مهندسی ترافیک

مهندسی ترافیک

تأثیر فضایی سهم انواع کاربری‌های زمین در وقوع تصادفات بر اساس نواحی ترافیکی مطالعه موردی: کلان‌شهر شیراز

نوع مقاله : مقاله پژوهشی

نویسندگان
محمد صدیق باور 1
علی نادران 2
محمود صفارزاده 3
1 پژوهشگر دکتری، گروه تخصصی عمران راه و ترابری و حمل‌ونقل، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
2 استادیار، برنامه‌ریزی و مهندسی حمل‌ونقل، دانشکده مهندسی عمران، معماری و هنر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 استاد، برنامه‌ریزی و مهندسی حمل‌ونقل، دانشکده مهندسی عمران و محیط‌زیست، دانشگاه تربیت مدرس، تهران، ایران
چکیده
نوع کاربری زمین در هر ناحیه ترافیکی مهم‌ترین عامل تعیین‌کننده تعداد وسایل نقلیه، ویژگی­های هندسی و ترافیکی در آن ناحیه است. کاهش تراکم و اختلاط انواع وسایل نقلیه و در محیط­های شهری به‌منظور کاهش تصادفات یکی از مهم‌ترین دغدغه­های مهندسین حمل‌ونقل است. در این مطالعه به‌منظور بررسی تأثیر سهم انواع کاربری‌ها در هریک از نواحی ترافیکی شهر شیراز بر احتمال وقوع تصادف، از روش دومرحله‌ای شامل شناسایی انواع کاربری­های تأثیرگذار در بروز تصادف و همچنین اثرات فضایی بین متغیرهای مستقل و داده­های تصادف در فضا استفاده گردیده است همچنین از روش­های هسته چگالی کرنل به‌منظور یافتن پهنای باند مناسب جستجوی مشاهدات، رگرسیون وزن‌دار جغرافیایی و رگرسیون پواسن وزن‌دار جغرافیایی به‌منظور بررسی اثرات فضایی تأثیر سهم انواع کاربری­ها بر وقوع تصادف استفاده شده است. نتایج مطالعه نشان داده­ است که از بین مدل­های مذکور مدل محلی GWPR بر اساس معیارهای صحت سنجی عملکرد بهتری نسبت به مدل جهانی پواسن و مدل محلی GWR دارد همچنین وجود کاربری مسکونی، تجاری، بایر و متروکه و اختلاط مسکونی و غیرمسکونی بیشترین تأثیر را در بروز تصادف دارند. بررسی اثرات فضایی انواع کاربری اراضی در هریک از نواحی ترافیکی در این مطالعه می­تواند به‌منظور انجام اقدامات ایمنی بسیار حائز اهمیت باشد.
کلیدواژه‌ها
کاربری اراضی
رگرسیون پواسن وزن‌دار جغرافیایی
رگرسیون وزن‌دار جغرافیایی
تصادف
هسته چگالی کرنل
  • Al-Hasani, G., Asaduzzaman, M., & Soliman, A.-H. (2021). Geographically weighted Poisson regression models with different kernels: Application to road traffic accident data. Communications in Statistics: Case Studies, Data Analysis and Applications, 7(2), 166-181.
  • Almasi, S. A., & Behnood, H. R. (2022). Exposure based geographic analysis mode for estimating the expected pedestrian crash frequency in urban traffic zones; case study of Tehran. Accident Analysis & Prevention, 168, 106576.
  • Almasi, S. A., Behnood, H. R., & Arvin, R. (2021). Pedestrian crash exposure analysis using alternative geographically weighted regression models. Journal of advanced transportation, 2021.
  • Effati, M., & Saheli, M. V. (2022). Examining the influence of rural land uses and accessibility-related factors to estimate pedestrian safety: The use of GIS and machine learning techniques. International journal of transportation science and technology, 11(1), 144-157.
  • Fiorentini, N., Pellegrini, D., & Losa, M. (2022). Overfitting Prevention in Accident Prediction Models: Bayesian Regularization of Artificial Neural Networks. Transportation Research Record, 03611981221111367.
  • Fuentes, L., Truffello, R., & Flores, M. (2022). Impact of Land Use Diversity on Daytime Social Segregation Patterns in Santiago de Chile. Buildings, 12(2), 149.
  • Gomes, M. J. T. L., Cunto, F., & da Silva, A. R. (2017). Geographically weighted negative binomial regression applied to zonal level safety performance models. Accident Analysis & Prevention, 106, 254-261.
  • Harirforoush, H., & Bellalite, L. (2019). A new integrated GIS-based analysis to detect hotspots: a case study of the city of Sherbrooke. Accident Analysis & Prevention, 130, 62-74.
  • Ikhuoria, I. A. (1987). Urban land use patterns in a traditional Nigerian city: a case study of Benin City.
  • Khaksar, H., Almasi, S. A., & Goharpoor, A. A. (2022). Application of Geographical-Spatial Models in Predicting the Frequency of Road Crash (Case Study: Main Road Network of Hamadan Province). Journal of Transportation Research, 19(1), 45-58.
  • Kim, K., Pant, P., & Yamashita, E. (2010). Accidents and accessibility: Measuring influences of demographic and land use variables in Honolulu, Hawaii. Transportation Research Record, 2147(1), 9-17.
  • Le, K. G., Liu, P., & Lin, L.-T. (2020). Determining the road traffic accident hotspots using GIS-based temporal-spatial statistical analytic techniques in Hanoi, Vietnam. Geo-spatial Information Science, 23(2), 153-164.
  • Lee, J. S., Zegras, P. C., & Ben-Joseph, E. (2013). Safely active mobility for urban baby boomers: The role of neighborhood design. Accident Analysis & Prevention, 61, 153-166.
  • Merlin, L. A., Guerra, E., & Dumbaugh, E. (2020). Crash risk, crash exposure, and the built environment: A conceptual review. Accident Analysis & Prevention, 134, 105244.
  • Quddus, M. A. (2008). Modelling area-wide count outcomes with spatial correlation and heterogeneity: An analysis of London crash data. Accident Analysis & Prevention, 40(4), 1486-1497.
  • Stoker, P., Garfinkel-Castro, A., Khayesi, M., Odero, W., Mwangi, M. N., Peden, M., & Ewing, R. (2015). Pedestrian safety and the built environment: a review of the risk factors. Journal of Planning Literature, 30(4), 377-392.
  • Sung, H., Lee, S., Cheon, S., & Yoon, J. (2022). Pedestrian Safety in Compact and Mixed-Use Urban Environments: Evaluation of 5D Measures on Pedestrian Crashes. Sustainability, 14(2), 646.
  • Zhong, S., Jiang, Y., & Nielsen, O. A. (2022). Lexicographic multi-objective road pricing optimization considering land use and transportation effects. European Journal of Operational Research, 298(2), 496-509.