تحلیل زمانی- مکانی تصادفات عابران پیاده با استفاده از سری زمانی و شاخص Moran’s I تفاضلی (مطالعه موردی: شهر مشهد) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: عابران پیاده، به دلیل نبودِ تدابیر حفاظتی، آسیب پذیرترین کاربران راه شناخته می شوند و ایمنی آنها در حوزه برنامه ریزی حمل ونقل بسیار حیاتی است. مطالعات متعددی که تصادفات عابران پیاده را تحلیل کرده اند معمولاً بر مدل های پیش بینی، عوامل خطر و الگوهای مکانی زمانی متمرکز بوده اند. این تحلیل ها بر اهمیت شناسایی مناطق پرخطر و اجرای اقدامات پیشگیرانه تأکید می کنند. تأثیرات خودهمبستگی مکانی و زمانی در درک الگوهای تصادفات بسیار مهم است و شاخص هایی مانند Moran’s I و تخمین تراکم کرنل، در این حوزه، کاربرد گسترده ای دارند. با توجه به موارد یادشده، مطالعه پیش رو تأثیر رشد سریع اجتماعی اقتصادی در تصادفات ترافیکی و نیاز به مداخلات ایمنی هدفمند برای حفاظت از عابران پیاده را، در شهر مشهد در ایران، به صورت برجسته و مؤثر نشان می دهد. مواد و روش ها: در این پژوهش، با استفاده از تحلیل اکتشافی سری زمانی، تصادفات عابران پیاده به صورت ماهیانه و ساعتی در بازه ای پنج ساله (1394-1398) بررسی شده است. در گام بعد، وجود خودهمبستگی زمانی و همچنین روند در وقوع تصادفات عابران پیاده مورد بحث قرار گرفته و سپس، با استفاده از تحلیل یکنواختی سری زمانی، زمان تغییر در وقوع تصادفات بررسی شده است. درنَهایت، به منظور استخراج الگوهای مکانی تغییرات تصادفات عابران پیاده در بازه زمانی مطالعاتی، از شاخص Moran’s I تفاضلی استفاده شده است. نتایج و بحث: با استفاده از تحلیل های سری زمانی، الگوی زمانی و وجود خودهمبستگی زمانی معنادار در مقادیر ماهیانه و ساعتی تصادفات عابران پیاده تأیید شد. نتایج آزمون من کندال با لحاظ کردن تأثیرات خودهمبستگی نیز وجود روند معنادار در تصادفات عابران پیاده را به ازای ماه های گوناگون سال و ساعات متفاوت شبانه روز تأیید کرد. همچنین، ازطریق تحلیل یکنواختی سری زمانی با استفاده از آزمون بیشاند، زمان وقوع تغییرات ناگهانی تصادفات در ساعت های متفاوت شبانه روز (7:00-8:00 صبح) و همچنین ماه های گوناگون سال (تیر و شهریور) شناسایی شد. نتایج استفاده از شاخص Moran’s I تفاضلی نیز همبستگی مکانی معنادار در تغییرات تصادفات عابران پیاده، بین دو بازه زمانی آغاز (سال 1394) و پایان زمان تحلیل (سال 1398) را نشان داد و نواحی دارای تمرکز تغییرات معنادار شناسایی شد. نتیجه گیری: در این پژوهش، عابران پیاده به منزله یکی از آسیب پذیرترین کاربران راه مورد توجه قرار گرفته اند و تغییرات وقوع تصادفات مرتبط با آنها در بازه زمانی پنج ساله ای (1394-1398)، با استفاده از تحلیل های سری زمانی و همچنین تحلیل زمانی مکانی Moran’s I تفاضلی، در کلان شهر مشهد ارزیابی شده است. خودهمبستگی زمانی معنادار در مقیاس ماهیانه و ساعتی نیز در وقوع تصادفات به تأیید رسید و وقوع تصادفات عابران پیاده، در ماه های متفاوت سال و همچنین ساعات متفاوت شبانه روز، نیز روند مشخصی را نشان داد و درنَهایت، زمان وقوع تغییرات ماهیانه و ساعتی شناسایی شد. نتایج بیانگر خودهمبستگی زمانی مکانی معنادار در تغییر تصادفات، در حد فاصل برش زمانی ابتدا (سال 1394) و انتهای زمان تحلیل (1398)، به ازای ماه های متفات بود. درعین حال همبستگی زمانی مکانی معناداری، به ازای ساعات متفاوت، وجود ندارد و ازاین رو کوچک کردن مقیاس زمانی به از دست رفتن همبستگی های مکانی نیز منجر می شود. نتایج این پژوهش می تواند، در قالب گام نخست شناسایی و تحلیل الگوهای زمانی مکانی، تغییرات تصادفات عابران پیاده را شناسایی و کمک کند متخصصان حوزه ایمنی و تصمیم گیرندگان، با بازرسی های محلی، نواحی استخراج شده را ارزیابی نمایند.Spatio-Temporal Analyses of Pedestrian Accidents Using Time Series and Differential Moran’s I, Case Study: Mashhad
