابطه بین تصادفات وسیله نقلیه و کاربری زمین در بهبود پیش‌بینی تصادف و ارائه توصیه‌های خط مشی مناسبی که می‌تواند تعداد تصادفات و همچنین شدت آن‌ها را کاهش دهد، اساسی است.

۱٫۵٫ مطالعات قبلی برای HSID با استفاده از GIS

اخیراً، فناوری‌های سیستم‌های اطلاعات جغرافیایی (GIST) توجه گسترده‌ای را برای شناسایی نقاط حادثه خیز به خود جلب کرده‌اند. فرآیند HSID مبتنی بر GIS از چندین روش و تکنیک استفاده می‌کند، مانند تخمین‌های سنتی چگالی هسته، تحلیل نزدیک‌ترین همسایه و توابع K. یک مطالعه اخیر عملکرد چهار روش خوشه‌بندی را در یک پلت فرم GIS برای مشاهده الگوهای تصادف در شبکه‌های پیچیده شهری شهر مشهد، ایران مورد بررسی قرار داد [ ۴۵ ]. نتایج نشان داد که تصادفات در منطقه مورد مطالعه در بخش‌های خاصی از شهر بیشتر خوشه‌ای بوده است. علاوه بر این، در ایران، شریعت و همکاران. یک رویکرد تخمین تراکم هسته شبکه مبتنی بر GIS (NKDE) برای شناسایی مکان‌های تصادف پرخطر در استان مرکزی [ ۴۶] اتخاذ کرد.]. آنها از ضریب همبستگی فضایی Moran’s I برای تعیین اینکه آیا تصادفات در کنار هم قرار گرفته اند یا خیر استفاده کردند. به طور مشابه، Ulak و همکاران. عملکرد Local Moran’s I، Getis-Ord Gi*، KLINCS و KLINCS-IC را برای به دست آوردن بینش بهتر در شناسایی نقاط داغ در ایالت فلوریدا در شرق ایالات متحده مقایسه کرد [۴۷ ]]. تجزیه و تحلیل حساسیت مبتنی بر وزن‌های فضایی جایگزین (مانند مسافت، زمان سفر جریان آزاد و زمان سفر پر ازدحام) برای بررسی تأثیر پهنای باند بر نقاط حساس شناسایی‌شده انجام شد. Local Moran’s I با در نظر گرفتن مسافت وزنی، بالاترین دقت پیش بینی را به دست آورد و به دنبال آن KLINCS-IC با زمان سفر وزن آزاد جریان داشت. بیل و همکاران از روش‌های خوشه‌بندی مبتنی بر KDE برای تجزیه و تحلیل مکانی-زمانی نقاط تصادف با استفاده از داده‌های تصادف نه سال (۲۰۱۰-۲۰۱۸) از جمهوری چک استفاده کرد [ ۴۸ ]. نویسندگان نقاط داغ را بر اساس سه ویژگی طبقه‌بندی کردند، یعنی پیدایش نقطه، پایداری و ناپدید شدن. خاطرنشان شد که تنها ۱۰۰ کانون در کل دوره پایدار بوده است.

درلی و اردوغان همچنین از روش های آماری فضایی به کمک GIS (رگرسیون پواسون، بیزی تجربی، رگرسیون دو جمله ای منفی) برای تعیین نقاط حادثه خیز [ ۴۹ ] استفاده کردند. نه سال داده های تصادف (۲۰۰۵-۲۰۱۳) برای ۲۴۰۸ جاده دولتی در ترکیه جمع آوری شد. از ۳۲۱۰۷ زیربخش، ۱۲۶ مورد به عنوان نقاط حساس طبقه بندی شدند. در مطالعه دیگری، یالچین و دوزگون از GIS برای شناسایی نقاط داغ برای وسایل نقلیه دو چرخ استفاده کردند [ ۵۰]. سه روش تحلیل الگوی تصادف فضایی (نزدیکترین فاصله همسایه، تراکم هسته، و تابع K) در شبکه‌های جاده‌ای برای یافتن تصادفات خوشه‌بندی شده در امتداد مسیرهای حمل و نقل اصلی در منطقه مورد مطالعه استفاده شد. یوان و همکاران الگوریتم جدیدی برای خوشه‌بندی کرم شب تاب همراه با GIS برای شناسایی دقیق نقاط حادثه خیز در مناطق شهری ناحیه لیچنگ، واقع در شرق جیان، چین پیشنهاد کرد [ ۵۱ ]. نتایج نشان داد که روش جستجوی مبتنی بر فاصله اقلیدسی می‌تواند به راحتی تعداد نقاط حساس را به‌ویژه نزدیک تقاطع‌های جاده‌های شهری بیش از حد تخمین بزند، در حالی که روش پیشنهادی تحت سناریوهای مختلف قوی‌تر است. بات و همکاران همچنین از نظارت جغرافیایی آماری مبتنی بر GIS برای شناسایی نقاط حادثه خیز در منطقه راولپندی، پاکستان [ ۵۲] استفاده کرد.]. آنها دریافتند که سایت‌های پرخطر در مناطق تجاری و مسکونی در نزدیکی مدارس بیمارستان‌ها، خدمات حمل‌ونقل عمومی و فرودگاه‌ها قرار دارند. لی و لین اهمیت تکنیک های تحلیلی آماری مبتنی بر GIS را برای تغییرات مکانی-زمانی شاخص شدت تصادف (SI) در هانوی، ویتنام [ ۵۳] بررسی کردند.]. در مرحله اول مطالعه، از روش KDE برای تجزیه و تحلیل نقاط حساس با توجه به فواصل زمانی مختلف (روز، شب، دوره اوج/خارج از پیک) و فصول استفاده شد. سپس نتایج با استفاده از تکنیک هم نقشه ارائه شد. نتایج نشان داد که هر دو روش مکان‌های هات‌پات نسبتاً مشابهی را ارائه می‌کنند، اما به دلیل ادغام SI، رتبه‌بندی برخی از هات‌پات‌ها با بقیه متفاوت است. نویسندگان SI را در تجزیه و تحلیل نقاط حادثه خیز برای تعیین دقیق و رتبه بندی مکان هات اسپات وارد کردند.

اخیراً، مطالعات کمی از رگرسیون وزن‌دار جغرافیایی (GWR) برای تحلیل تصادفات ترافیکی استفاده کرده‌اند. ژنگ و همکاران تنوع مکانی عوامل مؤثر در آسیب تصادف را با استفاده از GWR در جنوب شرقی ویرجینیا بررسی کرد [ ۵۴ ]. نقشه ضرایب با GWR بینش های دقیقی را نشان می دهد که در آن عوامل خاصی با آسیب تصادف بیشتر مرتبط هستند. در پژوهشی دیگر، ثروری و همکاران. از پواسون وزن‌دار جغرافیایی و رگرسیون دوجمله‌ای منفی (GWPR و GWNBR) برای مدل‌سازی رابطه بین فرکانس آسیب تصادف و متغیرهای سطح کلان حمل‌ونقل مانند زیرساخت‌های حمل‌ونقل، ویژگی‌های ترافیک، عوامل اجتماعی-اقتصادی راننده و ویژگی‌های کاربری زمین استفاده کرد [ ۵۵]. نتایج نشان داد که روش‌های پیشنهادی با ثبت دقیق‌تر ناهمگونی فضایی متغیر، قوی‌تر از GWR هستند. Zhibin، در مطالعه خود، همچنین نشان داد که GWPR در گرفتن روابط فضایی غیر ثابت بین متغیرهای پیش بینی در سطح شهرستان مفید است [ ۵۶ ]. به طور مشابه، لی و همکاران. عملکرد مدل‌های آماری کالیبره‌شده GWR را با سایر مدل‌های کالیبره‌شده با استفاده از تکنیک حداقل مربعات معمولی (OLS) برای پیش‌بینی تصادفات در ۲۴۵ تقاطع در شیکاگو مقایسه کرد [۵۷ ]]. نویسندگان از داده‌های تصادف جمع‌آوری‌شده از سال ۲۰۰۸ تا ۲۰۱۰ استفاده کردند و آزمایش‌های تحلیل واریانس را انجام دادند که نشان داد مدل‌های کالیبره‌شده با GWR قابلیت پیش‌بینی تصادف را بهبود می‌بخشند. مطالعه دیگری که در فلاندرز، بلژیک انجام شد، همچنین نشان داد که GWPR از مدل‌های خطی تعمیم‌یافته مربوطه (GLMs) در ثبت ناهمگونی فضایی تصادف‌های کشنده و آسیب‌دیده بهتر عمل می‌کند [۵۸ ] . لی و همکاران رویکرد بیزی مبتنی بر GIS را برای تجزیه و تحلیل الگوهای مکانی- زمانی تصادفات وسایل نقلیه موتوری در تگزاس به کار گرفت و دریافت که روش پیشنهادی در شناسایی خطرات نسبی تصادف امیدوارکننده است [۵۹ ] . هوانگ و همکاران همچنین رابطه محیط ساخته شده و کاربری زمین با تصادفات ترافیکی شهری را از طریق استفاده از تحلیل GWR مورد بررسی قرار داد [ ۶۰]. مطالعه آنها نشان داد که متغیرهایی مانند تراکم تقاطع، درصد مسافت پیموده شده جاده محلی و درصد کاربری تجاری زمین با تصادفات ترافیکی رابطه پایداری دارند. یه و همکاران همچنین گزارش داد که تراکم جمعیت شهری و وجود ایستگاه های مترو به طور مستقیم با وقوع تصادفات ترافیکی مرتبط است [ ۶۱ ].

