Eskişehir Kent Merkezindeki Trafik Kazalarının Zamana Bağlı Konumsal Analizi

Vural Yıldırım; Erdem Yurdakul; Gökben Adana Karaağaç; Merve Koçer; Hakan Uyguçgil

doi:10.48123/rsgis.1167844

TR EN

Eskişehir Kent Merkezindeki Trafik Kazalarının Zamana Bağlı Konumsal Analizi

Öz

Trafik kazalarının önlenmesinde ilk yapılması gereken işlem kazaların yoğunlaştığı noktaların belirlenmesidir. Bu amaçla 2010-2019 yılları arasında Eskişehir kent merkezinde meydana gelen trafik kazaları istatistiksel olarak benzer, yaklaşım olarak farklı iki yöntem kullanılarak analiz edilmiştir. Çalışmada önce klasik sıcak nokta analizi kullanılmış ve 15 sıcak nokta tespit edilmiştir. Daha sonra aynı veri seti konum-zaman küpü kullanılarak zamana bağlı sıcak nokta yöntemi ile analiz edilmiş, 50 aralıklı, 10 yeni, 7 ardışık, 4 sürekli, 1 azalan ve 1 yoğunlaşan olmak üzere toplam 73 sıcak nokta bulunmuştur. İki yöntemin sonuçları kıyaslandığında, zamana bağlı sıcak nokta analizi ile 1. bölgedeki sıcak nokta sayısının 6'dan 19'a, 2. bölgedeki sıcak nokta sayısının 2'den 20'ye, 3. bölgedeki sıcak nokta sayısının 3'den 12'ye, 4. bölgedeki sıcak nokta sayısının 3'den 11'e ve 5. bölgedeki sıcak nokta sayısının 1'den 11'e çıktığı görülmüştür. Klasik sıcak nokta analizine kıyasla zamana bağlı sıcak nokta analizi ile farklı konumlarda ve farklı desenlerde daha çok trafik kazası sıcak noktalarının tespit edilmesi, konumun ve zamanın bir arada kullanılmasının önemini ortaya koymaktadır. Çalışma sonucunda zamana bağlı sıcak nokta analizinin klasik sıcak nokta analizine göre daha detaylı sonuçlar verdiği gözlemlenmiştir.

Anahtar Kelimeler

Coğrafi Bilgi Sistemleri , Trafik kazaları , Konum-zaman küpü yöntemi , Klasik sıcak nokta analizi , Zamana bağlı sıcak nokta analizi

Spatiotemporal Analysis of Traffic Accidents in Eskişehir City Center

Abstract

The first thing to do in preventing traffic accidents is to determine the spots where the accidents are concentrated. For this purpose, traffic accidents in Eskişehir city center that occurred between 2010-2019 were analyzed using two methodologies those are statistically similar but different in approaches. Firstly, classical hot spot analysis was performed, and 15 hot spots were found. Subsequently, the same data set was analyzed with the emerging hot spot using the space-time cube method, and a total of 73 hot spots were detected, including 50 sporadic, 10 new, 7 consecutive, 4 persistent, 1 diminishing, and 1 intensifying. A comparison of the results of the two methodologies shows an increase in the number of hot spots in the first region from 6 to 19, in the second region from 2 to 20, in the third region from 3 to 12, in the fourth region from 3 to 11 and in the fifth region from 1 to 11. Finding more hot spots in different locations and patterns with emerging hot spot analysis proportional to classical hot spot analysis reveals the importance of using location and time together. As a result of the study, it was observed that the emerging hot spot analysis provides more detailed outcomes whence the classical hot spot analysis.

Keywords

Geographic Information Systems , Traffic accidents , Space-time cube method , Classical hot spot analysis , Emerging hot spot analysis

