تهیه نقشه ریسک تصادفات رانندگی مبتنی بر اطلاعات مکانی مردم گستر با استفاده از روش های تصمیم گیری تحلیل سلسله مراتبی و تحلیل شبکه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری سامانه اطلاعات مکانی، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشکده مهندسی نقشه برداری- دانشگاه صنعتی خواجه نصیرالدین طوسی

2 دانشیار گروه سامانه های اطلاعات مکانی - دانشکده مهندسی ژئودزی و ژئوماتیک - دانشگاه صنعتی خواجه نصیرالدین طوسی

10.22131/sepehr.2020.44596

چکیده

یکی از معضلات اجتماعی در جهان و به خصوص در کشورهای در حال توسعه که هر ساله تلفات انسانی و هزینه های اجتماعی، اقتصادی و فرهنگی زیادی را به جامعه تحمیل می کند، تصادفات رانندگی است. بنابراین شناسایی نقاط حادثه خیز تصادفات امری بسیار ضروری است. هدف این مطالعه، تعیین نقاط حادثه خیز و تهیه نقشه حساسیت تصادفات رانندگی در شهر بابل با استفاده از اطلاعات مکانی مردم گستر می ­باشد. بدین منظور، با توجه به ویژگی های منطقه، از معیارهای فاصله از  مراکز جمعیتی، نزدیکی به میدان­ های شهری، فاصله از پل عابر پیاده، نزدیکی به تقاطع استفاده شده است. نقاط حادثه خیز شناسایی شده توسط اطلاعات مکانی مردم گستر به همراه معیارهای تعیین ­شده با به کارگیری روش­ های تحلیل سلسله مراتبی و تحلیل شبکه به صورت زوجی مقایسه و وزن هر یک از آنها محاسبه گردید. تقشه نهایی حساسیت تصادفات رانندگی حاصل از هر دو روش متداول و اطلاعات مردم گستر تهیه شد. به منظور ارزیابی دقت نقاط حادثه خیز شناسایی شده حاصل از اطلاعات مکانی مردم گستر و همچنین نقشه­ های حساسیت، از داده های رسمی پلیس با استفاده از معیارهای منحنی تشخیص عملکرد سیستم و ضریب کاپا استفاده شده است. بر اساس نتایج به دست آمده، مرکز خرید مسجد جامع، مرکز خرید یکشنبه بازار (شهاب نیا)، تقاطع فرهنگ و میدان ولایت، به عنوان حادثه­ خیزترین نقاط در شهر بابل شناخته شدند. همچنین از بین 4 معیار تعیین­ شده، فاصله از مراکز جمعیتی و فاصله از تقاطع، به ترتیب، مهمترین معیارها می باشند. نتایج حاصل از معیارهای ارزیابی نشان دادند که استفاده از اطلاعات مکانی مردم گستر با دقت خوبی می تواند در تعیین نقاط حادثه خیز تصادفات در شهر بابل موثر واقع شود. همچنین روش تحلیل شبکه نسبت به روش تحلیل سلسله مراتبی در تهیه نقشه حساسیت بهتر عمل کرده است.

کلیدواژه‌ها


عنوان مقاله [English]

Mapping the risk of road traffic accidents based onVolunteered Geographic Information using Analytic Hierarchy Process (AHP) and Analytic Network Process (ANP)

نویسندگان [English]

  • Mehrdad AhangarCani 1
  • Mohammad Reza Malek 2
1 PhD student of geographic information system, Faculty of geodesy and geomatics, K. N. Toosi University of Technology
2 Associate professor, Faculty of geodesy and geomatics, K. N. Toosi University of Technology
چکیده [English]

Extended Abstract
Introduction and Objective
Road traffic accidents impose numerous social, economic, and cultural costs upon various societies, especially developing countries. Identification of accident blackspots is a method proposed to deal with car accident risks. Among various events associated with transportation network, road traffic accidents play a significant role, because of their specific features, including high frequency, high intensity and the chance of direct involvement of all members of the community.This problem is more conspicuous in developing countries such as Iran. The present study aims to identifyaccidentblackspotsand to prepare risk map for road trafficaccidents in Babol city using volunteered geographic information.
 
Materials and methods
According to the characteristics of the study area, the present study takes advantage of criteria such as distance from population centers, proximity to city squares, distance from footbridges, and proximity to road intersections to identifyaccidentblackspotsand a prepare risk map for roadtraffic accidents in Babol city. Accident blackspots detected by volunteered geographic information, along with the criteria determined by applying analytic hierarchy process (AHP) and analytic network process (ANP) were compared in a pairwise manner, and their respective weight was calculated to showtheir specific level of impact. Ultimately, a risk map was produced for the risk of road traffic accidents obtained from each method. In order to evaluate the accuracy of the identified accident blackspots obtained from volunteered geographic information, as well as the accuracy of susceptibility maps, ROC curve and Kappa Coefficient were applied to police official records.
 