۱٫۶٫ مشارکت های مطالعه فعلی

بررسی انتقادی ادبیات موجود نشان می‌دهد که روش‌های مختلفی برای HSID در بخش‌های مختلف جهان پیشنهاد شده‌اند که هر کدام مناسبت و ویژگی‌های خاص خود را دارند. مطالعات موجود بیشتر بر روی رویکردهای مبتنی بر مدل‌سازی آماری برای کشف ارتباط بین نتیجه تصادف و متغیرهای پیش‌بین متمرکز شده‌اند. با این حال، این روش‌ها نمی‌توانند ناهمگونی مکانی و غیرایستایی تصادفات ترافیکی را به تصویر بکشند. رابطه بین کاربری زمین و تصادفات ترافیکی آشکار است زیرا کاربری های مختلف زمین انواع مختلفی از سفرها را ایجاد می کند/جذب می شود، با این حال فقط چند مطالعه این موضوع را بررسی کرده اند. علاوه بر این، مطالعات قبلی بیشتر بر روی خوشه‌بندی تصادفات ترافیکی مبتنی بر فرکانس متمرکز شده‌اند، که کاربردهای محدودی برای اجرای اقدامات متقابل مؤثر دارد. بدین ترتیب،

تنها مطالعات کمی تجزیه و تحلیل فضایی دقیق از تصادفات در KSA را بررسی کرده اند. این مطالعه با هدف استفاده از روش رگرسیون وزنی جغرافیایی (GWR) برای کشف رابطه بین تصادفات ترافیکی با تراکم جمعیت و کاربری زمین شهری برای شهر دمام، عربستان سعودی انجام شده است. نقاط حادثه خیز و نقشه های مبتنی بر GWR برای سه نوع تصادف رایج (تصادف وسیله نقلیه، برخورد با جسم ثابت و برخورد با عابران پیاده)، هفت علت اصلی تصادف (حواس پرتی، سرعت، انحراف ناگهانی خط، عدم تسلیم شدن، جاده نامناسب، رانندگی با خستگی و تخلفات ترافیکی ، و دو گروه شدت (کشنده و جراحت (FI) و خسارت اموال فقط (PDO)) در سطح منطقه ای در منطقه مورد مطالعه ایجاد شد.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش ۲ شرح مختصری از منطقه مورد مطالعه ارائه می دهد. بخش ۳ داده ها و روش ها را ارائه می دهد. نتایج در بخش ۴ ارائه و مورد بحث قرار گرفته است . در نهایت، بخش ۵ نتایج مطالعه، پیامدهای مطالعه فعلی و چشم انداز مطالعات آینده را برجسته می کند.

۲٫ منطقه مطالعه

شهر دمام مرکز استان شرقی عربستان سعودی است و به عنوان منطقه مورد علاقه برای این مطالعه انتخاب شد ( شکل ۱ ). در حالی که مساحت کل شهر ۶۵۳ کیلومتر مربع است ^، تنها ۴۵۰ کیلومتر ^مربع برای این مطالعه انتخاب شد زیرا ۲۰۳ کیلومتر ^مربع باقی مانده زمین های خالی هستند که هنوز توسعه نیافته اند [ ۶۲ ]. دمام در حال حاضر بیش از ۱٫۱ میلیون نفر جمعیت دارد [ ۶۳ ]. پس از رونق نفت در طول دهه ۱۹۷۰، جمعیت شهر طی چند دهه گذشته به طور تصاعدی افزایش یافت. با رشد سریع جمعیت، تعداد وسایل نقلیه ثبت شده در شهر از ۰٫۴ میلیون در سال ۲۰۰۱ به ۱٫۳ میلیون در سال ۲۰۱۸ افزایش یافته است [ ۶۴]]. دمام در حال حاضر هیچ سیستم حمل و نقل عمومی ندارد. سرعت سریع موتورسازی و افزایش مالکیت خودرو عواقب شدیدی در مورد ایمنی جاده ها دارد. تعداد تصادفات رانندگی طی ده سال گذشته به طور تصاعدی افزایش یافته است که منجر به صدها کشته، مجروحیت و خسارت میلیاردها دلاری به اقتصاد شده است.

توزیع جمعیت و نقشه کاربری اراضی منطقه کلانشهر دمام در شکل ۲ نشان داده شده است . در مجموع ۸۲ محله مسکونی اشغال شده در تحلیل در نظر گرفته شد. پراکندگی جمعیت در میان محله های مختلف متفاوت است (بین ۵۰۰۰ تا ۳۰۰۰۰ نفر ساکن). نزدیک به ۴۰ درصد از جمعیت شهر را مهاجرانی تشکیل می دهند که از کشورهای عربی، جنوب آسیا و جنوب شرق آسیا آمده اند. به دلیل پیشینه ها و فرهنگ های متنوع با سبک ها و آموزش های مختلف رانندگی، پیروی از قوانین و مقررات رانندگی عربستان برای آنها دشوار است. این شهر مرکز اصلی صنایع نفت، مشاغل دولتی و خصوصی، خدمات عمومی، مؤسسات دانشگاهی و فعالیت‌های تجاری مختلف است که به نسل‌های ترافیکی کمک می‌کنند. همانطور که در نشان داده شده استشکل ۲ ، کل شهر را می توان در درجه اول به پنج منطقه کاربری مختلف تقسیم کرد (یعنی مسکونی، تجاری، تجاری-مسکونی مختلط، صنعتی/استخدامی و امکانات و خدمات عمومی). تقریباً ۶۵ درصد از این منطقه را مناطق مسکونی خالص با محله های پر تراکم اطراف مرکز شهر تشکیل می دهند. تراکم جمعیت کم تا متوسط بیشتر در مناطق تجاری و مسکونی مختلط در امتداد مناطق ساحلی در بخش‌های شمال شرقی شهر قرار دارد.

