تحلیل فضایی تصادفات عابر پیاده در منطقه 5 شهر تهران

محورهای موضوعی : حمل و نقل

محمدصادق شاه قلی ¹ , بهمن کارگر ²

1 - دانشجوی دکتری رشته جغرافیا، برنامه ریزی شهری، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
2 - دانشیار، گروه جغرافیا، دانشگاه آزاد اسلامی واحد یادگار امام خمینی (ره)،

تاریخ دریافت : 1401/08/28 تاریخ پذیرش : 1401/11/17 تاریخ انتشار : 1402/04/01

کلید واژه: سیستم اطلاعات جغرافیایی, نقاط حادثه‌خیز, عابر پیاده, تصادف, تحلیل فضایی,

چکیده مقاله :

این مطالعه رویکردی را ارائه می‌دهد که الگوریتم تابع‌تراکم‌کرنل و تجزیه‌و‌تحلیل خودهمبستگی فضایی را به صورت یکپارچه استفاده نماید تا از این طریق شناسایی مناطق پرتصادف را تسهیل و به طور همزمان اهمیت آماری خوشه‌های متراکم را ارزیابی کند. بدین‌منظور در ابتدا داده‌های مربوط به تصادفات عابر پیاده از سال 95 تا 99 در منطقه 5 شهر تهران از کروکی‌های تصادفات استخراج و مختصات جغرافیایی آن در محیط GIS ثبت گردید. نقاط پرحادثه با استفاده از الگوریتم KDE مبتنی بر سیستم اطلاعات جغرافیایی شناسایی گردیدند. سپس خوشه‌های داغ از نظر معناداری آماری با استفاده از شاخص‌های آماریِ نزدیک‌ترین همسایه، موران جهانی و آماره عمومیG ارزیابی شدند. در نهایت نیز برای نمایش توزیع آماری پدیده‌ها در فضا و تحلیل خوشه و ناخوشه‌ها از شاخص موران محلی انسلین استفاده شد. به‌طور کلی نتایج آمار فضایی بیانگر خوشه‌ای بودن قوی و تشکیل خوشه‌های با تراکم بالای تصادفات در کنار یکدیگر می‌باشد.

چکیده انگلیسی:

This study presents an approach that uses kernel density function algorithm and spatial autocorrelation analysis in an integrated way to facilitate the identification of accident prone areas and simultaneously evaluate the statistical significance of dense clusters. For this purpose, at first, data related to pedestrian accidents from 1995 to 1999 in District 5 of Tehran city were extracted from accident maps and their geographic coordinates were recorded in the GIS environment. Incident points were identified using KDE algorithm based on geographic information system. Then, hot clusters were evaluated for statistical significance using nearest neighbor, global Moran's and general G statistics. Finally, Anselin's local Moran's index was used to show the statistical distribution of phenomena in space and to analyze clusters and non-clusters. In general, the results of spatial statistics indicate strong clustering and the formation of clusters with a high density of accidents next to each other.