Results and Discussion
 According to the findings, Jame Mosque shopping center, Shahabnia shopping center, intersection of Farhangstreet and Velayat square were identified as the most accident-prone areas in Babol city. Also, among the prespecified criteria, distance from population centers and distance from intersections are considered to be the most important criteria, respectively. Results obtained from the evaluation criteria indicatedhigh accuracy of volunteered geographic information, and thus it is concluded that this kind of information can be effective in determining the accident blackspotsinBabol city. Also, the ANP method works better than AHP method in preparing the risk map of accidents.
 
Conclusion and Future works
Due to the large number of road accidents, especially in developing countries,the issue of accident blackspotsand providing a risk map for road trafficaccidents are an essential part of roads safety. In the present study, volunteered geographic information was used, along with multivariate decision-making methods of analytic hierarchy process (AHP) and analytic network process (ANP) to identifyaccident blackspots based on number, causes and severity of accidents and to develop a risk map for driving accidents in Babol city. Moreover, the criteria of distance from population centers, proximity to the city squares, distance from the footbridges, and adjacency to intersections were used to determine accident blackspotsand to prepare a risk map for driving accidents in Babol city. According to the results, Jame Mosque shopping center, Shahabnia shopping center, Farhang intersection and Velayat square were identified as the most accident-prone points in Babol city. Also, distance from population centers and distance from intersectionswere identified as the most important criteria, respectively. Evaluation criteria demonstrated that volunteered geographic information can be effective and accurate in determining accident blackspotsinBabol city. Also, the ANP method worked better than AHP method in preparing the risk map of driving accidents. The method proposed in this study to identify accident blackspots and preparedriving accidents risk maps can be generalized to other areas. Basedon the characteristics of specific routes, other criteria such as arc radius, longitudinal slope can alsobe used. It is also suggested that the results of other methods used for investigation ofaccidentblackspotsand production of risk maps based onvolunteered geographic information (VGI) are compared with the results of the present study.

کلیدواژه‌ها [English]

