نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

ایمنی ترافیک جاده ای نتیجه تعامل پیچیده ای از عوامل است و علل پشت تصادفات وسایل نقلیه جاده ای نیاز به اقدامات متفاوتی برای کاهش اثرات آنها دارد. این مطالعه ارزیابی می‌کند که چقدر تغییرات در نرخ تصادفات زمستانی روزانه با شرایط آب و هوایی فنلاند مرتبط است. این کار با نشان دادن روندها و تغییرات مکانی – زمانی در نرخ تصادف، با نشان دادن اینکه چگونه یک برنامه GIS می تواند ارتباط بین افزایش موقت نرخ تصادفات منطقه ای و وقوع آب و هوای بد را اثبات کند، و با یک مدل رگرسیونی بر روی حساسیت نرخ تصادف به آب و هوای نامساعد انجام می شود. شرایط تجزیه و تحلیل نشان می دهد که نرخ پایه تصادفات بسته به عوامل غیر آب و هوایی وجود دارد، و برخی ترکیبی از شرایط آب و هوایی شدید می توانند به طور قابل توجهی نرخ تصادف را در روزهایی که آب و هوای بد دارند افزایش دهند. برخی از عوامل علّی فضایی، مانند تنوع ویژگی‌های ژئوفیزیکی که باعث تفاوت‌های سیستماتیک در توزیع متغیرهای آب و هوایی می‌شود، وجود دارد. با این حال، حتی در زمستان، عوامل غیر مکانی معمولاً مهم‌تر هستند. داده‌های GIS می‌توانند از استقرار بهینه خدمات نجات پشتیبانی کرده و با کمک به شناسایی مناسب‌ترین وضوح‌های مکانی و زمانی، تحلیل کمی عمیق را افزایش دهند. با این حال، نقش حمایتی GIS نباید به عنوان وجود علیت مکانی بسیار مهم استنباط شود. داده‌های GIS می‌توانند از استقرار بهینه خدمات نجات پشتیبانی کرده و با کمک به شناسایی مناسب‌ترین وضوح‌های مکانی و زمانی، تحلیل کمی عمیق را افزایش دهند. با این حال، نقش حمایتی GIS نباید به عنوان وجود علیت مکانی بسیار مهم استنباط شود. داده‌های GIS می‌توانند از استقرار بهینه خدمات نجات پشتیبانی کرده و با کمک به شناسایی مناسب‌ترین وضوح‌های مکانی و زمانی، تحلیل کمی عمیق را افزایش دهند. با این حال، نقش حمایتی GIS نباید به عنوان وجود علیت مکانی بسیار مهم استنباط شود.
کلید واژه ها: 

پاسخگویی ؛ تصادف وسایل نقلیه جاده ای ; ایمنی ترافیک ؛ هشدار اولیه ؛ شرایط آب و هوایی

 

1. معرفی

1.1. زمینه

ایمنی ترافیک جاده‌ای نتیجه تعامل پیچیده عوامل فنی، محیطی و رفتاری است و علل مختلف تصادفات وسایل نقلیه جاده‌ای نیاز به اقدامات متفاوتی برای کاهش اثرات آنها دارد. برخی از علل دارای پس زمینه رفتاری هستند که اغلب توسط نگرش ها و هنجارهای اجتماعی هدایت می شود. اقدامات ممکن است شامل اجرای محدودیت سرعت و کمپین های آگاهی باشد. سایر علل ماهیت فنی- فیزیکی دارند که با نظارت بر وضعیت فیزیکی جاده ها و وسایل نقلیه و با اعمال حداقل استانداردها قابل مدیریت است. علیرغم تفاوت های زیاد بین علل، آنها وجه مشترک دارند که انسان ها می توانند درجاتی از کنترل بر آنها به عنوان افراد یا نهادها داشته باشند.
برای خطرات مربوط به آب و هوا، این مورد بسیار کمتر است. بنابراین، اقدامات ضد اصلی، آمادگی بهتر و به حداکثر رساندن سازگاری (زمان حرکت، مسیر، انتخاب حالت) است. تا حدودی شرایط فنی و استانداردهای خودروهای درگیر و زیرساخت ها مهم است، اما طرح های اجرا شده را نمی توان یک شبه تغییر داد و اقدامات لحظه آخری مانند محدودیت سرعت متغیر، پاکسازی جاده و افزایش واکنش اضطراری را تنها گزینه باقی می ماند. با این حال، تصمیم گیری در مورد چگونگی، زمان و مکان اجرای این اقدامات عمدتاً به آمادگی فوق الذکر بستگی دارد. از آنجایی که آمادگی عامل کلیدی با توجه به شرایط بد جوی جاده است، پیش‌بینی آب و هوا نقش مهمی در کاهش تصادفات مربوط به آب و هوا دارد.1 ، 2 ، 3 ].
در سرتاسر مقاله از اصطلاحات «تصادف خودرو» و «تصادف وسیله نقلیه جاده ای» استفاده خواهد شد. در بسیاری از مطالعات، از جمله این یکی، سایر وسایل نقلیه جاده ای (موتوری) نیز در تحلیل گنجانده شده اند. با این وجود، خودروهای سواری تا حد زیادی بزرگترین زیر گروه هستند.

1.2. هدف

در این مطالعه، هدف ما ارزیابی این است که چقدر تفاوت در نرخ تصادفات روزانه با شرایط آب و هوایی در فنلاند، کشوری که با شرایط جاده زمستانی سنگین مشخص می‌شود، مرتبط است. از یک طرف، این امر برای افزایش اثربخشی خدمات هشدار آب و هوای جاده ای مرتبط است، در حالی که از سوی دیگر، ممکن است به خدمات امداد و نجات و پزشکی کمک کند تا تعداد موارد اضطراری را در مناطق تعیین شده در صورتی که پیش بینی های آب و هوا شرایط بدی را برای حمل و نقل جاده ای پیش بینی کند، پیش بینی کند. . در نهایت، از نقطه نظر دانشگاهی، تجزیه و تحلیل می تواند به درک دقیق تری از سهم نسبی ویژگی های مختلف آب و هوا در خطرات ناشی از آب و هوا برای حمل و نقل جاده ای، و حساسیت نرخ تصادفات ظاهری در رابطه با شدت آب و هوای مربوطه کمک کند. ویژگی ها – به طور جداگانه و مشترک.
ما ابتدا علل تصادفات اتومبیل را با تمرکز ویژه بر علل مرتبط با آب و هوا و رویکردهای تحقیق جایگزین در بخش 2 مورد بحث قرار می دهیم . بخش 3 داده های مورد استفاده در مطالعه را ارائه می دهد. در بخش 4 ، ما تکامل و تغییرات مکانی نرخ تصادف در فنلاند را به تصویر می‌کشیم و نشان می‌دهیم که مکان اهمیت دارد، نه به معنای چیدمان یا منظر نامطلوب جاده محلی، بلکه از طریق تفاوت‌های فضایی در شدت آب و هوای بد. در بخش 5 ، یک مدل آماری از حساسیت نرخ خرابی را معرفی می‌کنیم. با توجه به نتایج مدل‌سازی، شرایط آب و هوایی قبل از اینکه افزایش قابل توجهی در نرخ تصادف رخ دهد، باید به‌طور قابل توجهی بدتر شود.
ما قصد داریم نشان دهیم که با سطح تفکیک مکانی و زمانی مناسب، این نوع ابزار پیش‌بینی تصادف می‌تواند به آمادگی نجات، پاسخگویی و پاکسازی جاده کمک کند و به بهبود خدمات اطلاعات آب و هوای جاده کمک کند. اطلاعات ارجاع شده جغرافیایی برای شناسایی سریع و ارتباط خطرات تصادفی محلی مفید است. داده های جغرافیایی مرجع همچنین می توانند تجزیه و تحلیل کمی عمیق را بهبود بخشند، زیرا به شناسایی مناسب ترین وضوح های مکانی و زمانی برای داده های ورودی تخمین و تقسیم بندی ها در تجزیه و تحلیل کمک می کنند. با این حال، این نقش بسیار حمایتی از داده های زمین مرجع نباید با استنباط هایی که بسیاری از علیت تعریف شده مکانی درگیر است، اشتباه گرفته شود.