۳٫ داده ها و روش ها

مجموعه های مختلفی از داده ها برای این مطالعه جمع آوری و پردازش شدند. ابتدا، یک پایگاه داده حاوی مجموعه داده تصادفات وسیله نقلیه دقیق شامل مختصات عرضی و طولی آنها بین سال های ۲۰۰۹ و ۲۰۱۶ از اداره ترافیک دمام جمع آوری شد. داده ها همه انواع تصادفات وسایل نقلیه موتوری را در طول دوره مطالعه پوشش می دهد. اداره پلیس راهنمایی و رانندگی محلی عمدتاً مسئول ثبت اطلاعات دقیق در مورد رویداد تصادف است. جزئیات مربوط به ویژگی های مختلف تصادف توسط خدمه واکنش اضطراری در پیش فرم های استاندارد گزارش تصادف جمع آوری می شود. واحد گشت پلیس نزدیک باید ظرف ۷ دقیقه پس از وقوع حادثه به محل تصادف برسد. خدمه متشکل از یک واحد کادر پزشکی و ناظران آموزش دیده برای یادداشت اطلاعات سقوط است. این اطلاعات شامل درایورها، ویژگی‌های جمعیت‌شناختی اجتماعی (سن، جنسیت، تحصیلات، حرفه و غیره)، ویژگی‌های وسیله نقلیه، ویژگی‌های آب و هوا، شرایط روشنایی، و موجودی جاده از محل‌های تصادف. سپس پایگاه داده نهایی خرابی در صفحه گسترده اکسل با استخراج جزئیات از فایل های گزارش تصادف از راه دور در دفتر انجام می شود. علاوه بر داده‌های تصادف، اطلاعات مربوط به محدوده محله‌های مسکونی با وسعت جمعیت (۲۰۱۰) و کاربری دقیق زمین از دفتر شهرداری دمام جمع‌آوری شد. داده های کاربری اراضی و پهنه بندی جمعیت نیز از شهرداری دمام جمع آوری شد. سپس پایگاه داده نهایی خرابی در صفحه گسترده اکسل با استخراج جزئیات از فایل های گزارش تصادف از راه دور در دفتر انجام می شود. علاوه بر داده‌های تصادف، اطلاعات مربوط به محدوده محله‌های مسکونی با وسعت جمعیت (۲۰۱۰) و کاربری دقیق زمین از دفتر شهرداری دمام جمع‌آوری شد. داده های کاربری اراضی و پهنه بندی جمعیت نیز از شهرداری دمام جمع آوری شد. سپس پایگاه داده نهایی خرابی در صفحه گسترده اکسل با استخراج جزئیات از فایل های گزارش تصادف از راه دور در دفتر انجام می شود. علاوه بر داده‌های تصادف، اطلاعات مربوط به محدوده محله‌های مسکونی با وسعت جمعیت (۲۰۱۰) و کاربری دقیق زمین از دفتر شهرداری دمام جمع‌آوری شد. داده های کاربری اراضی و پهنه بندی جمعیت نیز از شهرداری دمام جمع آوری شد.

برای بررسی الگوی توزیع برای خرابی‌ها، شاخص نزدیک‌ترین همسایه ( NNI ) برای سه دسته ویژگی خرابی (گروه‌های شدت تصادف، علل خرابی، و انواع خرابی) در ArcGIS نسخه ۱۰٫۶ محاسبه شد تا الگوی توزیع و دانستن آنها بررسی شود. اگر تصادفات در چند مکان خاص با هم جمع شده باشند، پراکنده باشند یا به طور تصادفی در سراسر منطقه مورد مطالعه رخ داده باشند. NNI یکی از شاخص های رایجی است که برای بررسی الگوهای نقطه ای استفاده می شود و با استفاده از رابطه (۱) [ ۶۵ ] محاسبه می شود . در معادله D¯nnدمیانگین فاصله بین هر محل تصادف و نزدیکترین تصادف است و D¯rآnفاصله ای است که در صورت توزیع تصادفی تصادفات انتظار می رود [ ۶۵ ]:

ننمن=D¯nnدD¯rآn.

(۱)

جایی که:

D¯nnد=∑من=۱nدمنn. و D¯rآn=0.5×آn

(۲)

در معادلات، n تعداد کل تصادفات در منطقه مورد مطالعه است. d _i فاصله بین هر مکان تصادف و نزدیکترین محل تصادف آن است و A کل مساحت مورد مطالعه (۴۵۰ کیلومتر ^مربع ) است. مقدار NNI نزدیک به ۰ نشان دهنده خوشه بندی است، در حالی که مقدار نزدیک به ۱ نشان می دهد که خرابی ها به طور تصادفی توزیع شده اند. مقدار NNI بزرگتر از ۱ نشان می دهد که خرابی ها از نظر مکانی پراکنده شده اند. در این مطالعه، نقاط تصادفی که NNI داشتندمقادیر کمتر از ۰٫۶ به‌عنوان خوشه‌بندی در نظر گرفته شد و الگوریتم تحلیل نقطه‌ای بهینه شده در ArcGIS برای یافتن مکان‌ها برای هر یک از دسته‌های ویژگی خرابی مورد استفاده قرار گرفت. در این الگوریتم، یک چند ضلعی شبکه ماهی که توسط سلول هایی به طول ضلع ۲۵۰ متر تشکیل شده است، بر اساس تعداد تصادفات در هر چند ضلعی ایجاد می شود. همه مناطق هات اسپات با سطح اطمینان بیش از ۹۰ درصد نقشه برداری شدند.

در مرحله نهایی تحلیل، از روش رگرسیون وزن‌دار جغرافیایی (GWR) برای بررسی روابط فضایی بین تعداد تصادفات (بر اساس هر محله و جمعیت در آن محله) استفاده شد. معادله ریاضی برای GWR در رابطه (۳) [ ۵۰ ] آورده شده است.

yمن=∑j-0مترβj(تومن،vمن)ایکسمنj+εمن

(۳)

که در آن x _ij j امین متغیر پیش بینی است (فقط جمعیت)، β _j ( u _i ,v _i ) ضریب j است ، ( u _i ,v _i ) شکل برداری مختصات x و y است و y _i است . میزان تصادف در هر محله در نهایت، εمن عبارت خطای تعیین شده از امتیاز استاندارد مشاهده شده و امتیاز پیش بینی شده است [ ۶۶ ]. یک هسته ثابت برای انجام تجزیه و تحلیل GWR، با استفاده از AICc (معیار اطلاعات اصلاح شده Akaike) برای تعیین پارامتر پهنای باند بهینه استفاده شد.

۴٫ نتایج و بحث

۴٫۱٫ توزیع موقت خرابی ها

تغییرات زمانی تصادفات ترافیکی در منطقه مورد مطالعه در شکل ۳ نشان داده شده است . شکل ۳ a نوسانات سالانه در تعداد کل تصادفات، جراحات و تلفات را نشان می دهد. در مجموع ۱۱۵۳۹ تصادف ثبت شد که منجر به کشته شدن ۸۰۶ نفر و مجروح شدن بیش از ۶۰۰۰ نفر شد. ارزیابی نزدیک شکل ۳a نشان می دهد که سال ۲۰۱۲ شاهد بیشترین تعداد تصادفات، جراحات و تلفات ترافیکی بوده است. این افزایش شدید رکورد تصادف، واکنش فوری مقامات ایمنی جاده و مقامات مربوطه را برانگیخت. اقدامات پیشگیرانه مختلفی از جمله بازنگری در محدودیت سرعت، اجرای دقیق قوانین و مقررات راهنمایی و رانندگی و افزایش جریمه تخلفات رانندگی اجرا شد. کاهش مداوم تعداد تصادفات مشاهده شده در سال های بعد ممکن است تا حدی به دلیل پدیده رگرسیون به میانگین (RTM) و بخشی به دلیل مداخلات اجرا شده باشد. با این حال، نسبت صدمات و مرگ و میر بسیار بالاتر از اهداف مطلوب ایمنی جاده در کشور است.

در شکل ۳ ب، تغییرات میانگین تصادفات ماهانه برای کل دوره مطالعه ارائه شده است. می توان مشاهده کرد که ماه های تابستان از جمله ژوئن، ژوئیه و آگوست بیشترین تعداد تصادفات را داشته و پس از آن در نوامبر و دسامبر قرار دارند. بخش بزرگی از تصادفات در طول ماه های تابستان ممکن است به تعداد بیشتری از سفرهای درون شهری در طول تعطیلات تابستانی و همچنین به دلیل خرابی لاستیک ها به دلیل گرمای شدید در ماه های تابستان در KSA نسبت داده شود [۵ ، ۶۷ ، ۶۸ ] . توزیع فراوانی میانگین تصادفات در بین روزهای مختلف هفته در شکل ۳ نشان داده شده استج در KSA، جمعه ها و شنبه ها آخر هفته در نظر گرفته می شوند. از آنجایی که ساکنان معمولاً برای شرکت در نماز ظهر جمعه در خانه می مانند و بعد از ظهر را در خانه با دوستان و خانواده سپری می کنند، جمعه کمترین میزان تصادفات را دارد. با این حال، ساکنان در روزهای شنبه به سوپرمارکت ها، رستوران ها و مراکز درمانی سفر می کنند. بنابراین شنبه بیشترین میزان تصادفات رانندگی را دارد. در طول روزهای هفته، تعداد تصادفات نسبتاً ثابت است. در نهایت، شکل ۳ d نوسانات ساعتی متوسط تصادفات ترافیکی روزانه را نشان می دهد. توزیع الگوهای تصادف ساعتی بر اساس قرار گرفتن در معرض ترافیک و سفر در طول روز بصری است.

