D10 Karayolunun Arsin-Yomra Geçişlerindeki Tehlikeli Kesimlerin Tespitinde Lojistik Regresyon Yönteminin Kullanılması

Tehlikeli nokta/kesim iyileştirmeleri, kazaların azaltılmasında kullanılan en etkili ve basit yöntemlerden birisidir. Tehlikeli noktalar, yerel risk faktörleri sonucunda benzer noktalara nazaran daha fazla kaza meydana gelen noktalardır. Tehlikeli yol kesimlerinin tespit edilmesi çok önemlidir çünkü tespit aşamasında yapılacak yanlışlar, güvenlik iyileştirmeleri ayrılan kaynakların verimsiz kullanılmasına sebep olabilir. Bu çalışmada, tehlikeli yol kesimleri Lojistik Regresyon (LR) yöntemi kullanılarak tespit edilmeye çalışılmıştır. LR analizi, sınıflama ve atama işlemi yapmaya yardımcı olan bir regresyon yöntemidir ve kategorik veri analizinde önemli bir yere sahiptir. Çalışma alanı, D10 devlet karayolunun Trabzon ilinin Arsin ve Yomra ilçelerinden geçmekte olan 22 km'lik bölümüdür. Bölünmüş yolun batı-doğu ve doğu- batı gidiş yönleri ayrı ayrı ele alınmış ve kesim uzunluğu 500 m olarak seçilmiştir. Böylece, 44 kesimli bir çalışma alanı elde edilmiştir. Arsin ve Yomra ilçelerine ait trafik kazası verileri, 2006-2010 yıllarına ait Trafik Kazası Tespit Tutanakları'nın incelenmesiyle elde edilmiştir. Yol ve çevresine ait bilgiler, Karayolları Genel Müdürlüğü'nün (KGM) yayınladığı yol envanter bilgilerinden ve yerinde yapılan incelemelerden elde edilmiştir. Çalışma sonucunda 5 kategorik bağımsız değişkenin (yatay güzergah, düşey güzergah, köprüler, yaya geçitleri ve önemli yerler) 1 kategorik bağımlı değişkeni (tehlikeli olup olmama durumu) açıklamaya çalıştığı bir model elde edilmiştir. Elde edilen modelin doğru sınıflandırma gücü (bu çalışma alanı için) %75 olarak bulunmuştur.

Use of Logistic Regression Method for Identification of Risky Road Sections on Arsin-Yomra Region of D10 Highway

Risky road section treatment is likely to be the most effective and straightforward strategy for accident reduction. A risky road section is any location that has a higher number of crashes than other similar locations as a result of local risk factors. Identification of risky road sections is very important since errors in this step may result in the inefficient use of resources for safety improvements. In this study, risky road sections were tried to be determined by using Logistic Regression (LR) technique. LR is a regression method which is used to distinguish distinct sets of observations and allocate new observations to previously defined groups. It has an important place in categoric data analysis. The study area was a 22 km long section of D10 highway, passing through Arsin and Yomra counties of Trabzon province. West-east and east-west directions of divided highway were handled separately and section length wasselected as 500 m, therefore 44 sections were created. Traffic accident data for Arsin and Yomra were obtained by investigation of accident reports for the years 2006-2010. Road environment properties were obtained from Road Inventory Data of General Directorate of Highways and by site investigation. At the end of the study, a model was obtained, in which 5 independent variables (horizontal alignment, vertical alignment, bridges, pedestrian crossings, and, special facilities) were used for obtaining categorical dependent variable (being risky or non risky of road section). Accuracy value of the obtained model (for this study area) was obtained as 75%.

PDF

___

Agresti, A., 1990. Categorical Data Analysis. Wiley & Sons, New York
Bektaş, S.,2012. Çok Şeritli Bölünmüş Karayollarında Kaza Tahmin Modeli. İleri Teknoloji Bilimleri Dergisi 1 (1), 27-34.
Büyüköztürk, Ş., Çokluk-Bökeoğlu, Ö. 2008. Discriminant analysis: Concept and application. Eurasian Journal of Educational Research, 33, 73-92.
Cheng, W., Washington, S., 2005. Experimental evaluation of hotspot identification methods. Accident Analysis and Prevention, 37, 870-881.
Çokluk, Ö., 2010. Lojistik Regresyon Analizi: Kavram ve Uygulama. Kuram ve Uygulamada Eğitim Bilimleri / Educational Sciences: Theory & Practice, 10 (3), 1357-1407.
Dereli, M., Erdoğan, S., Soysal, Ö.,vd., 2015. Coğrafi Bilgi Sistemleri Destekli Trafik Kaza Kara Nokta Belirleme: Ampirik Bayes Uygulaması, Harita Teknolojileri Elektronik Dergisi, 7(2) 36-42.
Elvik, R., 2008. A survey of operational definitions of hazardous road locations in some European countries. Accident Analysis and Prevention, 40, 1830-1835.
Geurts, K., Wets, G., 2003. Black Spot Analysis Methods: Literature Review.
https://doclib.uhasselt.be/dspace/bitstream/19 42/5004/1/17.pdf. 22.05.2014.
Geurts, K., Thomas, I. Wets, G., 2005. Understanding spatial concentrations of road accidents using frequent item sets. Accident Analysis and Prevention, 37, 787-799.
Girginer, N. , Cankuş,B., 2008. Tramvay Yolcu Memnuniyetinin Lojistik Regresyon Analiziyle Ölçülmesi: Estram Örnegi, Yönetim ve Ekonomi, 15(1), 181-193.
Hosmer, D., Lemeshow, S., 2000. Applied Logistic Regression. Wiley & Sons, New York.
Işığıçok, E. 2003. Bebeklerin Dogum Agırlıklarını ve Boylarını Etkileyen Faktörlerin Lojistik Regresyon Analiziyle Arastırılması. Ankara, VI. Ulusal Ekonometri ve _statistik Sempozyumu Bildiri Kitabı, Gazi Üniversitesi İ.İ.B.F. Ekonometri Bölümü.
Kahramangil, M., Şenkal, Ş., 1999. Kaza Kara Noktaları Belirleme Yöntemleri, Iı. Ulaşım Ve Trafik Kongresi - Sergisi, Ankara.
Karaşahin, M., Terzi, S., 2003. Coğrafi Bilgi Sistemleri ile Isparta-Antalya-Burdur Karayolunun Kara Nokta Analizi, Mühendislik Bilimleri Dergisi, 9 (3) 305-311.
KGM (Karayolları Genel Müdürlüğü), 2015. Trafik Kazaları Özeti 2014. www.kgm.gov.tr/Sayfalar/KGM/SiteTr/Trafik/Tr afikKazalariOzeti.aspx
Kwon, O.H., Park, M.J., Yeo, H., Chung, K. 2013. Evaluating the performance of network screening methods for detecting high collision concentration locations on highways. Accident Analysis and Prevention, 51, 141- 149
Lawal, B., 2003. Categorical Data Analysis with SAS and SPSS Applications. Lawrence Erlbaum Ass. London.
Marques de Sa J.P., 2007. Applied Statistics Using SPSS, Statistica, Matlab and R, 2nd edition, Springer- Verlag, Berlin.
Miranda-Moreno, L. F., Labbe, A., Fu, L., 2007. Bayesian multiple testing procedures for hotspot identification. Accident Analysis and Prevention, 39, 1192-1201.
Montella, A. 2010. A comparative analysis of hotspot identification methods. Accident Analysis and Prevention, 42, 571-581.
Murat, Y.Ş., Şekerler, A., 2009., Trafik Kaza Verilerinin Kümelenme Analizi Yöntemi ile Modellenmesi, İMO Teknik Dergi, Yazı 311, 4759- 4777.
Pham, H.(Ed.) 2006. Handbook of Engineering Statistics. Springer-Verlag. London.
Pirdavani A., Brijs, T., Wets, G. 2010. A Multiple Criteria Decision-Making Approach for Prioritizing Accident Hotspots in the Absence of Crash Data, Transport Reviews: A Transnational Transdisciplinary Journal, 30(1), 97-113.
Retting, R. A., Weinstein, H. B., Williams, A. F, Preusser, D. F., 2001. A simple method for identifying and correcting crash problems on urban arterial streets. Accident Analysis and Prevention, 33, 723-734.
Rumar, K., 1985. The Role of Perceptual and Cognitive Filters in Observed Behavior, Human Behavior in Traffic Safety, eds. L. Evans and R. Schwing, Plenum Press.
Saplıoğlu, M., Karaşahin, M., 2006. Coğrafi Bilgi Sistemi Yardımı İle Isparta İli Kentiçi Trafik Kaza Analizi, Mühendislik Bilimleri Dergisi 12 (3) 321- 332.
Simoncic, M. 2001. Road accident in Slovenia involving a pedestrian, cyclist or motorcyclist and a car. Accident Analysis and Prevention, 33, 147-156.