2. رویکردها در تحلیل حساسیت ترافیک جاده ای به آب و هوا – مروری بر ادبیات

چندین رشته در ادبیات در مورد عوامل پشت سر تصادفات وسایل نقلیه جاده ای وجود دارد، به عنوان مثال، مطالعات مربوط به مسمومیت رانندگان، شرایط آب و هوایی، کیفیت سیستم جاده و سرعت و اجرای محدودیت سرعت [4 ، 5 ] . یک تمایز مهم بین رویکردها توسط جهت گیری اصلی تحلیل شکل می گیرد، یعنی راننده، وسیله نقلیه، ترکیبی از راننده و وسیله نقلیه، زیرساخت (و محیط نزدیک آن)، رویدادهای (آب و هوا)، نقاط حادثه خیز، و آسیب در مقابل . تصادف [ 6 ، 7 ، 8 ، 9]. علاوه بر این، مطالعاتی که اثربخشی سیاست‌های ایمنی حمل‌ونقل جاده‌ای را ارزیابی می‌کنند باید مقطعی باشند تا از خطرات انتساب اشتباه اثرات به روندها یا اقدامات جلوگیری شود [ 10 ، 11 ، 12 ].
تمایز مهمی که در تحقیقات حمل و نقل نیز استفاده می شود، بین مطالعات ماکروسکوپی و میکروسکوپی است. در تحقیقات تصادفات اتومبیل، مطالعات میکروسکوپی به ارزیابی مکانیسم هایی می پردازد که مستقیماً منجر به یک تصادف خاص یا نوع خاصی از تصادف می شود. در تحقیقاتی که بر تصادفات ناشی از شرایط آب و هوایی متمرکز است، این رویکرد معمولاً بر اساس مطالعات موردی رویدادهای آب و هوایی بد است [ 7 ]. مطالعات ماکروسکوپی با پیشرفت‌های سطح سیستم سر و کار دارند و – حداقل در اصل – جاه‌طلبی در نظر گرفتن انواع عوامل ایمنی راه و برنامه‌های سیاست ایمنی راه را دارند. مراجع کلیدی برای این رویکرد به عنوان مثال [ 13 ، 14] است]. در عمل، تجزیه و تحلیل واقعا جامع اغلب غیرممکن است، و بنابراین، بسیاری از نویسندگان تمایل دارند بر روی اثرات یا روابط خاص تمرکز کنند، مانند مقایسه نرخ خرابی بین مناطق مختلف یا ارزیابی روند در نرخ ها در رابطه با متغیرهای سطح کلان توضیحی انتخاب شده، مانند به عنوان اندازه و ترکیب سهام خودرو [ 15 ، 16 ]. علاوه بر این، مقایسه‌های بین کشوری عملکرد و اقدامات ایمنی راه را می‌توان به این دسته نسبت داد [ 16 ، 17 ]. گیتلمن و همکاران [ 17] برای کشورهایی که بهترین عملکرد را از نظر ایمنی جاده ای دارند، نشان می دهد که تنها تعداد کمی از آنها در کل عملکرد بسیار خوبی دارند، در حالی که به نظر می رسد اکثر این کشورهای با عملکرد خوب در مجموعه سیاست های خود دارای نقاط ضعفی هستند. برگل حیات و همکاران . [ 18 ] نوعی رویکرد سطح متوسط ​​را اتخاذ می‌کند که در آن استعداد تصادف با استفاده از داده‌های ماهانه با توجه به شرایط آب و هوایی در فرانسه، یونان و هلند مقایسه می‌شود، در حالی که بین سیستم‌های جاده‌ای تفاوت قائل می‌شود.
مطالعات تصادف با چارچوب جغرافیایی یک دسته نسبتاً جوان از تجزیه و تحلیل تصادف است. یک تمایز اصلی در این دسته از مطالعات این است که آیا تجزیه و تحلیل بر اساس مکان تصادف یا محل مسکونی راننده است [ 19 ]. یکی دیگر از رویکردهای خاص جغرافیایی- هواشناسی، مقایسه تصادفات در یک منطقه خاص برای دو یا چند دوره زمانی یکسان در سال های مختلف اما با شرایط آب و هوایی کاملاً متفاوت است [ 20 ].
به طور کلی، ادغام رویکردهای مبتنی بر مکان تصادف با رویکردهای مبتنی بر محل سکونت راننده بسیار سخت است، زیرا آمار تصادفات اتومبیل معمولاً حاوی اطلاعات کمی از رانندگان است یا اصلاً اطلاعاتی در آن وجود ندارد. اطلاعات بیمه در رابطه با تصادفات ممکن است حاوی اطلاعات شخصی بیشتری باشد، اما معمولاً در مورد محل تصادف ساده است و مشاهدات معمولاً برای تصادفات کوچکتر کوتاه می شوند. تصادفات اغلب شامل چندین راننده نیز می شود که ممکن است از مناطق مختلف (انواع) باشند، در نتیجه مشکلات دسته بندی در رویکرد مبتنی بر محل سکونت ایجاد می شود. علاوه بر این، ویژگی های رانندگان تا حد زیادی بر اساس عوامل غیرمکانی، مانند سن، وضعیت سلامت و تجربه رانندگی است.21 ]. با این حال، عنصر فضایی در این مطالعات فشار همتا ضعیف باقی می‌ماند. در مجموع، رویکرد مبتنی بر مکان تصادف ارجح به نظر می رسد، اما تجزیه و تحلیل باید تا حد امکان شامل اطلاعاتی در مورد راننده باشد.
پایگاه‌های اطلاعات جغرافیایی در مورد تصادفات اتومبیل با مشاهدات همزمان ترافیک و شرایط آب و هوایی (در منطقه تصادف) هنوز کمیاب هستند. تئوفیلاتوس و همکاران [ 22 ] بیش از 70 مطالعه در مورد میزان تصادفات در رابطه با شرایط رانندگی را بررسی کرده و دریافتند که تقریباً 20 مورد از آنها حاوی داده های ترافیکی و آب و هوا هستند، که در میان آنها پنج مطالعه بر شدت و 15 مطالعه بر احتمال تصادف تمرکز دارند. نتایج برای شدت و احتمال تصادف ممکن است یکسان نباشد. برای مثال، بارش شدید احتمال تصادف را در مقایسه با شرایط متوسط ​​افزایش می‌دهد، اما با کاهش سرعت، شدت را کاهش می‌دهد. اثرات مشابهی برای بارش برف گزارش شده است. با این حال، آندری و همکاران. [ 23] نشان می دهد که کلیت تمایلات جبرانی فراوانی و شدت در شرایط نامساعد جوی هنوز مورد بحث است. لغزندگی موضعی یا مه غلیظ ممکن است شدت را افزایش دهد زیرا تنظیم سرعت بسیار کمتر سیستماتیک است.
در واقع، هیچ مطالعه واحدی قادر به ثبت همه عوامل مهم نیست. از یک طرف، تجزیه و تحلیل مستعد بودن تصادف نیاز به اندازه گیری همزمان وقوع تصادف، جریان ترافیک، شرایط جاده و شرایط آب و هوایی در وضوح مکانی و زمانی نسبتاً بالایی دارد. از سوی دیگر، چنین تحلیلی به اطلاعات شخصی متنوعی در مورد رانندگان (سن، تجربه رانندگی انباشته، وضعیت عمومی جسمی و روحی، شرایط خاص (درست) قبل از تصادف، مسمومیت های احتمالی و غیره نیاز دارد .) و وسایل نقلیه (سن، وضعیت فنی، وجود فناوری های ایمنی فعال، سهولت رانندگی) درگیر در تصادفات. مشاهده و ادغام همه این متغیرها به طور همزمان با منابع محدود تقریباً غیرممکن است. مدل‌های شبیه‌سازی این امکان را فراهم می‌کنند که همه بینش‌ها را با هم ترسیم کنند. با این حال، وضوح مکانی و زمانی مطلوب و انتخاب بین زیرساخت یا نقطه دید راننده منجر به مدل‌های شبیه‌سازی کاملاً متفاوتی می‌شود. دیدگاه‌های جدیدی برای مجموعه‌های داده‌های خرابی اساساً جامع‌تر با توسعه به اصطلاح «داده‌های بزرگ» ارائه می‌شود، که در آن مجموعه‌های مختلف داده‌های عمومی (آماری) بزرگ، به عنوان مثال، با داده‌های مکانی-زمانی تلفن‌های همراه ادغام می‌شوند.
مطالعات در نروژ و فنلاند نشان می دهد که شرایط آب و هوایی علت اصلی تقریباً 10٪ از تصادفات است [ 24 ]. آندری و همکاران [ 23 ] سهمی در حدود 18٪ برای انتاریو (18.5٪ برای تصادفات شامل جراحات و 16٪ برای تصادفات با تلفات) گزارش می کنند. همین مطالعه اثرات بارندگی و بارش برف را بر سطوح خطر نسبی تصادف در شهرهای منتخب کانادا بررسی کرد و دریافت که بارش برف اثرات بسیار قوی‌تری نسبت به بارندگی دارد. در ارتباط با عوامل دیگر، آب و هوای نامطلوب (اما نه لزوماً شدید) می تواند نقش ثانویه ای داشته باشد – به عنوان مثال، در مورد خستگی راننده. یاروسزوسکی و همکاران [ 25] رابطه معنی داری بین باران شدید و وقوع تصادف در مناطق شهری منتخب در بریتانیا پیدا کرد.
تقاضای ترافیک جاده ای در طول آب و هوای نامناسب کاهش می یابد [ 26 ]، که افزایش تصادفات را کاهش می دهد، در حالی که میزان کاهش به هدف سفر (کار، خرید، تعطیلات و غیره ) بستگی دارد. ساختار ترافیک جاده، ترکیب رانندگان (بر اساس سطح مهارت) در ترافیک، و میانگین درجه فشار زمانی بین روزها متفاوت است. علاوه بر این، کولز و همکاران. [ 27 ] دریافتند که اثرات بازدارندگی استنباط شده از سطح معینی از خطر آب و هوا به فصل و مقیاس زمانی (ساعت تا روز) که در آن پاسخگویی ارزیابی شده است، و همچنین نوع پیش بینی آب و هوا و انطباق بین پیش بینی و تجربه بستگی دارد. آب و هوا
با این حال، مطالعات فوق، میزان تأثیر ویژگی‌های آب و هوایی در نظر گرفته شده را تخمین نمی‌زنند، در عوض فقط اهمیت آماری شرایط بد آب و هوایی نشان داده می‌شود. لین و همکاران [ 28] یک تجزیه و تحلیل خوشه ای از تصادفات مشاهده شده در یک شبکه جاده اصلی منطقه ای انجام دهید و متوجه شوید که شرایط آب و هوایی نامطلوب با توجه به سایر عوامل خوشه بندی فهرست شده تفاوت چندانی ندارد. در عوض، آب و هوای نامطلوب خطر تصادف را کم و بیش در کل افزایش می‌دهد، به این معنی که انجام یک تحلیل متمرکز از سهم متغیرهای مختلف آب‌وهوا در نرخ‌های تصادف معنی‌دار است، حتی اگر تجزیه اثرات متقابل با عوامل دیگر را نتوان انجام داد. در این مطالعه، ما یک گام فراتر رفته و تأثیر ویژگی‌های مختلف شرایط آب و هوایی را پارامتر می‌کنیم و در نتیجه ارزیابی دقیق‌تری از آستانه‌های مخاطره‌آمیز را امکان‌پذیر می‌کنیم. مطالعه بریج و همکاران. [ 29 ] به مطالعه مورد بحث در اینجا نزدیک تر است. در [ 29] یک مدل رگرسیون سم خودرگرسیون عدد صحیح برای وقوع تصادف روزانه در شهرداری‌های شهری با اندازه و ساختار سه‌گانه در هلند اعمال می‌شود. با این حال، بریج و همکاران. [ 29 ] فقط از داده‌های یک ساله استفاده می‌کنند، در حالی که تفاوت‌های ساختاری بین شهرداری‌ها به جای اینکه با متغیرهایی که تفاوت‌ها در شبکه اصلی جاده و ترکیب ترافیک را نشان می‌دهند، توسط آدمک‌های عمومی شهر به تصویر کشیده می‌شوند. همانطور که در این مطالعه، Brijs و همکاران. [ 29 ] برای ثبت تغییرات (چرخه‌های) معمولی در الگوهای ترافیک، از آدمک‌های روز از هفته استفاده کنید.