۴٫۲٫ تجزیه و تحلیل نقاط مهم تصادف

اولین هدف این مطالعه بررسی وجود نقاط داغ بر اساس شدت تصادف، علل و انواع آن است. این کار با ارزیابی مقادیر NNI برای وقوع تصادف انجام شد ( جدول ۱ ). از آنجایی که همه ویژگی‌های خرابی دارای مقادیر NNI کمتر از ۰٫۶ بودند، تجزیه و تحلیل نقطه داغ برای همه شدت، علل و انواع خرابی انجام شد.

۴٫۲٫۱٫ تجزیه و تحلیل نقاط داغ بر اساس شدت تصادف

در شکل ۴، مکان‌های کانون تصادف بر اساس شاخص‌های شدت (یعنی فقط خسارت به دارایی (PDO) یا مواردی که منجر به مرگ و جراحت (FI) می‌شوند) نشان داده شده‌اند. ثابت شده است که “همه تصادفات یکسان نیستند”، میزان خسارت ناشی از تصادف خاص به عوامل متعددی از جمله کاربری زمین شهری، ویژگی های محیط ساخته شده، نوع تصادف، هوشیاری راننده، و واکنش به رویداد، جاده بستگی دارد. طراحی ها، مشخصات وسیله نقلیه، تعداد وسایل نقلیه درگیر، سرعت در زمان ضربه و بسیاری موارد دیگر. تصادفات PDO در مناطق مسکونی و تاسیسات عمومی با تراکم متوسط تا زیاد که محدودیت‌های سرعت مجاز (کمتر از ۵۰ کیلومتر در ساعت) نسبتاً کم است و حجم ترافیک به طور قابل‌توجهی زیاد است، شایع بود. از آنجایی که رانندگان معمولاً در چنین شرایطی هوشیارتر هستند، احتمال آسیب و تلفات قابل توجه کم است. از سوی دیگر، تصادفات FI در مسیرهایی که دارای محدودیت‌های سرعت رانندگی انعطاف‌پذیر در مناطق شهری با تراکم جمعیت کم تا متوسط بودند، دسته‌بندی شدند. به غیر از سرعت بیش از حد، عوامل دیگری مانند حواس پرتی راننده، خستگی رانندگی، انحرافات ناگهانی خط و تصادفات مربوط به عابران پیاده، عوامل مهمی در تصادفات FI بودند.

۴٫۲٫۲٫ تجزیه و تحلیل هات اسپات بر اساس علل تصادف

در شکل ۵، توزیع نقاط داغ بر اساس علل تصادف غالب (به عنوان مثال، حواس پرتی راننده، عدم تسلیم شدن، سرعت بیش از حد، جاده ضعیف، راننده خسته یا به خواب رفتن پشت فرمان، و انحراف ناگهانی خط) نشان داده شده است. این گونه تصادفات عمدتاً در امتداد خیابان های مسکونی اصلی و فرعی شهری توزیع می شوند. با این حال، غلظت بالایی از تصادفات در تقاطع های اصلی شلوغ با تراکم جمعیت بالا در مناطق اطراف رخ داده است. از شکل مشهود است که اگرچه گستردگی و گسترش مناطق کانونی بر اساس علل تصادف متفاوت است، اما آنها یک کانون اصلی مشترک دارند. این مشاهدات بصری است زیرا کانون همه دسته‌های تصادفات در مرکز شهر یا مناطق تجاری مرکزی منطقه شهری دمام واقع شده است. سرعت بالاترین درصد (۴۶٫۴ درصد) و پس از آن تغییر خط ناگهانی (۴۳٫۹ درصد) است.جدول ۱ ). تصادفات ناشی از تخلفات رانندگی یکی دیگر از دسته های تصادف رایج بود که نقشه برداری شد. این موارد شامل تخلفات دستگاه های کنترل ترافیک (TCD) مانند علائم راهنمایی و رانندگی، علائم ایست، خط کشی جاده، عدم رعایت گذرگاه های عابر پیاده، و حواس پرتی ناشی از استفاده از تلفن همراه در حین رانندگی است. حدود ۲۹ درصد از کل تصادفات در این کلاس در مناطق هات اسپات قرار دارند.

۴٫۲٫۳٫ تجزیه و تحلیل هات اسپات بر اساس انواع خرابی

توزیع نقاط داغ بر اساس انواع تصادف در شکل ۶ نشان داده شده است. مشخص شد که تصادفات بین دو یا چند حالت حمل و نقل موتوری، غالب ترین انواع تصادفات هستند که بیش از ۶۸ درصد از کل تصادفات را تشکیل می دهند. بخش قابل توجهی از برخوردها تصادفات از عقب در مناطق معضل نزدیک تقاطع های سیگنالینگ بود که در درجه اول منجر به تصادفات غیرکشنده شد. تقریباً ۵۳ درصد از کل برخوردها مربوط به نقاط داغ بوده است. نوع متداول بعدی تصادف در این دسته “تصادف با اشیاء ثابت” بود که شامل برخورد با تیر، درخت و وسایل نقلیه پارک شده و غیره بود. فقط ۱۷٪ از تصادفات شی ثابت به عنوان نقاط داغ علامت گذاری شدند. اگرچه نقاط حادثه خیز عابر پیاده درصد پایینی (۱۹٫۳ درصد) از کل تصادفات در این دسته را تشکیل می دهند، اما منجر به تعداد زیادی جراحات و تلفات شده است. به ویژه عابران پیاده مسن بیشتر در معرض تصادفات شدید بودند.شکل ۶ ) نیز در منطقه مرکزی شهر متمرکز شده است.

۴٫۳٫ تجزیه و تحلیل GWR برای جمعیت محله استفاده از زمین و شمارش تصادف، شدت، علل و انواع

هدف دوم این مطالعه بررسی روابط بین جمعیت کل هر محله ( شکل ۲ ) در برابر تعداد تصادفات وسایل نقلیه بر اساس ویژگی های آنها (شدت، علل و انواع) رخ داده در آن محله در طول دوره مورد مطالعه بود. همانطور که در بخش روش ها بحث شد، چنین روابطی با استفاده از تجزیه و تحلیل GWR مورد بررسی قرار گرفت. نتایج تجزیه و تحلیل GWR در شکل ۷ ، شکل ۸ و شکل ۹ نشان داده شده است.. هر شکل انحراف استاندارد باقیمانده ها (SDR) را نشان می دهد، که نشان دهنده محله هایی است که مدل بیش از حد و کمتر از مقدار متغیر وابسته (ویژگی های خرابی) را پیش بینی کرده است. محله‌هایی با مقادیر SDR کمتر از ۱٫۵- در مقایسه با جمعیت آن محله‌ها، ویژگی‌های خرابی بسیار پایینی دارند. از سوی دیگر، محله‌هایی که مقدار SDR بالاتر از ۱٫۵ دارند، دارای ارزش برای ویژگی‌های تصادف هستند که در مقایسه با جمعیت آن محله‌ها، بسیار بالاست. محله‌هایی با مقادیر SDR بین -۰٫۵ و +۰٫۵ دارای ویژگی‌های تصادف نسبتاً متناسبی در مقایسه با جمعیت‌های محله هستند.

۴٫۳٫۱٫ تجزیه و تحلیل GWR برای شدت تصادف محله

در شکل ۷، مقادیر SDR برای روابط بین جمعیت و شدت تصادف (خراش های FI و PDO) ارائه شده است. مشاهده می شود که تصادفات فوتی و جرحی (FI) عمدتاً در محله هایی با کاربری مسکونی و مختلط مسکونی-تجاری که تراکم جمعیت نسبتاً بالایی وجود دارد، واقع شده است. این محله ها در معرض رانندگی مکرر هستند و ساکنان در هنگام رفت و آمد برای فعالیت های روزانه در معرض ترافیک بالایی هستند. بخش کوچکی از تصادفات FI نیز در محله ها و مناطق صنعتی/اشتغالی رخ داده است. مناطق تجاری کمترین نسبت این تصادفات را دارند. تصادفات فقط خسارت اموال (PDO) عمدتاً در مناطق مسکونی و صنعتی/کاربری زمین با تراکم جمعیت کم و با وسایل نقلیه سبک و/یا کم حرکت متمرکز است.