  • Volunteered Geographic Information (VGI)
  • Road traffic accidents
  • Analytic hierarchy process (AHP)
  • Analytic Network Process (ANP)
  • Accident blackspots
  • Geospatial Information System (GIS)
  • ROC curveand Kappa coefficient
1- اسلامی ‌نژاد و دلاور. سیداحمد و محمودرضا.(1398). مدل‌سازی مکان‌های حادثه خیز تصادفات رانندگی درون ‌شهری با استفاده از روش چگالی مبنای شبکه‌ای، ششمین کنفرانس ملی پژوهش ‌های کاربردی در مهندسی عمران، معماری و مدیریت شهری، تهران - دانشگاه صنعتی خواجه نصیرالدین طوسی.
2- بیرانوند و ندیمی.  محمد و نوید.(1397). شناسایی و رتبه بندی عوامل موثر بر تصادفات رانندگی با استفاده ازروش TOPSIS (مطالعه موردی:  آزاد راه تهران کرج)، کنفرانس عمران، معماری و شهرسازی کشورهای جهان اسلام، تبریز، دانشگاه تبریز - دانشگاه شهید مدنی آذربایجان - دانشگاه علمی کاربردی شهرداری تبریز.
3- ترکاشوند، پروانه، مرادی؛ محمدقاسم، بهروز، ولی. (1393). تحلیل تصادفات جاده‌ای با رویکرداقلیمی (مطالعه موردی محور بروجرد اراک)، سومین کنفرانس ملی تصادفات جاده‌ای، سوانح ریلی و هوایی. زنجان، دانشگاه آزاد اسلامی واحد زنجان.
4- چراغی، عابدینی و خاکی. فریدالدین،عباس و مهدی. (1389). ثبت مکانی - زمانی تصادفات جاده‌ای و شناسایی نقاط حادثه خیز. مهندسی نقشه برداری و اطلاعات مکانی، دوره 2، شماره 1، 42-35.
5- رحمانی، محمد. (1395). پهنه بندی تصادفات جاده‌ای با هدف تعیین نقاط حادثه خیز با استفاده از GIS (نمونه موردی مسیرهمدان - ملایر). جغرافیایی آمایش محیط، دوره 9، شماره 34، 175-155.
6- رشدیه، دلاور، شیران ومحمدیان. نوید، محمودرضا، غلامرضا و فرزاد. (1390). طراحی مدل داده زمان‌ مندجهت مدل‌سازی اطلاعات ایمنی شبکه راه ‌های برون شهری. علوم وفنون نقشه برداری، دوره 1، شماره 2، 113-105.
7- رصافی، امینی و مؤمنی. امیرعباس، بهنام و فرشته. (1388). شناسایی نقاط حادثه خیز راه ‌های درون شهری مطالعه موردی شهر قزوین، نهمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، تهران، سازمان حمل و نقل و ترافیک تهران، معاونت حمل و نقل و ترافیک شهرداری تهران.
8- شیرمحمدی و حدادی. حمید و فرهاد.(1397). کاربردمنطق فازی در پیش ‌بینی تصادفات رانندگی (مطالعه موردی:  شهرستان بروجرد)، اولین کنفرانس ملی مهندسی زیرساخت‌ها، ارومیه، دانشگاه ارومیه.
9- صلاحی، فلاحی و شیرمحمدی.  سینا، غلامرضا و حمید. (1394). مکانیابی و اولویت ‌بندی نقاط حادثه خیز محورهای حمل و نقل با استفاده از سیستم‌های اطلاعات مکانی، پانزدهمین کنفرانس بین ‌المللی مهندسی حمل و نقل  و ترافیک,  تهران، معاونت و سازمان حمل و نقل ترافیک.
10- عفتی ورجبی. میثم و محمدعلی. (1390). ارائه روشی نوین جهت شناسایی نقاط حادثه خیز جاده‌ای با استفاده از GIS و استنتاج فازی؛ مطالعه موردی محور کوهین -  لوشان. علوم و فنون نقشه برداری, دوره 1، شماره 2، 13-1.
11- غریبی، آرش. (1388). ارائه مدلی در راستای مکانیابی پهنه ‌های حادثه خیزتصادفات جاده ‌ای با استفاده از سیستم اطلاعات مکانی، اولین کنفرانس ملی تصادفات و سوانح جاده‌ ای و ریلی، زنجان، دانشگاه آزاد اسلامی واحد زنجان.
12- فرج‌الهی و دلاور. گلنوش و محمودرضا. (1395). ارائه مدلی جهت کنترل کیفیت اطلاعات مکانی مردم گستر برای تحلیل مکان ‌های تصادفات رانندگی، دومین کنفرانس ملی مهندسی فناوری اطلاعات مکانی، تهران، دانشگاه صنعتی خواجه نصیرالدین طوسی.
13- کاشانی، عسگری و داداش زاده. سعید، سیدمازیار و مسعود. (1384). طراحی مدل منطقی شناسایی و تحلیل عوامل تصادف جاده ‌ای در ایران، اولین کنفرانس بین‌ المللی حوادث رانندگی و جاده ای، تهران، دانشگاه تهران.
14- نظم فر، عشقی چهاربرج، علوی وجسارتی.  حسین، علی، سعیده و علی. (2017). تحلیل پراکنش تصادفات جاده ای منجر به فوت با رویکرد اقلیمی مطالعه موردی:  استان اردبیل.  فصلنامه علمی -  پژوهشی اطلاعات جغرافیایی «سپهر»، دوره 26، شماره 103، 97-83.
15- Al-Bakri, M., & Fairbairn, D. (2012). Assessing similarity matching for possible integration of feature classifications of geospatial data from official and informal sources. International Journal of Geographical Information Science, 26(8), 1437-1456.
16- Austroads. (2002). Road safety audit.Austroads, Sydney, Second Ed.
17- Bennett, C. R. (2008). Success Factors for Road Management Systems. Infrastructure Reporting and Asset Management: Best Practices and Opportunities, 81.
18- Brown, W. M., Gedeon, T. D., & Groves, D. I. (2003). Use of noise to augment training data: a neural network method of mineral–potential mapping in regions of limited known deposit examples. Natural Resources Research, 12(2), 141-152.
19- Cooper, A. K., Coetzee, S., Kaczmarek, I., Kourie, D. G., Iwaniak, A., &Kubik, T. (2011). Challenges for quality in volunteered geographical information.
20- Dong, X. L., &Naumann, F. (2009). Data fusion: resolving data conflicts for integration. Proceedings of the VLDB Endowment, 2(2), 1654-1655.