3. داده ها

دلایل یک تصادف خاص می‌تواند شامل عوامل موقعیتی دقیق باشد که نمی‌توان آنها را به سادگی تعمیم داد. بنابراین، هنگام حرکت از تجزیه و تحلیل تصادف فردی به استنتاج آماری تصادفات در بخشی از سیستم، تنها چند شاخص کلی مربوط به شرایط را می توان در نظر گرفت، به عنوان مثال میانگین سن ناوگان، وجود چارچوب بازرسی فنی، و غیره. جدول 1 ارائه شده است . دسته بندی عوامل توضیحی بر اساس [ 4 و 19 ] و متغیرهای موجود در این مطالعه.
وضوح فضایی داده‌های مورد استفاده در تجزیه و تحلیل، سطح اداری NUTS-3 اتحادیه اروپا (مناطق یا “maakunta” در فنلاندی) است. داده‌های تصادف، دریافت‌شده از مرکز بیمه‌گران موتور فنلاند (آمار خسارت ترافیکی آن) با داده‌های شبکه جاده‌ای در هر منطقه از اداره راه فنلاند (از آن زمان به آژانس حمل‌ونقل فنلاند تغییر نام داد) ادغام شد. هر رکورد تعداد تصادفات، تلفات، مجروحان، تلفات، نوع(های) وسایل نقلیه و نحوه برخورد (روی گذرگاه، رو به رو و غیره) را بیان می کند .) برای منطقه r (=18) در روز D در سال Y (برای 2000-2010). داده ها فقط شامل مواردی است که بیمه گر برای آنها غرامت پرداخت کرده است. این مجموعه داده همچنین شامل تصادفات بدون تلفات می شود که به این معنی است که فقط خسارت به اموال رخ داده است. مجموعه داده در معرض درجاتی از کوتاه شدن است زیرا تصادفات با خسارات مادی اندک و بدون جراحات همیشه ثبت نمی‌شوند (به عنوان مثال، اگر مالک یا مالکان خودرو تصمیم بگیرند که از ادعا کردن خودداری کنند تا مزایای حق بیمه انباشته را حفظ کنند). علاوه بر این، تصادفات، از جمله تصادفات یک نفره، که در آن همه رانندگان درگیر، محدودیت غلظت الکل خون را نقض کرده اند، به دلیل عدم واجد شرایط بودن برای پوشش بیمه، شامل نمی شوند.
جدول
جدول 1. انواع عوامل موثر بر فرکانس تصادف و عوامل موجود در مدل.
اطلاعات هواشناسی و هشدار اولیه توسط موسسه هواشناسی فنلاند (FMI) ارائه شده است. برای هر روز در هر منطقه میانگین و حداکثر بارش، میانگین، حداقل و حداکثر دما، عمق برف، میانگین و حداکثر سرعت باد و رطوبت به دست می آید. داده ها همچنین شامل وقوع هشدارها (و رتبه بندی آنها) در روز است. تعداد کل مشاهدات ~72000 است. داده‌های مربوط به تراکم ترافیک منطقه‌ای و طول بزرگراه‌ها و دیگر جاده‌ها به تفکیک منطقه و سهم مربوط به آنها در حجم ترافیک از سازمان حمل و نقل ملی به‌دست آمد.
از داده‌های اولیه، متغیرهای مشتق‌شده، مانند حاصل ضرب سرعت باد و بارش، و وقوع چرخه‌های انجماد و ذوب روزانه (دمای مثبت و منفی – با برخی شرایط آستانه – در همان روز رخ می‌دهند) ساخته می‌شوند. از داده های هشدار، متغیرهای جدیدی ساخته شد که نشان می دهد یک هشدار بالاترین رتبه را دارد یا نه (از جمله عدم هشدار). حداکثر روزی سه اخطار داده می شود.
تجزیه و تحلیل بر ماه های زمستان متمرکز است. در این تحقیق ماه های نوامبر تا مارس به عنوان ماه های زمستان تعریف شده است. این دوره مصادف با حداقل دوره اجباری در فنلاند برای استفاده از تایرهای زمستانی است. در عمل در شمال فنلاند، اتومبیل ها معمولاً برای حداکثر دوره مجاز (اکتبر تا آوریل) با لاستیک های زمستانی مجهز می شوند. با توجه به ویژگی انتقال ماه های آوریل و اکتبر، و با توجه به اینکه بخش عمده ای از ترافیک در جنوب و جنوب مرکزی فنلاند است، دوره کوتاه تری را انتخاب می کنیم.
در نهایت، بر اساس ویژگی‌های NUTS-3 و تاریخ رکوردهای اصلی، داده‌ها به مجموعه داده‌های GIS مکانی-زمانی تبدیل شده‌اند. بعد فضایی یک شبکه جغرافیایی NUTS-3 است (به استثنای منطقه جزایر آلند)، در حالی که بعد زمانی دارای یک مرحله زمانی یک روزه است.