۴٫۳٫۲٫ تجزیه و تحلیل GWR برای علل تصادف محله

در شکل ۸ ، تجزیه و تحلیل GWR برای جمعیت و علل سقوط غالب در منطقه مورد مطالعه نشان داده شده است. از شکل مشهود است که حواس‌پرتی، سرعت زیاد، تصادف‌های خواب/خستگی الگوهای مشابهی با محله‌های پرجمعیت در مناطق مسکونی دارد. تصادفات ناشی از تغییر مسیر ناگهانی نیز در مناطق مسکونی و مختلط تجاری-مسکونی بارزتر است. درصد کمی از تصادفات در مناطق مسکونی و صنعتی/اشتغالی به دلیل شرایط نامناسب جاده و سطح رخ داده است.

۴٫۳٫۳٫ تجزیه و تحلیل GWR برای انواع تصادفات محله

شکل ۹رابطه بین جمعیت و توزیع تصادفات را با انواع خرابی های رایج به تصویر می کشد. نتایج نشان می‌دهد که برخورد و برخورد با اجسام ثابت در محله‌های مسکونی با تراکم جمعیت بالا در بخش‌های شمال غربی منطقه مورد مطالعه غالب است. خیابان ها در این مناطق باریک است. رابطه با امکانات تجاری، مختلط تجاری- مسکونی و عمومی ضعیف است. خرابی‌های جسم ثابت همبستگی مثبت بالایی با مناطق مسکونی و صنعتی/استخدامی کم‌ساخت دارند. مناطق مختلط تجاری-مسکونی و تجاری در جنوب شرقی شهر نیز قرابت مثبت جزئی با سقوط اجسام ثابت دارند. تصادفات عابر پیاده ارتباط مثبتی با استفاده از زمین های مسکونی متوسط تا بسیار متراکم و مناطق تجاری-مسکونی مختلط دارد.

۵٫ نتیجه گیری ها

این مطالعه با هدف بررسی رابطه بین تصادفات ترافیکی با تراکم جمعیت شهری و کاربری زمین در بافت منطقه شهری دمام در ساحل شرقی KSA انجام شد. تجزیه و تحلیل GWR برای بررسی ناهمگونی فضایی و غیر ایستایی تصادفات ترافیکی مورد استفاده قرار گرفت. نقاط حادثه خیز و نقشه های خطر مبتنی بر GWR برای انواع تصادف غالب، علل تصادف، و دو گروه شدت (FI و PDO) در سطح منطقه ای در منطقه مورد مطالعه توسعه داده شد. سه نوع تصادف و هفت علت اصلی تصادف (بیش از ۹۰٪) برای نقشه‌برداری نقاط داغ قابل توجه بود. مشخص شد که نقاط داغ برای تصادفات FI در محله‌های مسکونی و نزدیک مناطق تسهیلات عمومی با تراکم جمعیت کم تا متوسط و در امتداد بزرگراه‌هایی با سرعت سفر نسبتاً بالا قرار دارند. برعکس، نقاط داغ برای تصادفات PDO در مناطق مسکونی و صنعتی/تجاری با جمعیت متوسط تا پر تراکم متمرکز شدند. این مناطق دارای حجم ترافیکی قابل توجهی بالا با محدودیت سرعت کم سفر بودند. این توزیع نقاط داغ بر اساس شدت تصادف مورد انتظار است زیرا تراکم بالای جمعیت در این مناطق با حجم ترافیک زیاد و سرعت کم سفر همراه است که احتمال آسیب‌های شدید و تلفات جانی را کاهش می‌دهد. این مشاهدات با مطالعات قبلی مطابقت دارد [ این توزیع نقاط داغ بر اساس شدت تصادف مورد انتظار است زیرا تراکم بالای جمعیت در این مناطق با حجم ترافیک زیاد و سرعت کم سفر همراه است که احتمال آسیب‌های شدید و تلفات جانی را کاهش می‌دهد. این مشاهدات با مطالعات قبلی مطابقت دارد [ این توزیع نقاط داغ بر اساس شدت تصادف مورد انتظار است زیرا تراکم بالای جمعیت در این مناطق با حجم ترافیک زیاد و سرعت کم سفر همراه است که احتمال آسیب‌های شدید و تلفات جانی را کاهش می‌دهد. این مشاهدات با مطالعات قبلی مطابقت دارد [۲۷ ، ۳۹ ، ۴۰ ، ۴۱ ، ۶۹ ]. لی و ختاک نشان دادند که تصادفات شدید بیشتر در حومه شهر رخ می دهد، در حالی که تصادفات با شدت کم در داخل شهر جمع شده اند [ ۶۹ ].

توزیع نقاط داغ و تجزیه و تحلیل GWR برای علل تصادف نشان داد که کانون‌های زمین لرزه در نظر گرفته شده در این دسته در CBD منطقه مورد مطالعه قرار دارند. تصادفات ناشی از انحراف ناگهانی خط بیشترین نسبت تصادفات مشاهده شده را تشکیل می دهند و بیشتر در مناطق مسکونی و مختلط تجاری-مسکونی قرار دارند. رانندگی خستگی که عمدتاً در مناطق مسکونی و تجاری با تراکم متوسط متمرکز شده است، کمترین نسبت تصادفات را در این دسته به خود اختصاص داده است. مناطق صنعتی/اشتغالی در مقایسه با تراکم جمعیت، برخوردهای بسیار کمی داشتند (بر اساس همه دلایل تصادف). مشاهدات مشابهی نیز توسط مطالعات قبلی گزارش شده است [ ۴۲ ، ۴۳]. به طور مشابه، نقاط داغ و تجزیه و تحلیل GWR بر اساس انواع تصادف منجر به الگوهای مشابهی از توزیع تصادف شد، با CBD که مرکز همه انواع تصادف است. تصادفات وسایل نقلیه که بخش قابل توجهی از کل تصادفات را نشان می‌دهند در محله‌های مسکونی پر تراکم همراه با لینک‌های باریک و متراکم غالب‌تر هستند. با این حال، مناطق تجاری و تسهیلات عمومی با تراکم جمعیت کم برخورد کمتری داشتند. اجسام ثابت و تصادفات عابر پیاده در مناطق تجاری و مختلط تجاری و مسکونی با تراکم جمعیت متوسط غالب بود. مطالعه ای که توسط دای و همکاران انجام شد. گزارش داد که تصادفات عابر پیاده در بخش هایی با تعداد بیشتری از ایستگاه های حمل و نقل عمومی و آنهایی که در نزدیکی خانوارهای متراکم واقع شده اند، جمع می شوند [ ۷۰ ].

دانش به‌دست‌آمده از این مطالعه، بینش‌های مفیدی را برای درک بهتر رابطه متقابل پیچیده بین ایمنی ترافیک و کاربری زمین فراهم می‌کند. می‌تواند به مقامات و آژانس‌های ایمنی جاده کمک کند تا مکان‌های تصادف پرخطر را در سطح تفکیک‌شده با ویژگی‌های خاص تصادف، به عنوان مثال، علت تصادف، نوع تصادف، و/یا شدت تصادف مشخص کنند. چنین تحلیل دقیقی همچنین می‌تواند راهنمایی‌های اساسی برای سیاست‌گذاران برای برنامه‌ریزی و استراتژی‌های مدیریتی بهتر و استفاده کارآمد از منابع مناسب برای افزایش ایمنی در سطح منطقه ارائه کند. یکی از اشکالات مطالعه حاضر این است که استفاده از زمین را به صراحت در مدل GWR لحاظ نکرده است. متأسفانه درصدهای کاربری اراضی در محله فردی در دسترس نبود که ممکن است در مطالعات آتی مورد توجه قرار گیرد. مطالعات آتی می‌تواند ویژگی‌های دقیق محیط ساخته‌شده، مانند ابزارهای مدیریت دسترسی، ابزارهای پیاده‌مدار، و جمعیت‌شناسی اجتماعی جمعیت را برای ارزیابی تغییرات مکانی-زمانی تصادفات در نظر بگیرد. همچنین بررسی تأثیر سایر عوامل سیاسی، اجتماعی و مهندسی مانند اجرای پلیس، ترتیبات / حجم ترافیک، طراحی زیرساخت و غیره در مطالعات آتی جالب خواهد بود. مطالعات همچنین می‌توانند عملکرد GWR را با مدل‌های دیگر مانند مدل‌های فضایی بیزی و مدل پارامتر باج که ناهمگونی فضایی را در شناسایی مکان‌های مستعد تصادف به حساب می‌آورند، مقایسه کنند. در نهایت، مطالعات می‌تواند بر تجزیه و تحلیل دقیق نقاط داغ برای گروه‌های کاربران آسیب‌پذیر جاده (VRUs) مانند عابران پیاده، موتورسواران و غیره در ارتباط با ویژگی‌های محیط ساخته شده تمرکز کند.