Introdction: Pedestrians are considered the most vulnerable road users due to their lack of protective measures, making their safety crucial in transportation planning. Numerous studies have analyzed pedestrian accidents, focusing on predictive models, risk factors, and spatial-temporal patterns. These analyses highlight the importance of identifying high-risk areas and implementing preventive measures. Spatial and temporal autocorrelation effects are significant in understanding accident patterns, and methods like Moran’s I index and Kernel Density Estimation are commonly used. The study of Mashhad, Iran, emphasizes the impact of rapid socio-economic growth on traffic accidents and the need for targeted safety interventions to protect pedestrians.
Materials & Mrthods: In this study, a time series exploratory analysis was used to examine pedestrian accidents on a monthly and hourly basis over a five-year period (2015-2019). Next, the presence of temporal autocorrelation and trends in pedestrian accidents were discussed. Then, using time series homogeneity analysis, the change points in the occurrence of accidents were examined. Finally, to extract spatial patterns of changes in pedestrian accidents during the study period, the differential Moran’s I index was applied.
Results & Discussions: Using time series analysis, the temporal pattern and significant temporal autocorrelation in the monthly and hourly values of pedestrian accidents were confirmed. The results of the Mann-Kendall test, considering the effects of autocorrelation, also confirmed the presence of a significant trend in pedestrian accidents for different months of the year and different hours of the day. Additionally, through the homogeneity analysis of the time series using the Buishand test, the timing of sudden changes in accidents at different hours of the day (7:00-8:00 AM) and different months of the year (July and September) was identified. The results of using the differential Moran’s I index also showed significant spatial correlation in the changes in pedestrian accidents between the initial time period (2015) and the end of the analysis period (2019), identifying areas with significant changes.
Conclusion: In this study, pedestrians, as one of the most vulnerable road users, were considered, and the changes in the occurrence of related accidents over a five-year period (2015-2019) were evaluated using time series analysis and differential Moran’s I spatio-temporal analysis in the metropolis of Mashhad. Significant temporal autocorrelation in monthly and hourly scales was also confirmed in the occurrence of accidents, showing a specific trend in pedestrian accidents in different months of the year and different hours of the day. Finally, the timing of monthly and hourly changes was identified. The results showed significant spatio-temporal autocorrelation in the changes in accidents between the initial (2015) and final (2019) time slices for different months. However, there was no significant spatio-temporal correlation for different hours, indicating that reducing the temporal scale leads to the loss of spatial correlations. The results of this study can serve as a first step in identifying and analyzing spatio-temporal patterns, identifying changes in pedestrian accidents, and allowing safety experts and decision-makers to evaluate the identified areas through local inspections.
تبلیغات