4. توسعه نرخ تصادف در فنلاند و تغییرات فضایی آن

مانند بسیاری از کشورهای اروپایی، ایمنی جاده در فنلاند به طور پیوسته در طول دهه های گذشته بهبود یافته است ( شکل 1 ). زمستان‌های غیرمعمول سخت با تصادف‌های بیش از متوسط ​​یا زمستان‌هایی که در آن چند تصادف با تعداد تلفات زیاد رخ داده است، دلایلی برای انحراف از روند در برخی سال‌ها هستند.
Ijgi 04 02681 g001 1024
شکل 1. تعداد تلفات در هر میلیون نفر. منبع: EC DG Mobility and Transport—Road Safety Statistics وب سایت [ 30 ].
توجه به این نکته مهم است که تعداد تصادفات و تعداد تلفات کاملاً متناسب با یکدیگر نیستند ( شکل 2 ). میانگین سرعت در جاده های اصلی و بزرگراه ها در زمستان به دلیل کاهش دید و افزایش لغزندگی کمتر است، در حالی که میانگین تعداد سرنشینان در هر خودرو در تابستان بیشتر است [ 31]]. اثر ترکیبی این است که نرخ تصادف و در واقع میانگین تعداد تصادفات روزانه بالاترین میزان در ماه‌های زمستان است، اما تعداد روزانه تلفات در ماه‌های تابستان بالاترین است. حجم ترافیک خارج از ماه های تابستان کمی بیشتر است. این اثر حجمی تنها به تأثیر نرخ‌های تصادف بالاتر می‌افزاید و در نتیجه تعداد مطلق تصادف‌ها در خارج از ماه‌های تابستان بیشتر می‌شود. جدا از اثر فصلی، روزهای هفته دارای پروفایل های ریسک متفاوتی هستند ( شکل 3 ). اولاً، ترافیک شلوغ تر در روزهای کاری خطر تصادف را در مقایسه با روزهای آرام آخر هفته افزایش می دهد. ثانیاً جمعه ها به عنوان پرخطرترین هستند. این تفاوت ها به تفاوت در الگوهای فعالیت روزانه معمولی و پروفایل های فضا-زمان مربوط می شود.
تفاوت‌های تعریف‌شده مکانی در خطر تصادف، از جمله، به شدت ترافیک مربوط می‌شود، به‌عنوان مثال، به دلیل تراکم جمعیت بالاتر در مناطق خاص، اما همچنین به تفاوت‌های تعریف‌شده فضایی، که اغلب به شرایط آب و هوایی مربوط می‌شود. تغییرات در جغرافیای فیزیکی مناطق اغلب به تفاوت های ساختاری در الگوهای آب و هوایی مرتبط با تصادف تبدیل می شود. به عنوان مثال، استان های ساحلی نسبت به مناطق داخلی (به جز نواحی تپه ها در لاپلند، اما ترافیک وجود ندارد) در معرض میانگین بالاتر و حداکثر سرعت باد بالاتری هستند. بهترین راه برای نشان دادن این ارتباط، در نظر گرفتن نرخ تصادف در مناطق مختلف در رابطه با مسیرهای آب و هوایی شدید است. در طول یک مسیر طوفان در حال گسترش در طول یک روز، شرایط مضر برای ترافیک در همان مکان در همان زمان ظاهر نمی شود.شکل 4 این تغییرات فضایی را برای یک رویداد طوفانی گسترده بر فراز فنلاند در طی یک دوره 9 روزه در دسامبر 2009 نشان می دهد. اولین مجموعه (بالایی) نقشه ها نرخ تصادف روزانه در هر منطقه NUTS-3 را نشان می دهد که با میانگین نرخ تصادف روزانه پایه پایه نرمال شده است. برای دوره نوامبر تا دسامبر مجموعه دوم (وسط) مشتقات راداری از حجم تجمعی بارش برای هر روز را نشان می دهد. مجموعه سوم (پایین تر) حاصل ضرب میانگین سرعت باد و بارندگی در روز و منطقه را نشان می دهد.
Ijgi 04 02681 g002 1024
شکل 2. نرخ تصادفات ماهانه (تصادف در هر میلیون کیلومتر وسیله نقلیه) و میانگین تعداد تلفات در هر تصادف برای دوره 2000-2010. (نرخ تصادف: مقیاس سمت چپ، تلفات: مقیاس سمت راست). منبع : مجموعه داده مطالعه (به بخش 3 مراجعه کنید ).
Ijgi 04 02681 g003 1024
شکل 3. تعداد روزانه تصادفات بر اساس روز هفته بر اساس منطقه در نوامبر و دسامبر 2000-2010. منبع : مجموعه داده مطالعه (به بخش 3 مراجعه کنید ).
Ijgi 04 02681 g004a 1024 Ijgi 04 02681 g004b 1024
شکل 4. مثالی از ارتباط مکانی – زمانی بین نرخ تصادف و آب و هوای شدید.
تصاویر رادار نشان می‌دهند که با پیشروی طوفان بر فراز فنلاند، سنگین‌ترین بارندگی انباشته شده در مناطق خاصی در یک روز معین متمرکز می‌شود و این با اوج‌هایی در نرخ تصادف عادی آن مناطق در آن روزها مطابقت دارد. به عنوان مثال نقشه های 20، 21، 22 و 23 دسامبر را ببینید. در حالی که نقشه‌های راداری برای ارائه شواهد در مورد تصادف طوفان‌ها و نرخ تصادفات و تفاوت‌های منطقه‌ای در آن خوب هستند، مدل آماری در بخش 5 نشان می‌دهد که ترکیبی از پارامترهای آب‌وهوا پیش‌بینی‌کننده بهتر تصادفات جاده‌ای است. این در شکل 4 (ردیف پایین) همراه با سرعت باد و بارش ترکیب شده است. به عنوان مثال 20 و 22 دسامبر را ببینید.
به طور کلی، شکل 4 یک خوشه‌بندی فضایی متوالی آشکار فرکانس‌های تصادف را نشان می‌دهد، که نشان می‌دهد نرخ‌های تصادف مشابه (تغییر روزانه) در خوشه‌های روزانه مناطق مجاور رخ می‌دهد. مسیرهای آب و هوایی شدید یک نامزد طبیعی برای فرآیند زیربنایی ایجاد این خوشه بندی متوالی را تشکیل می دهند، زیرا شرایط آب و هوایی مشابه اغلب بر گستره وسیعی از مناطق مجاور در طول روزهای متوالی تأثیر می گذارد. با این حال، تجزیه و تحلیل آماری رسمی برای تأیید این فرض، برای شناسایی فرآیندهای فضایی اضافی، و برای آزمایش و مدل‌سازی رسمی خوشه‌های فضا-زمان نرخ تصادف، آب و هوا و سایر عوامل در یک محیط چند متغیره ضروری است.
Ijgi 04 02681 g005 1024
شکل 5. (الف) نمودار پراکندگی میانگین های روزانه با 2 برابر انحراف استاندارد برای بارندگی و سرعت باد به تفکیک منطقه در دوره های زمستانی بر اساس مشاهدات از 2000 تا 2010 افزایش یافته است. و (ب) خوشه‌بندی منطقه‌ای (در امتداد ساحل) بالاترین سرعت ترکیبی مشاهده شده باد و حداکثر بارش (محصول هر دو مقدار).
الگوهای آب و هوا علاوه بر نشان دادن همزمانی فضایی آب و هوای بد و افزایش تصادفات اتومبیل، دارای توزیع مکانی نیز هستند که برای توزیع مستعد تصادف در سراسر کشور مرتبط است. این با استفاده از همزمانی ساختاری بادهای قوی و بارش شدید (در این مورد در زمستان) نشان داده شده است ( شکل 5 ). هنگامی که سرعت باد و بارش به طور مشترک در قدرت افزایش می‌یابند، نه تنها چسبندگی لاستیک‌ها، بلکه به ویژه دید بدتر می‌شود. مناطق ساحلی نسبت به مناطق داخلی در معرض میانگین و حداکثر سرعت باد بالاتری قرار دارند. با این حال، شدت بارش برف سنگین توزیع فضایی کمتری دارد (حتی اگر تغییرات آب و هوایی ممکن است خطرات شدید بارش برف را در امتداد سواحل جنوبی فنلاند تشدید کند [ 32]]). شیب سرعت باد فضایی قوی تر و واضح تر از شیب شدید بارش برف به نظر می رسد، در حالی که تا حدی با آن منطبق است. این نشان می دهد که مناطق ساحلی ظاهراً مستعد خطرات تصادفات ناشی از آب و هوای نامساعد هستند. همانطور که اتفاق می افتد، تعداد زیادی از این مناطق نیز از یک منطقه متوسط ​​فنلاند پرجمعیت تر هستند.

5. مدل حساسیت نرخ تصادف وسایل نقلیه جاده ای به شرایط نامطلوب آب و هوایی

مدل تصادف اتومبیل ارائه شده در این بخش هنوز اکتشافی است و برای به دست آوردن درک بهتری از تأثیر پارامترهای مختلف آب و هوا بر احتمال تصادفات در سطوح کل توسعه یافته است. برای یک جریان شبکه معین در روز. این به طور خاص برای پشتیبانی مدیریت بحران ایجاد نشده است. این مدل فرآیندهای علی فیزیکی منجر به تصادف را منعکس نمی کند. در عوض، نشانی از تعداد تصادفات اضافی در هر منطقه در رابطه با تغییرات شرایط آب و هوایی مربوط به ترافیک جاده‌ای را ارائه می‌دهد. نتایج برآورد ارائه شده مربوط به شبکه راه فنلاند است. همین مدل – با مقادیر پارامترهای مجدد تخمین زده شده – می تواند در سوئد و نروژ نیز به دلیل اقلیم شناسی مشابه و سطح آمادگی برای آب و هوای زمستان عملکرد رضایت بخشی داشته باشد. برای کشورهای دیگر،
این مدل با شرایط آب و هوای جاده زمستانی سروکار دارد، زیرا این دوره ای از سال است که در آن رانندگان وسایل نقلیه به طور مکرر و تا حدی عملاً به طور دائمی با خطرات آب و هوایی مواجه می شوند. بارش برف، پوشش برف، یخبندان، طوفان های زمستانی و کمبود نور روز نشان می دهد که هم لغزندگی و هم دید مختل شده، خطرات ایمنی مکرر هستند. این پس زمینه انتخاب متغیرها را توضیح می دهد. در صورتی که متغیرهای نزدیک به هم در دسترس بودند، به عنوان مثال، حداکثر دمای روزانه یا دمای متوسط ​​روزانه، بهترین رقم حفظ شد. مه شامل نمی شود، زیرا به ندرت یک خطر قابل توجه ترافیک جاده ای در فنلاند است ( به عنوان مثال، مه به ندرت واقعاً متراکم است). علاوه بر این، اغلب یک پدیده محلی است و بنابراین همیشه به خوبی توسط سیستم مشاهده ثبت نمی شود.