منابع

سازمان بهداشت جهانی. گزارش وضعیت جهانی ایمنی راه ۲۰۱۸ ; WHO: ژنو، سوئیس، ۲۰۱۹٫ [ Google Scholar ]
Janstrup، KH گزارش سالانه ایمنی جاده ; انتشارات OECD: پاریس، فرانسه، ۲۰۱۷٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
Al Turki، YA چگونه عربستان سعودی می تواند از دهه اقدام برای ایمنی جاده ها برای تسریع سیاست ها و مداخلات پیشگیری از آسیب های ترافیکی جاده ای استفاده کند؟ بین المللی J. Inj. کنترل. Saf. ارتقاء دهید. ۲۰۱۳ ، ۲۱ ، ۳۹۷-۴۰۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
محمد، HA برآورد هزینه اجتماعی-اقتصادی تصادفات جاده ای در عربستان سعودی: رویکرد تمایل به پرداخت (WTP). Adv. مدیریت Appl. اقتصاد. ۲۰۱۵ ، ۵ ، ۴۳٫ [ Google Scholar ]
جمال، ع. رحمان، MT; الاحمدی، ح.م. منصور، U. معضل ایمنی راه در استان شرقی عربستان سعودی: پیامدها و راهبردهای پیشگیری. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۹ ، ۱۷ ، ۱۵۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
Gundogdu، IB استفاده از روش‌های تحلیل خطی برای رویه‌های پشتیبانی شده توسط GIS برای جلوگیری از حوادث ترافیکی: مطالعه موردی قونیه. Saf. علمی ۲۰۱۰ ، ۴۸ ، ۷۶۳-۷۶۹٫ [ Google Scholar ] [ CrossRef ]
لرد، دی. واشنگتن، اس. ایوان، جی پواسون، پواسون-گاما و مدل‌های رگرسیون با تورم صفر تصادفات وسایل نقلیه موتوری: تعادل برازش آماری و نظریه. اسید. مقعدی قبلی ۲۰۰۵ ، ۳۷ ، ۳۵-۴۶٫ [ Google Scholar ] [ CrossRef ]
لرد، دی. Mannering، FL تجزیه و تحلیل آماری داده های فرکانس تصادف: بررسی و ارزیابی جایگزین های روش شناختی. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۰ ، ۴۴ ، ۲۹۱-۳۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
عبدالحفظ، الف. مدل‌های پیش‌بینی تصادف جاده‌ای: رویکردهای مدل‌سازی آماری مختلف. J. Transp. تکنولوژی ۲۰۱۷ ، ۷ ، ۱۹۰-۲۰۵٫ [ Google Scholar ] [ CrossRef ]
ماهر، ام جی. سامرزگیل، I. یک روش جامع برای برازش مدل های تصادف پیش بینی. اسید. مقعدی قبلی ۱۹۹۶ ، ۲۸ ، ۲۸۱-۲۹۶٫ [ Google Scholar ] [ CrossRef ]
Miaou، S.-P. Lum، H. مدل‌سازی تصادفات خودرو و روابط طراحی هندسی بزرگراه. اسید. مقعدی قبلی ۱۹۹۳ ، ۲۵ ، ۶۸۹-۷۰۹٫ [ Google Scholar ] [ CrossRef ]
میلتون، جی. Mannering، FL رابطه بین هندسی بزرگراه، عناصر مرتبط با ترافیک و فرکانس تصادفات وسیله نقلیه موتوری. حمل و نقل ۱۹۹۸ ، ۲۵ ، ۳۹۵-۴۱۳٫ [ Google Scholar ] [ CrossRef ]
عبدالعطی، م. اودین، ن. مدل‌های Pande، A. Split برای پیش‌بینی تصادفات چند خودرو در شرایط عملیاتی پرسرعت و کم سرعت در آزادراه‌ها. ترانسپ Res. ضبط ۲۰۰۵ ، ۱۹۰۸ ، ۵۱-۵۸٫ [ Google Scholar ] [ CrossRef ]
لی، سی. هلینگا، بی. Saccomanno، F. مدل پیش‌بینی تصادف در زمان واقعی برای کاربرد در پیشگیری از تصادف در ترافیک آزادراه. ترانسپ Res. ضبط ۲۰۰۳ ، ۱۸۴۰ ، ۶۷-۷۷٫ [ Google Scholar ] [ CrossRef ]
Montella، A. تجزیه و تحلیل مقایسه ای روش های شناسایی نقاط داغ. اسید. مقعدی قبلی ۲۰۱۰ ، ۴۲ ، ۵۷۱-۵۸۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Qu، X. Meng, Q. یادداشتی در مورد شناسایی نقاط مهم برای بزرگراه های شهری. Saf. علمی ۲۰۱۴ ، ۶۶ ، ۸۷-۹۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هوانگ، اچ. چانه، HC; Haque, M. ارزیابی تجربی رویکردهای جایگزین در شناسایی نقاط داغ تصادف. ترانسپ Res. ضبط ۲۰۰۹ ، ۲۱۰۳ ، ۳۲-۴۱٫ [ Google Scholar ] [ CrossRef ]
یو، اچ. لیو، Z.-H. چن، جی. وانگ، اچ. تجزیه و تحلیل مقایسه ای روش های تجزیه و تحلیل فضایی برای شناسایی نقاط داغ. اسید. مقعدی قبلی ۲۰۱۴ ، ۶۶ ، ۸۰-۸۸٫ [ Google Scholar ] [ CrossRef ]
دبرابانت، بی. هلکوه، یو. Bonat، WH; Hansen، DL; Hjelmborg، JB; Lauritsen، JM شناسایی نقاط سیاه تصادفات رانندگی با مدل های پواسون-تویدی. اسید. مقعدی قبلی ۲۰۱۸ ، ۱۱۱ ، ۱۴۷-۱۵۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
دونگ، ن. هوانگ، اچ. لی، جی. گائو، ام. عبدالآتی، M. شناسایی نقاط داغ ماکروسکوپی: رویکرد تعامل مکانی-زمانی بیزی. اسید. مقعدی قبلی ۲۰۱۶ ، ۹۲ ، ۲۵۶-۲۶۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
قادی، م. Török، Á. مقایسه روش های مختلف شناسایی نقطه سیاه ترانسپ Res. Procedia ۲۰۱۷ ، ۲۷ ، ۱۱۰۵-۱۱۱۲٫ [ Google Scholar ] [ CrossRef ]
اندرسون، تخمین چگالی کرنل TK و خوشه‌بندی K-means به نمایه نقاط حادثه خیز جاده‌ای. اسید. مقعدی قبلی ۲۰۰۹ ، ۴۱ ، ۳۵۹-۳۶۴٫ [ Google Scholar ] [ CrossRef ]
زی، ز. Yan, J. تشخیص خوشه های تصادفات ترافیکی با تخمین تراکم هسته شبکه و آمار فضایی محلی: یک رویکرد یکپارچه. J. Transp. Geogr. ۲۰۱۳ ، ۳۱ ، ۶۴-۷۱٫ [ Google Scholar ] [ CrossRef ]
ماه، ای. بریج، تی. Wets, G. شناسایی مکان های خطرناک جاده: نقاط داغ در مقابل مناطق داغ. در کامپیوتر ویژن ؛ Springer Science and Business Media LLC: برلین، آلمان، ۲۰۰۹; جلد ۵۷۳۰، ص ۲۸۸–۳۰۰٫ [ Google Scholar ]
شریف، اس آر. Maad، HA; حلیم، NNA; Derasit, Z. تعیین نقاط داغ تصادفات جاده ای با استفاده از تحلیل فضایی. هندوستان جی الکتر. مهندس محاسبه کنید. علمی ۲۰۱۸ ، ۹ ، ۱۴۶-۱۵۱٫ [ Google Scholar ] [ CrossRef ]
ثکالی، ال. کوون، تی جی؛ فو، L. شناسایی نقاط حادثه خیز با استفاده از تخمین چگالی هسته و روش های کریجینگ: مقایسه. J. Mod. ترانسپ ۲۰۱۵ ، ۲۳ ، ۹۳-۱۰۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سلطانی، ع. عسگری، س. بررسی خودهمبستگی فضایی تصادفات رانندگی بر اساس شدت. آسیب ۲۰۱۷ ، ۴۸ ، ۶۳۷–۶۴۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