21- Elvik, R. (2007). State-of-the-art approaches to road accident black spot management and safety analysis of road networks: Transportøkonomiskinstitutt.
22- Elvik, R. (2008). A survey of operational definitions of hazardous road locations in some European countries. Accident Analysis & Prevention, 40(6), 1830-1835.
23- Erdogan, S., Ilçi, V., Soysal, O. M., &Kormaz, A. (2015). A model suggestion for the determination of the traffic accident hotspots on the turkish highway road network: A pilot study. Boletim de CiênciasGeodésicas, 21(1), 169-188.
24- FarajzadehAsl, M., &Karami, S. (2005). Road Accident Analysis by A Climatic Approach Using Geographic Information ystems(GIS) Case Study: Firouzkoh- Sari road. The Journal of Spatial Planning, 9(1), 151-167.
25- Flanagin, A. J., &Metzger, M. J. (2008). The credibility of volunteered geographic information.GeoJournal, 72(3-4), 137-148.
26- Geurts, K., & WETS, G. (2003). Black spot analysis methods: Literature review.
27- Geurts, K., Wets, G., Brijs, T., Vanhoof, K., &Karlis, D. (2006). Ranking and selecting dangerous crash locations: Correcting for the number of passengers and Bayesian ranking plots. Journal of safety research, 37(1), 83-91.
28- Ghodsipor, H. (2002). Issues on Multi Criteria Decision Making, Analytic Hierarchy Process: Amirkabir University Publication, Tehran, Iran.
29- Goodchild, M. F. (2007). in the World of Web 2.0. International Journal, 2(2), 27-29. .
30- Hasani, V., &Jahanbin, N. (2019). Spatial-spatial analysis of the inland urban crash using spatial GIS and Fuzzy Model (Case study: Kerman city). Journal of Urban Social Geography, 6(1), 57-70.
31- Hu, Z., & Lo, C. (2007). Modeling urban growth in Atlanta using logistic regression. Computers, Environment and UrbanSystems, 31(6), 667-688.
32- Jelokhani, N. M., &Hajiloo, F. (2016). Site Selection for Wind Power Plants Using ANP-OWA Model (Case Study of Zanjan Province, Iran). JGST, 6(1), 73-86.
33- McConnachie, M. M., &Shackleton, C. M. (2010). Public green space inequality in small towns in South Africa. Habitat International, 34(2), 244-248.
34- McPherson, K., & Bennett, C. R. (2006). Success factors for road management systems.
35- Meuleners, L. B., Hendrie, D., Lee, A. H., &Legge, M. (2008). Effectiveness of the black spot programs in Western Australia. Accident Analysis & Prevention, 40(3), 1211-1216.
36- Montella, A. (2010). A comparative analysis of hotspot identification methods. Accident Analysis & Prevention, 42(2), 571-581.
37- Obuchowski, N. A. (2003). Receiver operating characteristic curves and their use in radiology. Radiology, 229(1), 3-8.
38- Phillips, S. J., Anderson, R. P., &Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions.Ecological modelling, 190(3-4), 231-259.
39- Pijanowski, B. C., Pithadia, S., Shellito, B. A., &Alexandridis, K. (2005). Calibrating a neural network‐based urban change model for two metropolitan areas of the Upper Midwest of the United States. International Journal of Geographical Information Science, 19(2), 197-215.
40- Pontius Jr, R. G., & Schneider, L. C. (2001). Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems & Environment, 85(1-3), 239-248.
41- Powers, D. M. (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation.
42- Rajabi, M., Mansourian, A., &Bazmani, A. (2012). Susceptibility mapping of visceral leishmaniasis based on fuzzy modelling and group decision-making methods. Geospatial health, 7(1), 37-50.
43- S. Honarparvar,& A. A. Alesheikh. (2015). Development of automatic updating spatial database by Volunteered Geographic Information. Journal of Geomatics Science and Technology, 5(1), 43-53.
44- Saaty, T. (1990). The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. The Analytic Hierarchy Process Series, vol. I: RWS Publications, Pittsburgh, USA.
45- Saaty, T. (1996). Decision making with feedback: the analytical network process. Pittsburg: RWS Publications.
46- Soltani, A., &Askari, S. (2014). Analysis of intra-urban traffic accidents using spatiotemporal visualization techniques.Transport and telecommunication journal, 15(3), 227-232.
47- Sousa, S., Caeiro, S., &Painho, M. (2002). Assessment of map similarity of categorical maps using Kappa statistics. ISEGI, Lisbon.
48- Xia, L., & Leslie, L. (2004). A GIS framework for traffic emission information system. Meteorology and Atmospheric Physics, 87(1-3), 153-160.