5.1 پیاده سازی مدل

با توجه به تنوع در اندازه مناطق و ناوگان خودرو و درجات مختلف عملکرد حمل و نقل در حمل و نقل بین منطقه ای، نرخ تصادف به عنوان متغیر مستقل به جای تعداد مطلق تصادفات استفاده می شود. این امکان مقایسه آسان تر بین روزهای هفته و فصول را با توجه به سایر عوامل خطر نسبت به حجم ترافیک فراهم می کند. اثر حجم ترافیک بر تعداد کل تصادفات در روز را می توان در نهایت اضافه کرد (بر اساس منطقه، فصل و غیره).
با توجه به فقدان متغیرها در مورد وضعیت راننده و وسیله نقلیه و با توجه به تطابق تصادفات و آب و هوا در سطح یک روز کامل (به جای ساعتی یا بخشی از روز)، ساختارهای پیچیده تر (مثلاً تو در تو یا مشروط) ) کم فایده به نظر می رسید. به طور مشابه، عدم مشاهده روزهای بد آب و هوا بدون هشدار مانع استفاده از رویکرد تفاوت در تفاوت ها شد. از آنجایی که مشاهدات مربوط به کشش جاده خاصی نیست و وضوح ساعتی یا تقریباً ساعتی ندارند، رگرسیون پواسون نیز گزینه‌ای نبود. روش حداقل مربعات معمولی بهترین گام در این مرحله به نظر می رسید، همچنین به این دلیل که ما به جای مقایسه کلاس های شرایط آب و هوا، علاقه مند به دریافت ایده ای از سهم متمایز هر متغیر آب و هوا هستیم. بهره‌برداری از متغیرهای موجود تا حد امکان، و در نظر گرفتن ارتباط اثرات متقابل، مانند باد و بارش، از اهمیت بیشتری برخوردار بود. علاوه بر این، تقسیم بندی در فصل های فرعی و روزهای معمولی هفته، که در واقع مقداری از تغییرات متغیرهای مشاهده نشده در معادلات را نشان می دهد، کیفیت معادلات را بهبود می بخشد. به عنوان مثال، روزهای مختلف هفته نشان دهنده تفاوت در الگوهای ترافیکی و فشرده بودن برنامه های روزانه است. علاوه بر این، افزودن فرم های درجه دوم متغیرها مورد آزمایش قرار گرفت، اما هیچ کدام معنی دار نبودند. که در واقع مقداری از تغییرات متغیرهای مشاهده نشده در معادلات را نشان می دهد، کیفیت معادلات را بهبود می بخشد. به عنوان مثال، روزهای مختلف هفته نشان دهنده تفاوت در الگوهای ترافیکی و فشرده بودن برنامه های روزانه است. علاوه بر این، افزودن فرم های درجه دوم متغیرها مورد آزمایش قرار گرفت، اما هیچ کدام معنی دار نبودند. که در واقع مقداری از تغییرات متغیرهای مشاهده نشده در معادلات را نشان می دهد، کیفیت معادلات را بهبود می بخشد. به عنوان مثال، روزهای مختلف هفته نشان دهنده تفاوت در الگوهای ترافیکی و فشرده بودن برنامه های روزانه است. علاوه بر این، افزودن فرم های درجه دوم متغیرها مورد آزمایش قرار گرفت، اما هیچ کدام معنی دار نبودند.
مشخصات کلی تابع تخمین زده شده به شرح زیر است:

ln (آداس آر) =αداس آر+∑منβمن dاس آر⋅ ln (دبلیومن dاس آر) +γj dاس آر⋅Dj dاس آر+∑لθl dاس آر⋅ ln (تیl dاس آر)لوگاریتم(آدس�)=�دس�+∑من�مندس�·لوگاریتم(دبلیومندس�)+��دس�·��دس�+∑ل�لدس�·لوگاریتم(تیلدس�)

که در آن A dsr میزان تصادف (تعداد تصادف در هر میلیون کیلومتر وسیله نقلیه) را در منطقه در نظر گرفته شده r (منطقه یا ترکیبی از مناطق) در فصل s (نوامبر تا دسامبر یا ژانویه تا مارس) و در نوع روز d (دوشنبه تا پنج شنبه) نشان می دهد. ، جمعه شنبه یکشنبه).

W idsr بردار متغیرهای توضیحی مربوط به آب و هوا را نشان می دهد که عبارتند از: (1) دمای متوسط ​​(سانتیگراد)، (2) حداکثر بارندگی در منطقه (میلی متر)، (3) میانگین سرعت باد (متر/ثانیه) ، (4) حداکثر رطوبت نسبی (نقاط درصد 0-100)، (5) عمق برف (سانتی متر)، (6) میانگین بارش x سرعت باد (متغیر تعامل). همه این متغیرها به مشاهدات روزانه (احتمالاً میانگین در فضا) اشاره دارند. برای دماهای زیر صفر، لگاریتم طبیعی روی -1 اعمال می شود. T ave ، در حالی که نتیجه در -1 ضرب می شود.
D jdsr متغیرهای ساختگی مربوط به شرایط آب و هوایی را نشان می دهد که با حالت های متمایزی مانند یخ زدن یا عدم یخ زدن مشخص می شود ( D = 1 اگر در حالت “A” و D = 0 اگر در حالت “A” نیست). در نتایج ارائه شده در بخش 5.2 ، فقط ساختگی برای وقوع در هر روز چرخه انجماد-ذوب گنجانده شده است، در این صورت “D = 1” یک حالت انجماد و “D = 0” یک حالت غیر انجماد است.
T ldsr متغیرهای مرتبط با سیستم حمل و نقل را نشان می دهد که l = 1 تا 2 شماره گذاری شده اند، (1) شدت ترافیک در جاده های اصلی (متوسط ​​وزنی تعداد وسایل نقلیه عبور شده در بخش جاده) و (2) درصد سهم بزرگراه ها در شبکه جاده های یک منطقه ( وزن ترافیک، برحسب درصد بیان می شود).
α، β، γ و θ ضرایب رگرسیون مربوطه هستند. مقادیر تخمینی ضرایب رگرسیون در بخش 5.2 ارائه شده است .
متغیرهای ساختگی برای وقوع هشدارهای هوای بد رانندگی نیز مورد بررسی قرار گرفت. اعتبار مشروط این هشدارها پیچیده تر به نظر می رسد، در حالی که موارد قابل مقایسه با آب و هوای بد با و بدون اخطار، (و در غیر این صورت شرایط قابل مقایسه) بسیار کمیاب هستند. در این مرحله تصمیم گرفته شد که متغیرهای ساختگی هشدار درج نشود.

5.2 نتایج و بحث

جدول 2 و جدول 3 مقادیر تخمینی ضرایب رگرسیون را برای هشت رگرسیون مختلف (1) از دوشنبه تا پنجشنبه در نوامبر و دسامبر ارائه می دهد. (2) دوشنبه تا پنجشنبه در ژانویه تا مارس؛ (3) جمعه های نوامبر و دسامبر. (4) جمعه ها در ژانویه تا مارس؛ (5) شنبه های نوامبر و دسامبر؛ (6) شنبه های ژانویه تا مارس؛ (7) یکشنبه های نوامبر و دسامبر؛ (8) یکشنبه‌های ژانویه تا مارس، خطای استاندارد تخمین‌ها و مقدار آزمون دانشجویی ( آمار t- ) نشان‌دهنده اهمیت آماری یک متغیر است. به عنوان مثال، در جدول 2در مورد روزهای کاری (دوشنبه تا پنج شنبه)، متغیر ln_RRmax (حداکثر بارندگی در یک روز) در اوایل زمستان (نوامبر تا دسامبر) قابل توجه نیست، در حالی که در اواخر زمستان (ژانویه تا مارس) قابل توجه است.
جدول 2 و جدول 3 را می توان برای اعمال فرم مشخصات ارائه شده در بالا به شرح زیر استفاده کرد (نمونه ای برای نوامبر-دسامبر/دوشنبه-پنجشنبه):