اردوغان، اس. یلماز، من. بایبورا، تی. گولو، م. یلماز، I. سیستم های اطلاعات جغرافیایی به کمک سیستم تجزیه و تحلیل حوادث ترافیکی مطالعه موردی: شهر آفیون کاراهیسار. اسید. مقعدی قبلی ۲۰۰۸ ، ۴۰ ، ۱۷۴-۱۸۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
چن، سی. لی، تی. سان، ج. Chen, F. Hotspot Identification برای بزرگراه های شانگهای با استفاده از روش ارزیابی کمی ریسک. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۶ ، ۱۴ ، ۲۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
چنگ، دبلیو. واشنگتن، اس. ارزیابی تجربی روشهای شناسایی نقاط حساس. اسید. مقعدی قبلی ۲۰۰۵ ، ۳۷ ، ۸۷۰-۸۸۱٫ [ Google Scholar ] [ CrossRef ]
زو، ی. ژونگ، ایکس. اش، جی. زنگ، ز. وانگ، ی. هائو، ی. پنگ، ی. توسعه روش تجزیه و تحلیل تجربی بیز مبتنی بر خوشه‌بندی برای شناسایی نقاط داغ. J. Adv. ترانسپ ۲۰۱۷ ، ۲۰۱۷ ، ۱–۹٫ [ Google Scholar ] [ CrossRef ]
لان، بی. Persaud، B. رویکرد کاملاً بیزی برای بررسی و ارزیابی معیارهای رتبه بندی برای شناسایی نقطه سیاه. ترانسپ Res. ضبط ۲۰۱۱ ، ۲۲۳۷ ، ۱۱۷-۱۲۵٫ [ Google Scholar ] [ CrossRef ]
کیم، ک. یاماشیتا، E. تصادفات وسایل نقلیه موتوری و استفاده از زمین: تجزیه و تحلیل تجربی از هاوایی. ترانسپ Res. ضبط ۲۰۰۲ ، ۱۷۸۴ ، ۷۳-۷۹٫ [ Google Scholar ] [ CrossRef ]
زاهد، م. چن، ی. خان، س. جمال، ع. ایجاز، م. احمد، تی. پیش‌بینی رفتار رانندگی پرخطر و تهاجمی در میان رانندگان تاکسی: آیا ویژگی‌های مکانی-زمانی مهم هستند؟ بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ , ۱۷ , ۳۹۳۷٫ [ Google Scholar ] [ CrossRef ]
جمال، ع. رحمان، MT; الاحمدی، ح.م. الله، اچ ام. زاهد، م. کنترل تقاطع هوشمند برای بهینه سازی تاخیر: با استفاده از الگوریتم های جستجوی فراابتکاری. پایداری ۲۰۲۰ ، ۱۲ ، ۱۸۹۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
الیاس، دبلیو. شیفتان، ی. تأثیر درک ریسک و نگرش افراد بر رفتار سفر. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۲ ، ۴۶ ، ۱۲۴۱-۱۲۵۱٫ [ Google Scholar ] [ CrossRef ]
زاهد، م. چن، ی. جمال، ع. الوفی، کالیفرنیا؛ الاحمدی، HM اتخاذ تکنیک‌های یادگیری ماشین و تحلیل فضایی برای ارزیابی ریسک راننده: بینش‌هایی از یک مطالعه موردی. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۵۱۹۳٫ [ Google Scholar ] [ CrossRef ]
کنداکچی، ای. تویدس یامان، ح. درک توزیع نقاط داغ تصادفات ترافیکی در مناطق شهری. در مجموعه مقالات نود و سومین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، ۱۲ تا ۱۶ ژانویه ۲۰۱۴٫ [ Google Scholar ]
بن هاموش، م. الجناحی، ع. المدنی، ح. حوادث ترافیکی در بحرین: تجزیه و تحلیل آماری و مکانی مبتنی بر GIS. J. King Saud Univ. ۲۰۱۱ ، ۲۳ ، ۱-۱۸٫ [ Google Scholar ]
Noland، RB; قدوس، م. تجزیه و تحلیل تفکیک فضایی از تلفات جاده ای در انگلستان. اسید. مقعدی قبلی ۲۰۰۴ ، ۳۶ ، ۹۷۳-۹۸۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
زی، بی. آن، ز. ژنگ، ی. Li، Z. گنجاندن ایمنی حمل و نقل در برنامه ریزی کاربری زمین: پیش ارزیابی اثرات تبدیل کاربری زمین در تصادفات شدید در شهری چین. Appl. Geogr. ۲۰۱۹ ، ۱۰۳ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ]
Pulugurtha، SS; دودو، VR؛ Kotagiri، Y. مدل‌های برآورد تصادف سطح منطقه تحلیل ترافیک بر اساس ویژگی‌های کاربری زمین. اسید. مقعدی قبلی ۲۰۱۳ ، ۵۰ ، ۶۷۸-۶۸۷٫ [ Google Scholar ] [ CrossRef ]
یانگ، BZ; لو، BP; یانگ، زی. استفاده از زمین و برخوردهای ترافیکی: تجزیه و تحلیل ویژگی پیوند با استفاده از روش بیز تجربی. اسید. مقعدی قبلی ۲۰۱۶ ، ۹۵ ، ۲۳۶-۲۴۹٫ [ Google Scholar ] [ CrossRef ]
چن، پی. ژو، جی. اثرات محیط ساخته شده بر فرکانس و خطر تصادف عابر پیاده ناشی از خودرو. J. Transp. سلامت ۲۰۱۶ ، ۳ ، ۴۴۸-۴۵۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شفابخش، ج.ا. فامیلی، ع. بهادری، تحلیل فضایی تصادفات ترافیکی شهری مبتنی بر MS GIS: مطالعه موردی در مشهد، ایران. J. Traffic Transp. مهندس ۲۰۱۷ ، ۴ ، ۲۹۰-۲۹۹٫ [ Google Scholar ] [ CrossRef ]
مهیمانی، ع. شهری، م. میرباقری، ب. روش مبتنی بر GIS برای تشخیص بخش‌های جاده‌ای پرخطر با استفاده از تخمین تراکم هسته شبکه. ژئو اسپات. Inf. علمی ۲۰۱۳ ، ۱۶ ، ۱۱۳-۱۱۹٫ [ Google Scholar ] [ CrossRef ]
Ulak، MB; Ozguven، EE; Vanli، OA; Horner, MW در حال بررسی وزن‌های فضایی جایگزین برای شناسایی نقاط حادثه خیز. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۹ ، ۷۸ ، ۱۰۱۳۹۸٫ [ Google Scholar ] [ CrossRef ]
بیل، ام. آندراشیک، آر. Sedonik, J. تجزیه و تحلیل دقیق مکانی-زمانی نقاط داغ تصادف ترافیک. Appl. Geogr. ۲۰۱۹ ، ۱۰۷ ، ۸۲-۹۰٫ [ Google Scholar ] [ CrossRef ]
درلی، MA; اردوغان، اس. مدلی جدید برای تعیین نقاط سیاه تصادفات رانندگی با استفاده از روش‌های آماری فضایی به کمک GIS. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۷ ، ۱۰۳ ، ۱۰۶-۱۱۷٫ [ Google Scholar ] [ CrossRef ]
یالچین، جی. Duzgun، HS تجزیه و تحلیل فضایی تصادفات خودروهای دو چرخ: عثمانیه در ترکیه. KSCE J. Civ. مهندس ۲۰۱۵ ، ۱۹ ، ۲۲۲۵-۲۲۳۲٫ [ Google Scholar ] [ CrossRef ]