Kaynakça

Afolayan, A., Easa, S. M., Abiola, O. S., Alayaki, F. M., & Folorunso, O. (2022). GIS-based spatial analysis of accident hotspots: A Nigerian case study. Infrastructures, 7(8), 103. doi: 10.3390/infrastructures7080103.
Amiri, A. M., Nadimi, N., Khalifeh, V., & Shams, M. (2021). GIS-based crash hotspot identification: a comparison among mapping clusters and spatial analysis techniques. International Journal of Injury Control and Safety Promotion, 28(3), 325-338.
Anderson, T. K. (2009). Kernel density estimation and K-means clustering to profile road accident hotspots. Accident Analysis & Prevention, 41(3), 359-364.
Bil, M., Andrasik, R., & Sedonik, J. (2019). A detailed spatiotemporal analysis of traffic crash hotspots. Applied Geography, 107, 82-90.
Cheng, Z., Zu, Z., & Lu, J. (2018). Traffic crash evolution characteristic analysis and spatiotemporal hotspot identification of urban road intersections. Sustainability, 11(1), 160. doi: 10.3390/su11010160.
De Silva, V., Tharindra, H., Vissoci, J. R. N., Andrade, L., Mallawaarachchi, B. C., Ostbye, T., & Staton, C. A. (2018). Road traffic crashes and built environment analysis of crash hotspots based on local police data in Galle, Sri Lanka. International Journal of Injury Control and Safety Promotion, 25(3), 311-318.
ESRI. (2022a, June 8). ArcGIS Pro Resources, How create space sime cube works. Retrieved from https://pro.arcgis.com/en/pro-app/2.8/tool-reference/space-time-pattern-mining/learnmorecreatecube.htm
ESRI. (2022b, June 8) ArcGIS Pro Resources, How emerging hot spot analysis works. Retrieved from https://pro.arcgis.com/en/pro-app/2.8/tool-reference/space-time-pattern-mining/learnmoreemerging.htm
Getis, A., & Ord, J. K. (1992). The analysis of spatial association by use of distance statistics. Geographical Analysis, 24(3), 189-206.
Gudes, O., Varhol, R., Sun, Q., & Meuleners, L. B. (2017). Investigating articulated heavy-vehicle crashes in Western Australia using a spatial approach. Accident Analysis and Prevention, 106, 243-253.

Hayidso, T. H., Gemeda, D. O., & Abraham, A. M. (2019). Identifying road traffic accidents hotspots areas using GIS in Ethiopia: A case study of Hosanna Town. Transport and Telecommunication, 20(2), 123-132.
Hazaymeh, K., Almagbile, A., & Alomari, A. H. (2022). Spatiotemporal analysis of traffic accidents hotspots based on geospatial techniques. ISPRS International Journal of Geo-Information, 11(4), 260. doi: 10.3390/ijgi11040260.
Kang, Y., Cho, N., & Son, S. (2018). Spatiotemporal characteristics of elderly population’s traffic accidents in Seoul using space-time cube and space-time Kernel density estimation. PLoS ONE, 13(5), e0196845. doi: 10.1371/journal.pone.0196845.
Kang, Y., Son, S., & Nahye, C. (2017). Analysis of traffic accidents injury severity in Seoul using decision trees and spatiotemporal data visualization. Journal of Cadastre & Land InformatiX, 47(2), 233-254.
Li, Y., Zhang, L., Yan, J., Wang, P., Hu, N., Cheng, W., & Fu, B. (2017). Mapping the hotspots and coldspots of ecosystem services in conservation priority setting. Journal of Geographical Sciences, 27(6), 681-696.
Moons, E., Brijs, T., & Wets, G. (2009). Improving Moran’s Index to identify hot spots in traffic safety. In B. Murgante, G. Borruso, & A. Lapucci (Eds.), Geocomputation and Urban Planning: Studies in Computational Intelligence (pp. 117-132), Heidelberg: Springer.
Ord, J. K., & Getis, A. (1995). Local spatial autocorrelation statistics: distributional issues and an application. Geographical Analysis, 27(4), 286-306.
Özmal, M., Küçükönder, M. Karabulut, M., ve Göksu, G. (2014, Haziran). Coğrafi bilgi sistemleri kullanarak Kahramanmaraş trafik kaza analizi. Coğrafyacılar Derneği Uluslararası Kongresi. (pp. 867-875).
Tamakloe, R. & Park, D. (2022). Factors influencing fatal vehicleinvolved crash consequence metrics at spatio-temporal hotspots in South Korea: application of GIS and machine learning techniques. International Journal of Urban Sciences, doi: 10.1080/12265934.2022.2134182.
Thomas, I. (1995). Spatial data aggregation: Exploratory analysis of road accidents. Accident Analysis and Prevention, 28(2), 251-264.
Tobler, W. R. (1970). A Computer movie simulating urban growth in the Detroit region. Economic Geography, 46(sub1), 234-240.
Tola, A. M., Demissie, T. A., Saathoff, F., & Gebissa, A. (2021). Severity, Spatial pattern and statistical analysis of road traffic crash hot spots in Ethiopia. Applied Sciences, 11(19), 8828. doi: 10.3390/app11198828.
TÜİK. (2022, Haziran 8). Adrese dayalı nüfus kayıt istatistikleri. Retrieved from https://data.tuik.gov.tr/Kategori/Get Kategori?p=Nufus-ve-Demografi-109
Uğur Özçelik, M., Gökçen, H. ve Dağdeviren, M. (2013). Ankara şehir içi otobüs kazalarının analizi ve bölge risklerinin belirlenmesi için birçok ölçütlü karar modeli. Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 30, 33-55.
TCK. (2021). Trafik kazaları özeti. Ulaştırma ve Altyapı Bakanlığı Karayolları Genel Müdürlüğü. Retrieved from https://www. kgm.gov.tr/Sayfalar/KGM/SiteTr/Trafik/TrafikKazalariOzeti.aspx
TCK. (2022). Durma ve intikal süreleri. Ulaştırma ve Altyapı Bakanlığı Karayolları Genel Müdürlüğü. Retrieved from https://www.kgm.gov.tr/Sayfalar/KGM/SiteTr/Trafik/DurmaIntikal.aspx
Vale, F. (2018, March). Spatial data mining II: A deep dive into space-time analysis. ESRI Federal GIS Conference. Washington DC: USA.
WHO. (2022, June 20). Road traffic injuries. World Health Organization. Retrieved from https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries
Wu, P., Meng, X., & Song, L. (2021). Identification and spatiotemporal evolution analysis of high-risk crash spots in urban roads at the microzonelevel: Using the space-time cube method. Journal of Transportation Safety&Security. doi: 10.1080/19439962.2021.1938323
Xie, Z., & Yan, J. (2008). Kernel density estimation of traffic accidents in a network space. Computers, Environment and Urban Systems, 32(5), 396-406, 2008.
Yıldırım, V., & Mert Kantar, Y. (2020). Spatial analysis of the road traffic accidents statistics in the provinces of Turkey. SIGMA Journal of Engineering and Natural Sciences, 38(4), 1667-1680.
Yohannes, A. Y. W., and Minale, A. S. (2015). Identifying the hot spot areas of road traffic accidents. Jordan Journal of Civil Engineering, 9(3), 358-370.
Yoon, J., & Lee, S. (2022). Spatio-temporal patterns in pedestrian crashes and their determining factors: Application of a space-time cube analysis model. Accident Analysis & Prevention, 161, 106291. doi: 10.1016/j.aap.2021.106291.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Bilgisayar Yazılımı

Bölüm

Araştırma Makalesi

Yazarlar

Vural Yıldırım
0000-0002-6517-7849
Türkiye

Erdem Yurdakul
0000-0001-8867-4728
Türkiye

Gökben Adana Karaağaç ^*
0000-0002-5807-2184
Türkiye

Merve Koçer
0000-0003-0220-2282
Türkiye

Hakan Uyguçgil
0000-0003-3100-0129
Türkiye

Yayımlanma Tarihi

28 Mart 2023

Gönderilme Tarihi

28 Ağustos 2022

Kabul Tarihi

20 Şubat 2023

Yayımlandığı Sayı

Yıl 2023 Cilt: 4 Sayı: 1

DOI

https://doi.org/10.48123/rsgis.1167844

IZ

https://izlik.org/JA78TD59TZ

APA

Yıldırım, V., Yurdakul, E., Adana Karaağaç, G., Koçer, M., & Uyguçgil, H. (2023). Eskişehir Kent Merkezindeki Trafik Kazalarının Zamana Bağlı Konumsal Analizi. Türk Uzaktan Algılama ve CBS Dergisi, 4(1), 17-32. https://doi.org/10.48123/rsgis.1167844

Cited By

A Review on the 3D Cartographic and Spatiotemporal GIS Models for Safety of Accidents in Deep Underground Coal Mines

Mining, Metallurgy & Exploration

https://doi.org/10.1007/s42461-024-00977-5

Türkiye’de yapay ışık kirliliği ile kuş gözlemleri arasındaki ilişkinin zamansal ve mekânsal analizi: Jeoistatistiksel bir yaklaşım

lnternational Journal of Geography and Geography Education

https://doi.org/10.32003/igge.1430386

Turkish Journal of Remote Sensing and GIS (Türk Uzaktan Algılama ve CBS Dergisi), Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License ile lisanlanmıştır.

Eskişehir Kent Merkezindeki Trafik Kazalarının Zamana Bağlı Konumsal Analizi

Öz

Anahtar Kelimeler

Spatiotemporal Analysis of Traffic Accidents in Eskişehir City Center

Abstract

Keywords

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

A Review on the 3D Cartographic and Spatiotemporal GIS Models for Safety of Accidents in Deep Underground Coal Mines

Türkiye’de yapay ışık kirliliği ile kuş gözlemleri arasındaki ilişkinin zamansal ve mekânsal analizi: Jeoistatistiksel bir yaklaşım