ln (آداس آر) = 0.85216 + 0.03511 ln (تیa v e) + 0.03011 ln (دبلیوs a v g) –0.62942 ln ( Rساعتحداکثر) + 0.07360 ln ( s n o w dp ) + 0.05606 ln ( p r e p x w i n d) +0.40566 ln ( t c a r s p e r dیک سال) – 0.11191 ln ( pc h i g _h w a ys ) + 0.11245Dتیh a wلوگاریتم(آدس�)=0.85216+0.03511لوگاریتم(تیآ�ه)+0.03011لوگاریتم(دبلیوسآ��)–0.62942لوگاریتم(آرساعتحداکثر)+0.07360لوگاریتم(س���دپ)+0.05606لوگاریتم(پ�هپایکس�من�د)+0.40566لوگاریتم(تیجآ�سپه�دآ�)–0.11191لوگاریتم(پجساعتمن�ساعت�آ�س)+0.11245�تیساعتآ�
ضرایب تعیین (R2 ) بین 0.08 برای یکشنبه های اوایل زمستان تا 0.19 برای روزهای کاری اوایل زمستان (دوشنبه تا پنجشنبه) متغیر است. این قدرت توضیحی متوسط ​​و در عین حال قابل توجه برآوردها نشان می دهد که شرایط آب و هوایی به طور کلی منبع اصلی برخورد حتی در زمستان نیست. داده‌های دقیق‌تر جریان ترافیک و برخورد دقیق‌تر با هشدارها احتمالاً قدرت توضیح را تا حدی افزایش می‌دهد.
برآوردها به طور جداگانه برای چهار روز کاری اول (دوشنبه-پنجشنبه)، جمعه ها، شنبه ها و یکشنبه ها انجام شده است زیرا ترکیب سفر معمولی ترافیک جاده به طور قابل توجهی بین این گروه های مختلف روز متفاوت است. علاوه بر این، میانگین عملکرد ترافیک برای این روزها متفاوت است. این امر بر میزان عجله، توزیع مهارت های رانندگی رانندگان درگیر و توانایی جلوگیری از آب و هوای بد با به تعویق انداختن سفر یا تغییر حالت تأثیر می گذارد. این در آمار به عنوان میانگین شدت تصادفات متفاوت برای این روزهای مختلف نشان می دهد. علاوه بر این، اوایل زمستان و اواخر زمستان به دلیل نرخ های مختلف تصادف در این دوره ها متمایز می شوند. این تفاوت ها احتمالاً ناشی از تغییرات نگرش در آمادگی زمستانی و تکامل مهارت رانندگی در طول زمستان است [ 33]، اما ادبیات بیشتری در مورد شواهد محکم برای علل این تفاوت ها پیدا نکردیم.
حداکثر بارش روزانه در منطقه (RRmax) از نظر آماری تنها در روزهای کاری (دوشنبه-پنجشنبه) در ژانویه تا مارس و در واقع یک مورد مرزی از نظر آماری در روزهای جمعه در ماه نوامبر تا دسامبر معنادار است. از آنجایی که اثرات بارندگی نیز توسط متغیر ترکیبی PREPxWIND مشخص می‌شود، به نظر می‌رسد که نتایج نشان می‌دهد که بارش شدیدتر به شکل باران (که هنوز شکل غالب‌تر برای بخش عمده‌ای از نوامبر تا دسامبر است، در حالی که هرگز به شدت تابستان نیست. بارش باران) به راحتی نرخ تصادف را افزایش نمی دهد، اگر سرعت باد در حد متوسط ​​باقی بماند. از سوی دیگر، عدم اهمیت آماری برای روزهای آخر هفته را می‌توان با افزایش تمایل به به تعویق انداختن سفرها و کاهش سرعت توضیح داد زیرا فشار زمانی کمتر از روزهای هفته است.
جدول
جدول 2. تخمین رگرسیون برای دوشنبه تا پنجشنبه و جمعه برای همه مناطق با هم.
جدول
جدول 3. برآورد رگرسیون برای شنبه و یکشنبه برای همه مناطق با هم.
از طرف دیگر میانگین دما و سرعت باد در بیشتر موارد قابل توجه است و پارامترهای تخمینی به طور سیستماتیک در اواخر دوره زمستان در مقایسه با اوایل زمستان بزرگتر است، به این معنی که تأثیر بیشتری در واحد افزایشی باد یا دما وجود دارد. عمق برف در بیشتر موارد از نظر آماری معنادار است. انتظار می رود که این متغیر به عنوان یک متغیر پروکسی برای درجه ترخیص جاده عمل کند. با افزایش عمق برف، احتمال اینکه جاده های فرعی دیگر کاملاً صاف نباشند افزایش می یابد. باد همچنین می تواند برف فروکش شده را در جاده ها پراکنده کند.
همچنین قابل توجه است که چرخه یخ-ذوب تمایل به افزایش نرخ تصادف در اوایل زمستان دارد، در حالی که تمایل به کاهش آنها در اواخر زمستان دارد (یا از نظر آماری معنی دار نیست). مشخص نیست که این تا چه حد به یادگیری، تعویض دیرهنگام به لاستیک های زمستانی، تفاوت در میزان نور روز یا با تفاوت های فیزیکی در چرخه های انجماد و ذوب در این دو دوره مرتبط است. تأثیر سهم بزرگراه ها در سامانه راه های منطقه ای در روزهای کاری بیشتر از روزهای جمعه و آخر هفته است که احتمالاً نشان دهنده سایر الگوهای مسیریابی در آن روزها است.
نورمی و همکاران [ 2 ] تأثیر اطلاعات آب و هوا بر وقوع تصادفات مربوط به آب و هوا را با کاهش 14 درصدی به عنوان میانگین سالانه (از نظر تصادفات اجتناب شده) تخمین زد. این کاهش 14 درصدی به همه اطلاعات آب و هوای جاده ها با هم اشاره دارد، نه فقط هشدارها. همانطور که قبلا ذکر شد، کولز و همکاران . [ 26 ] نشان داد که آب و هوای نامناسب تمایل به کاهش حجم ترافیک دارد (تقریباً 3- تا 7- درصد در مورد بلژیک). از آنجایی که مدل ارائه شده در اینجا بر اساس تصادفات تحقق یافته است، افزایش تخمینی (و مشاهده شده) در نرخ تصادفات شامل اثرات واکنش ذکر شده است. در نظر گرفتن نتایج شبیه‌سازی در مورد اثرات آگاهی آب و هوا بر تولید سفر و انتخاب حالت [ 34 ,35 ] ممکن است فرض کنیم که تمایل تخمینی پاسخ به ویژگی های آب و هوایی (سرعت باد و غیره ) به طور قابل توجهی تحت تأثیر این اثر کاهش ترافیک قرار نمی گیرد، اما ما اذعان می کنیم که ممکن است گزینش مربوط به مهارت نیز در اثر کاهش ترافیک دخیل باشد. این به این معنی است که اثر مخاطره‌آمیز اولیه – کاهش‌نشده یا پیش‌بینی نشده – آب و هوای بد در اعداد مطلق تقریباً 15٪ تا 20٪ بزرگتر از اثرات برآورد شده است (عدم اثر هشدار به معنای 14/86 ~ 16.3٪ و عدم کاهش ترافیک است. چند درصد دیگر را اضافه می کند – حتی اگر به هر حال مقداری از ترافیک لحظه آخری بدون توجه به هشدارها کاهش می یابد).

5.3 نمونه هایی از استفاده از مدل

با درج مقادیر متوسط ​​برای متغیرهای توضیحی برای زمان زمستان (به ازای هر فصل و نوع روز) یا مقادیر برای یک “روز خوب زمستانی”، تخمینی برای میانگین شدت تصادف برای چنین روز معمولی به دست می آید. پس از آن، مقادیر آب و هوای بد و بسیار بد را می توان درج کرد تا ارزیابی شود که میزان تصادف تا چه حدی افزایش می یابد. تفاوت در سطوح شدت نشان دهنده تأثیر آب و هوای بد است. جدول 4نمونه ای برای مقادیر ورودی ارائه می دهد که منعکس کننده سه وضعیت آب و هوای زمستانی برای کشور به عنوان یک کل است. به خصوص در مورد آب و هوای بسیار بد، ممکن است به این معنی باشد که تعداد تصادفات به جای 336 به حدود 325 افزایش می یابد. 65 (تصادف مازاد در یک روز) برای آب و هوای بسیار بد برای سطح فعلی حجم متوسط ​​ترافیک.
جدول
جدول 4. تصویری از اثرات سطوح مختلف متغیرهای ورودی که منعکس کننده شرایط آب و هوایی مختلف است.
Ijgi 04 02681 g006 1024
شکل 6. ( الف ) نرخ تصادف وسایل نقلیه جاده ای (در هر میلیون کیلومتر وسیله نقلیه) در شرایط آب و هوایی عادی در سال 2000 در هر استان فنلاند. ( ب ) نرخ سقوط در شرایط آب و هوایی عادی در سال 2010، و رشد از سال 2000. ( ج ) نرخ تصادف در شرایط آب و هوایی بسیار بد در سال 2010. تقسیم بندی مقیاس رنگ برای همه نقشه ها مشترک است.
مثال بالا را می توان با جایگزینی میانگین های ملی با مقادیر خاصی که متغیرهای جدول 4 در هر منطقه فنلاند برای شرایط آب و هوایی نرمال، بد یا خیلی بد نشان داده شده در شکل 6 ، منطقه بندی کرد . شکل 6 a,b تغییر نرخ تصادف را در شرایط آب و هوایی معمولی زمستانی بین سال‌های 2000 و 2010 نشان می‌دهد، با رشد این نرخ‌های تصادف از 4٪ در مناطق شرقی تا 14٪ در منطقه غربی Satakunta. این تفاوت ها در رشد (بین شکل 6 الف و 6 ب) عمدتاً به تفاوت در توسعه حجم ترافیک منطقه ای مربوط می شود. منطقه پایتخت Uusimaa بالاترین نرخ تصادف را نشان می دهد اما بالاترین رشد را ندارد. شکل 6c نرخ تصادف در سال 2010 را در شرایط آب و هوایی بسیار بد زمستانی (فرضی) نشان می دهد. توزیع منطقه‌ای این نرخ‌های بالا به طور ضعیفی با ترکیب سرعت باد شدید و بارش در شکل 5 ب. تفاوت این است که به دلیل رشد شدید حجم ترافیک در خط مبنا در سال 2010، چند استان داخلی در همان دسته ای قرار می گیرند که اکثر استان های ساحلی در آن قرار دارند.

6. بحث

اطلاعات ارجاع شده جغرافیایی برای شناسایی و ارتباط سریع خطرات تصادف محلی مفید است، که به نوبه خود می تواند از برنامه ریزی آمادگی و استقرار بهینه خدمات نجات و بهداشت در سطوح منطقه ای پشتیبانی کند. داده‌های جغرافیایی ارجاع‌شده همچنین می‌توانند تجزیه و تحلیل کمی عمیق را افزایش دهند، زیرا مناسب‌ترین وضوح‌های مکانی و زمانی برای داده‌های ورودی تخمین و تقسیم‌بندی‌ها در تجزیه و تحلیل را می‌توان شناسایی کرد. با این حال، این نقش بسیار حمایتی را نباید با استنباط وجود علیت فضایی بسیار مهم اشتباه گرفت. برخی از عوامل علیت مکانی واقعاً وجود دارد، مانند تنوع ویژگی‌های ژئوفیزیکی در فضا، که باعث تفاوت‌های سیستماتیک در توزیع متغیرهای آب و هوا می‌شود. عوامل تأثیرگذار غالب نرخ تصادف (به عنوان مثال، با این حال، به نظر نمی‌رسد که شرایط و مهارت‌های راننده مستلزم مکانیسم‌های فضایی در سطوح تجمع فضایی بالاتر باشد، حتی اگر ممکن است خوشه‌بندی فضایی در وقوع آنها وجود داشته باشد. این مفهوم با این مشکل مرتبط است که ویژگی‌های مرتبط با محل سکونت زمانی که رانندگان در فضای بزرگ‌تری پراکنده می‌شوند منحل می‌شوند.
همانطور که در بالا اشاره شد، تنها برخی از عوامل، از مجموعه بزرگ عوامل موثر بر نرخ تصادف، مکانیسم‌های تمایز فضایی واقعی را شامل می‌شوند. در تجزیه و تحلیل، ما نزدیکی به ساحل را به عنوان یک عامل فضایی که از طریق تفاوت‌های متغیر آب و هوایی سیستماتیک بازی می‌کند، شناسایی کردیم. علاوه بر این، در بحث، فرآیندهای همتای منظر و محله مسکونی در رابطه با سبک رانندگی و انتخاب خودرو مطرح شد. به دلیل فقدان داده های شخصی، نوع دوم نفوذ قابل ارزیابی نیست. با این حال، ادبیات موجود نشان می دهد که اثرات ممکن است فقط برای گروه های خاصی مرتبط باشد.
با توجه به کیفیت تخمین، داده‌های تفکیک مکانی و زمانی بالاتر هنوز هم می‌توانند دقت تخمین‌ها را بهبود بخشند، حتی اگر وضوح‌های بسیار بالا احتمالاً به دلیل عناصر تصادفی در وقوع فضایی افراط‌های آب‌وهوا و تصادفات سازنده نیستند. پیش‌بینی‌های مبتنی بر این وضوح‌های بالاتر می‌توانند از سیستم‌های نظارت مداوم ترافیک (با وضوح بالا ضمنی) برای افزایش ارتباط برای استقرار خدمات نجات و بهداشت بهره‌مند شوند. یکی دیگر از مسائل مربوط به کیفیت تخمین، اثرات مختلف برش و سانسور است. حذف نسبی برخی از انواع تصادفات و اثرات بازدارنده اطلاعات آب و هوا و آب و هوای بد مستلزم تجزیه و تحلیل بیشتر با توجه به اصلاحات احتمالی در حساسیت های آب و هوایی برآورد شده است.

7. نتیجه گیری

بر اساس نتایج برآورد، در برخی از روزها، آب و هوای بد می تواند تعداد تصادفات را به میزان قابل توجهی افزایش دهد (20٪ یا بیشتر از نرخ پایه). ما ارزیابی نکرده ایم که آیا آب و هوای بد زمستانی به همان میزان بر تعداد تلفات تأثیر می گذارد یا خیر. ادبیات نشان می‌دهد که ممکن است به لطف کاهش سرعت، تأثیر کمی بر تعداد تلفات وجود داشته باشد، اما این ممکن است برای همه موقعیت‌های آب و هوایی نامطلوب صادق نباشد.
سرعت باد، شدت بارندگی و دما همگی در بیشتر موارد قابل توجه به نظر می رسند. ترکیب سرعت باد و بارش به ویژه مهم است. به نظر می رسد حساسیت به آب و هوای بد در روزهای مختلف متفاوت است. هرچه برنامه‌های روزانه فشرده‌تر باشد، با وجود آب و هوای بد (پیش‌بینی‌شده) تمایل کمتری برای تطبیق برنامه‌های سفر وجود دارد. بنابراین، ترافیک آخر هفته نسبت به ترافیک روزهای کاری، به ویژه جمعه ها، حساسیت کمتری نسبت به آب و هوای بد دارد. یخ زدگی و ذوب شدن در همان روز به طور قابل توجهی به خطرات تصادف در ماه های اولیه زمستان (نوامبر تا دسامبر) می افزاید، اما دیگر در زمستان بعداً انجام نمی شود. برای سایر متغیرهای آب و هوا، ضرایب بزرگتر هستند ( به عنوان مثال، حساسیت قوی تر است) در دوره ژانویه تا مارس. با این وجود، به نظر می‌رسد حجم ترافیک مهم‌ترین متغیر در این سطح از تجزیه و تحلیل (متوسط ​​تراکم ترافیک روزانه) باشد، اما بدیهی است که اوج‌های مربوط به آب‌وهوا در حوادث تصادف را توضیح نمی‌دهد.
انتظار می رود تغییرات آب و هوایی در دهه های آینده بادهای شدید و بارش برف شدید را تا حدی افزایش دهد [ 32 ]. حتی اگر فرض کنیم که هم فرکانس و هم حداکثر 10 درصد افزایش می‌یابد، تعداد تصادفات مازاد در سال به شدت افزایش نمی‌یابد، یعنی چیزی بین 10 تا 40. همانطور که از شکل 3 و جدول 3 استنباط می‌شود، اثر تغییر آب و هوا با توجه به تعداد کل تصادفات در روز بسیار کم است. با این حال، جدا از ابهامات در مورد تأثیر شدید تغییرات آب و هوایی بر طوفان و بارش شدید، تغییرات آب و هوایی همچنین ممکن است باعث افزایش سایر شرایط جاده‌ای خطرناک شود که هنوز شناسایی نشده‌اند.
این مطالعه به طور خاص بر خطرات آب و هوای زمستانی برای ترافیک جاده‌ای متمرکز بود، اما میزان تلفات بیشتر در تابستان نیز به همان اندازه شایسته توجه است. علاوه بر این، با تابستان‌های گرم‌تر و بارش‌های شدید تابستانی، نرخ تصادفات ممکن است در نتیجه تغییرات آب و هوایی افزایش یابد. همچنین انتظار می‌رود تغییرات آب و هوایی بر پاکسازی جاده‌ها، نمک‌زدایی و هزینه‌های نگهداری جاده‌ها تأثیر بگذارد. بنابراین، نتایج مربوط به نرخ تصادفات را نباید تعمیم داد، زیرا به نظر نمی رسد تغییرات آب و هوایی تأثیر زیادی بر حمل و نقل جاده ای فنلاند بگذارد.

منابع

  1. آندری، جی. میلز، بی. Vandermoolen, J. اطلاعات آب و هوا و ایمنی جاده ; موسسه کاهش تلفات فاجعه آمیز: تورنتو، ON، کانادا، 2001. [ Google Scholar ]
  2. نورمی، پ. پرلز، آ. نورمی، وی. اثرات و ارزش مورد انتظار بهبود در پیش بینی آب و هوا در بخش حمل و نقل جاده ای. هواشناسی Appl. 2013 ، 20 ، 217-223. [ Google Scholar ] [ CrossRef ]
  3. پیلی سیهولا، ک. نورمی، وی. پرلز، آ. هارجان، ا. بوش، پی. Ciari، F. نوآوری در خدمات آب و هوا به عنوان یک بلوک ساختمانی مهم برای سازگاری با تغییرات آب و هوا در حمل و نقل جاده ای. یورو J. Transp. زیرساخت. Res. 2015 ، در دست چاپ. [ Google Scholar ]
  4. پدن، م. اسکرفیلد، آر. اسلیت، دی. موهان، دی. Hyder، AA; جروان، ای. Mathers, C. World Report on Road Traffic Injury Prevention ; سازمان بهداشت جهانی: ژنو، سوئیس، 2004. [ Google Scholar ]
  5. چلیک، AK; Oktay، E. تجزیه و تحلیل لوجیت چندجمله ای از عوامل خطر موثر بر شدت آسیب ترافیک جاده ای در استان ارزروم و قارص ترکیه. اسید. مقعدی قبلی 2014 ، 72 ، 66-77. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. الریسی، اچ. المنیری، ع. پلانکرمن، ک. الحنائی، م. العداوی، س. دیوی، جی. فریمن، جی. رفتار پرخطر رانندگی در بین دانشجویان و کارکنان دانشگاه در سلطان نشین عمان. اسید. مقعدی قبلی 2013 ، 58 ، 1-9. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  7. جوگا، آی. هیپی، م. موسیف، دی. Saltikoff، E. تجزیه و تحلیل عوامل آب و هوایی مسئول ترافیک “روز سیاه” در هلسینکی، فنلاند، در 17 مارس 2005. Meteoroll Appl. 2010 . [ Google Scholar ] [ CrossRef ]
  8. سانتامارینا-روبیو، ای. پرز، ک. اولاباریا، ام. Novoa، AM تفاوت‌های جنسیتی در میزان آسیب ترافیک جاده‌ای با استفاده از زمان سفر به عنوان معیار قرار گرفتن در معرض. اسید. مقعدی قبلی 2014 ، 65 ، 1-7. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. تامپسون، جی پی؛ بالدوک، MRJ؛ ماتیاس، جی ال. Wundersitz، LN بررسی عوامل محیطی، راننده و وسیله نقلیه مرتبط با تصادفات جدی و کشنده رانندگان روستایی مسن تر. اسید. مقعدی قبلی 2013 ، 50 ، 768-775. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  10. کارتنسن، جی. تأثیر بر خطر تصادف تغییر در آموزش راننده در دانمارک. اسید. مقعدی قبلی 2002 ، 34 ، 111-121. [ Google Scholar ] [ CrossRef ]
  11. Wanvik، PO اثرات روشنایی جاده: تجزیه و تحلیل بر اساس آمار تصادف هلندی 1987-2006. اسید. مقعدی قبلی 2009 ، 41 ، 123-128. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. مالیشکینا، NV; رفتار، F. تأثیر افزایش محدودیت سرعت بر شدت جراحات در تصادفات. ترانسپ Res. ضبط J. Transp. Res. هیئت 2008 . [ Google Scholar ] [ CrossRef ]
  13. حکیم، س. دانیل، اس. هاکرت، ع. هوچرمن، I. بررسی انتقادی مدل های کلان برای تصادفات جاده ای. اسید. مقعدی قبلی 1991 ، 23 ، 379-400. [ Google Scholar ] [ CrossRef ]
  14. گادری، ام. Lassarre, S. مدل‌های تصادفات جاده‌ای ساختاری: خانواده بین‌المللی DRAG ; چاپ پرگامون: تاری تاون، نیویورک، ایالات متحده آمریکا، 2000. [ Google Scholar ]
  15. یانیس، جی. آنتونیو، سی. پاپادمیتریو، E. مدلسازی سری زمانی غیرخطی خودرگرسیون تلفات رانندگی در اروپا. یورو ترانسپ Res. Rev. 2011 , 3 , 113-127. [ Google Scholar ] [ CrossRef ]
  16. لوما، جی. Sivak، M. چرا ایمنی جاده در ایالات متحده با سوئد، بریتانیا و هلند برابری نمی کند؟ درس هایی که باید آموخت. یورو ترانسپ Res. Rev. 2014 , 6 , 295-302. [ Google Scholar ] [ CrossRef ]
  17. گیتلمن، وی. هندل، ال. کارمل، آر. بخور، اس. بررسی برنامه های ایمنی جاده ای ملی در ده کشور پیشرو جهان در ایمنی راه. یورو ترانسپ Res. Rev. 2012 , 4 , 175-188. [ Google Scholar ] [ CrossRef ]
  18. برگل حیات، ر. دباره، م. آنتونیو، سی. Yannis, G. توضیح خطر تصادف جاده ای: اثرات آب و هوا. اسید. مقعدی قبلی 2013 ، 60 ، 456-465. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. هولز راو، سی. Scheiner, J. الگوهای جغرافیایی در ایمنی جاده: بررسی ادبیات و مطالعه موردی از آلمان. یورو ترانسپ Res. Rev. 2013 , 13 , 99-122. [ Google Scholar ]
  20. اندرسون، ا. چاپمن، L. استفاده از یک آنالوگ زمانی برای پیش بینی تصادفات رانندگی آینده و شرایط جاده زمستانی در سوئد. هواشناسی Appl. 2010 ، 18 ، 125-136. [ Google Scholar ] [ CrossRef ]
  21. مولر، ام. تأثیر Haustein، S. Peer بر رفتار سرعت غیرمجاز در بین رانندگان مرد 18 و 28 ساله. تصادف. مقعدی قبلی 2014 ، 64 ، 92-99. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. تئوفیلاتوس، ا. یانیس، جی. مروری بر تأثیر ترافیک و ویژگی های آب و هوا بر ایمنی جاده ها. اسید. مقعدی قبلی 2014 ، 72 ، 244-256. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. آندری، جی. میلز، بی. لیهی، م. Suggett, J. آب و هوا به عنوان یک خطر مزمن برای حمل و نقل جاده ای در شهرهای کانادا. نات. خطرات 2003 ، 28 ، 319-343. [ Google Scholar ] [ CrossRef ]
  24. نورمی، وی. پرلز، آ. نورمی، پ. مایکلیدس، اس. آتاناساتوس، S. ارزش اقتصادی پیش بینی های آب و هوا در حمل و نقل – تأثیرات پیشرفت های کیفیت پیش بینی آب و هوا بر اثرات اقتصادی آب و هوای شدید. در دسترس آنلاین: http://ewent.vtt.fi/Deliverables/D5/D5_2_16_02_2012_revised_final.pdf (در تاریخ 16 نوامبر 2015 قابل دسترسی است).
  25. یاروسزوسکی، دی. مک نامارا، تی. تأثیر بارندگی بر تصادفات جاده ای در مناطق شهری: رویکرد رادار آب و هوا. رفتار سفر. Soc. 2014 ، 1 ، 15-21. [ Google Scholar ] [ CrossRef ]
  26. کولز، ام. ماه، ای. Wets, G. ارزیابی تأثیر آب و هوا بر شدت ترافیک. آب و هوا. Soc. 2010 ، 2 ، 60-68. [ Google Scholar ] [ CrossRef ]
  27. کولز، ام. Creemers, L. نقش دوگانه پیش‌بینی‌های آب و هوا در تغییر رفتار فعالیت سفر. J. Transp. Geogr. 2013 ، 28 ، 167-175. [ Google Scholar ] [ CrossRef ]
  28. لین، ال. وانگ، کیو. الگوریتم های داده کاوی Sadek، AW و شبکه های پیچیده برای تجزیه و تحلیل حوادث ترافیکی. در مجموعه مقالات 93مین نشست سالانه هیئت تحقیقات حمل و نقل (TRB)، واشنگتن، دی سی، ایالات متحده آمریکا، 12 تا 16 ژانویه 2014.
  29. بریج، تی. کارلیس، دی. Wets, G. مطالعه تاثیر شرایط آب و هوایی بر تعداد تصادفات روزانه با استفاده از مدل سری زمانی گسسته. اسید. مقعدی قبلی 2008 ، 40 ، 1180-1190. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. EC DG Mobility and Transport-Safety Statistics. در دسترس آنلاین: http://ec.europa.eu/transport/road_safety/specialist/statistics/index_en.htm (در 3 ژوئن 2015 قابل دسترسی است).
  31. بررسی ملی سفر 2010/2011-سازمان حمل و نقل فنلاند. یک خط موجود: http://portal.liikennevirasto.fi/sivu/www/e/fta/research_development/national_travel_survey (در 19 مه 2015 قابل دسترسی است).
  32. وجدا، ع. توومنویرتا، اچ. جوکینن، پی. لومارانتا، ا. مکونن، ال. تیکانماکی، م. Groenemeijer، P. سااریکیوی، پ. مایکلیدس، اس. پاپاداکیس، م. و همکاران احتمالات آب و هوای نامطلوب بر حمل و نقل در اروپا اقلیم شناسی و سناریوها تا دهه 2050 ; موسسه هواشناسی فنلاند: هلسینکی، فنلاند، 2011. [ Google Scholar ]
  33. هرمانس، ای. بریج، تی. استایر، تی. Offermans, C. تاثیر شرایط آب و هوایی بر ایمنی جاده به صورت ساعتی بررسی شد. در مجموعه مقالات هشتاد و پنجمین نشست سالانه هیئت تحقیقات حمل و نقل (TRB)، واشنگتن، دی سی، ایالات متحده آمریکا، 22 تا 26 ژانویه 2006.
  34. استاهل، ا. سیاری، اف. Axhausen، K. مدل سازی اثرات شرایط آب و هوایی در میکروشبیه سازی های حمل و نقل مبتنی بر عامل. در مجموعه مقالات 93مین نشست سالانه هیئت تحقیقات حمل و نقل (TRB)، واشنگتن، دی سی، ایالات متحده آمریکا، 12 تا 16 ژانویه 2014.
  35. پرلز، آ. پرتنتالر، اف. کورتچاک، دی. هیندریککس، چ. سیاری، اف. بوش، پی. کیویلوما، جی. آزودو، م. ایخولم، تی. کرافورد-براون، دی. و همکاران استراتژی های انطباق چندبخشی بخشی و فرابخشی برای انرژی، حمل و نقل و گردشگری. در دسترس آنلاین: http://www.topdad.eu/publications (در 17 سپتامبر 2015 قابل دسترسی است).

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370