یوان، تی. زنگ، ایکس. Shi, T. شناسایی نقاط سیاه جاده شهری با روشی جدید بر اساس الگوریتم خوشه‌بندی کرم شب تاب و سیستم اطلاعات جغرافیایی. پایداری ۲۰۲۰ ، ۱۲ ، ۲۰۹۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بات، ا. احمد، اس.اس. شبیر، ر. Erum، S. GIS نظارت بر خطر تصادفات ترافیکی جاده ای (rta) برای شهر راولپندی: یک رویکرد جغرافیایی آماری. کویت J. Sci. ۲۰۱۷ ، ۴۴ ، ۱۲۹-۱۳۴٫ [ Google Scholar ]
Le، KG; لیو، پی. لین، ال.-تی. تعیین نقاط حادثه خیز ترافیک جاده ای با استفاده از تکنیک های تحلیلی آماری زمانی- مکانی مبتنی بر GIS در هانوی، ویتنام. ژئو اسپات. Inf. علمی ۲۰۱۹ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژنگ، ال. رابینسون، آر.ام. خطک، ع. وانگ، ایکس. همه حوادث برابر نیستند: استفاده از مدل‌های رگرسیون وزن‌دار جغرافیایی برای ارزیابی و پیش‌بینی اثرات تصادف. در مجموعه مقالات سومین کنفرانس بین المللی ایمنی و شبیه سازی جاده ها، ایندیاناپولیس، ایالت متحده آمریکا، ۱۴ تا ۱۶ سپتامبر ۲۰۱۱٫ ص ۱۴-۱۶٫ [ Google Scholar ]
ثروری، ا. مقدم، ع.م. صالحی، محمد. J. Transp. Saf. امن ۲۰۲۰ ، ۱-۲۵٫ [ Google Scholar ] [ CrossRef ]
لی، ز. وانگ، دبلیو. لیو، Z.-H. بیغام، جی.ام. Ragland، DR با استفاده از رگرسیون پواسون وزن‌دار جغرافیایی برای مدل‌سازی تصادف در سطح شهرستان در کالیفرنیا. Saf. علمی ۲۰۱۳ ، ۵۸ ، ۸۹-۹۷٫ [ Google Scholar ] [ CrossRef ]
لی، ز. لی، ی. لی، SH; Valiou، E. مدل‌های رگرسیون وزن‌دار جغرافیایی برای پیش‌بینی‌پذیری بهبود تصادفات خودروهای تقاطع شهری. در مجموعه مقالات کنگره مؤسسه حمل و نقل و توسعه ۲۰۱۱: حمل و نقل و توسعه یکپارچه برای فردای بهتر، شیکاگو، IL، ایالات متحده آمریکا، ۱۳ تا ۱۶ مارس ۲۰۱۱٫ ص ۱۳۱۵–۱۳۲۹٫ [ Google Scholar ]
پیردوانی، ع. بریج، تی. بلمنز، تی. Wets، G. تجزیه و تحلیل فضایی تصادفات مرگبار و جراحت در فلاندر، بلژیک: کاربرد تکنیک رگرسیون وزن‌دار جغرافیایی. در مجموعه مقالات نود و دومین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن، دی سی، ایالات متحده آمریکا، ۱۳ تا ۱۷ ژانویه ۲۰۱۳٫ [ Google Scholar ]
لی، ال. زو، ال. Sui، DZ یک رویکرد بیزی مبتنی بر GIS برای تجزیه و تحلیل الگوهای مکانی-زمانی تصادفات وسایل نقلیه موتوری درون شهری. J. Transp. Geogr. ۲۰۰۷ ، ۱۵ ، ۲۷۴-۲۸۵٫ [ Google Scholar ] [ CrossRef ]
هوانگ، ی. وانگ، ایکس. پاتون، دی. بررسی روابط فضایی بین تصادفات و محیط ساخته شده: یک رویکرد رگرسیون وزن‌دار جغرافیایی. J. Transp. Geogr. ۲۰۱۸ ، ۶۹ ، ۲۲۱-۲۳۳٫ [ Google Scholar ] [ CrossRef ]
بله، ی. زو، ز. یوان، ایکس. ژانگ، اس. زنگ، ایکس. An، Y. چن، ب. مدل رگرسیون وزن‌دار جغرافیایی برای تحلیل نقطه سیاه ترافیک شهری. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2017 (IGARSS)، فورث ورث، TX، ایالات متحده، ۲۳ تا ۲۸ ژوئیه ۲۰۱۷؛ صص ۴۸۶۶-۴۸۶۹٫ [ Google Scholar ]
رحمان، MT; آلدوسری، ع. مورتوجا، جی. مدل‌سازی تغییرات پوشش زمین در آینده و اثرات آنها بر دمای سطح زمین در شهر ساحلی دمام عربستان سعودی. Land ۲۰۱۷ , ۶ , ۳۶٫ [ Google Scholar ] [ CrossRef ]
مرجع عمومی آمار آمار جمعیت پادشاهی عربستان سعودی: آمار جمعیت بر اساس مناطق. در دسترس آنلاین: https://www.stats.gov.sa/en/43 (در ۱۵ ژوئیه ۲۰۲۰ قابل دسترسی است).
اداره کل ترافیک تعداد وسایل نقلیه ثبت شده در پادشاهی بر اساس منطقه . مرجع عمومی آمار: ریاض، عربستان سعودی، ۲۰۱۸٫
رحمان، MT; ناهیدزمان، KM بررسی دسترسی پیاده روی، تمایل، و شرایط سفر ساکنان شهرهای سعودی. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۹ ، ۱۶ ، ۵۴۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Iyanda، AE; اوسایومی، تی. آیا رابطه ای بین شاخص های اقتصادی و تلفات جاده ای در تگزاس وجود دارد؟ تجزیه و تحلیل رگرسیون جغرافیایی وزن دار چند مقیاسی. جئوژورنال ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
Ratrout، N. وضعیت تایر و تمرین رانندگان در نگهداری لاستیک در عربستان سعودی. اسید. مقعدی قبلی ۲۰۰۵ ، ۳۷ ، ۲۰۱-۲۰۶٫ [ Google Scholar ] [ CrossRef ]
Gazzete، S. انفجار لاستیک باعث ۳۰ درصد تصادفات در جاده های عربستان شد: ۲۰۱۳٫ در دسترس آنلاین: https://saudigazette.com.sa/article/58576 (در ۳ سپتامبر ۲۰۲۰ قابل دسترسی است).
لی، ام. ختک، مطالعه موردی AJ شناسایی الگوی فضایی شدت تصادف در تجزیه و تحلیل نقطه داغ. ترانسپ Res. ضبط J. Transp. Res. هیئت ۲۰۱۹ ، ۲۶۷۳ ، ۶۸۴–۶۹۵٫ [ Google Scholar ] [ CrossRef ]
دای، دی. جاورسکی، دی. تأثیر محیط ساخته شده بر تصادفات عابر پیاده: تجزیه و تحلیل GIS مبتنی بر شبکه. Appl. Geogr. ۲۰۱۶ ، ۷۳ ، ۵۳-۶۱٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ منطقه مطالعاتی در شهر دمام.

شکل ۲٫ نقشه جمعیت و کاربری اراضی منطقه مورد مطالعه.

شکل ۳٫ توزیع زمانی تصادفات در منطقه مورد مطالعه (۲۰۰۹-۲۰۱۶): ( الف ) تصادفات، جراحات و تلفات در مقایسه با زمان، ( ب ) میانگین تصادفات ماهانه در مقایسه با زمان، ( ج ) میانگین تصادفات روز هفته/آخر هفته در مقایسه با زمان، ( د ) میانگین تصادفات ساعتی در مقایسه با زمان.

شکل ۴٫ توزیع نقاط داغ بر اساس شدت تصادف: فقط خسارت اموال (PDO) ( بالا ). کشنده و جراحت (FI) ( پایین ).

شکل ۵٫ توزیع نقاط داغ بر اساس علل تصادف.

شکل ۶٫ توزیع نقاط داغ بر اساس انواع تصادف.

شکل ۷٫ توزیع انحرافات استاندارد مقادیر باقیمانده (SDR) برای توزیع شدت تصادف.

شکل ۸٫ توزیع مقادیر SDR برای علل مختلف خرابی.

شکل ۹٫ توزیع مقادیر SDR برای انواع مختلف خرابی.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام