1
TOPLU TAŞIMA ARAÇLARININ DÂHİL OLDUĞU TRAFİK
KAZALARININ K-ORTALAMALAR KÜMELEME ALGORİTMASI İLE ANALİZİ: SAKARYA UYGULAMASI
Samet Güner1, Hüseyin Serdar Geçer2, Erman Coşkun3
ÖZET
Bu çalışma, Sakarya’da meydana gelen ve toplu taşıma araçlarının karıştığı ölümlü ve yaralanmalı trafik kazalarının analiz edilmesini ve kümelenmesini amaçlamaktadır. Bu amaçla, Sakarya’da 2006 – 2012 yılları arasındaki yedi yıllık sürede toplu taşıma araçlarının karıştığı toplam 525 trafik kazası çevre koşulları açısından incelenmiş ve k-ortalamalar kümeleme tekniği ile analiz edilerek sınıflandırılmıştır. Buna göre, birbirleri ile benzer özellikler sergileyen trafik kazaları aynı grup altında toplanmış ve böylelikle temel kaza karakteristikleri belirlenmiştir. Analiz sonuçlarına göre, toplu taşıma araçlarının başka araçlarla çarpışması ve toplu taşıma araçlarının yayalara çarpması olmak üzere iki temel kaza karakteristiği olduğu ortaya konmuştur.
Elde edilen sonuçlar ışığında, toplu taşıma araçlarının dâhil olduğu kaza sayısının azaltılmasına ve vatandaşlara daha güvenli bir toplu ulaşım hizmeti sunulmasına ilişkin önerilerde bulunulmuştur.
Anahtar kelimeler – toplu taşıma, trafik, kaza, k-ortalamalar, kümeleme ABSTRACT
This study aims to analyze and cluster traffic accidents involving fatalities and injuries caused by public transportation vehicles’ taking place within the responsibility area of Traffic Control Division of Sakarya. In accordance with this purpose, 525 traffic accidents which occurred over a time period of seven years (from 2006 to 2012) are analyzed and clustered with k-means clustering technique by taking into account the environmental circumstances. According to this, traffic accidents that exhibit similar characteristics are gathered under the same groups so that fundamental accident characteristics are defined. Based on the results, two fundamental accident characteristics were defined: collision of public transportation vehicles with other vehicles and public transportation vehicles hitting pedestrians. In the light of the results obtained, we have tried to give a series of measures to reduce the number of accidents involving public transport vehicles and we have made suggestions to offer a safer public transport service for citizens.
Keywords – public transport, traffic, accident, k-means, clustering 1. GİRİŞ
Trafik; yayaların, hayvanların ve araçların karayolu, demiryolu, havayolu ve denizyolu üzerindeki hal ve hareketleri olarak tanımlanmaktadır [1]. Birçok ülkede olduğu gibi, Türkiye’de de trafik büyük ölçüde karayollarında yoğunlaşmaktadır. Ülkemizde yük taşımacılığının yaklaşık %88’i ve yolcu taşımacılığının ise yaklaşık %91’i karayolu ile sağlanmaktadır. Karayollarının yoğun bir şekilde kullanımı trafik kazalarını beraberinde getirmektedir. Nüfusun ve trafiğe çıkan araç sayısının her geçen gün artması, tüm teknolojik gelişmelere ve önlemlere rağmen, trafik kazalarının artmasına neden olmaktadır.
Trafik kazaları en genel tanımıyla karayolu üzerinde hareket halinde olan bir veya birden fazla aracın karıştığı ölüm, yaralanma veya zararla sonuçlanmış olaylardır [1]. Hem dünyada hem de ülkemizde trafik kazalarının azaltılmasına ilişkin birçok kurallar ve düzenlemeler yapılmakta ve trafikte yaşanan mal ve can kaybını en aza indirecek önlemlerin alınmasına çalışılmaktadır.
1 Sakarya Üniversitesi, İşletme Fakültesi, İşletme Bölümü, Sakarya, Türkiye, sguner@sakarya.edu.tr
2 Sakarya Üniversitesi, İşletme Fakültesi, İşletme Bölümü, Sakarya, Türkiye, hgecer@sakarya.edu.tr
3 Sakarya Üniversitesi, İşletme Fakültesi, İşletme Bölümü, Sakarya, Türkiye, ermanc@sakarya.edu.tr
2
Bu çalışmada Sakarya ilinde 2006 – 2012 yılları arasında meydana gelen ve toplu taşıma araçlarının karıştığı ölümlü ve yaralanmalı kazaların bir analizi yapılacak ve birbirleri ile benzer özellikler sergileyen trafik kazaları aynı grup altında toplanarak belli başlı kaza karakteristikleri belirlenmeye çalışılacaktır. Yapılan analizler sonucunda, toplu taşıma araçlarının başka araçlarla çarpışması ve toplu taşıma araçlarının yayalara çarpması olmak üzere iki temel kaza karakteristiği olduğu ortaya konmuş ve bu kazaların sayısının azaltılabilmesi amacıyla önerilerde bulunulmuştur.
Bu çalışma şu şekilde organize edilmiştir. İkinci bölümde, Sakarya’nın toplu taşıma sistemi ve büyükşehir belediyesi sınırları içerisinde yaşanan trafik kazaları hakkında kısaca bilgi verilecektir. Üçüncü bölümde kümeleme analizi hakkında bilgi verilecek ve trafik kazalarının sınıflandırılmasında kümeleme analizinin kullanımına değinilecektir. Çalışmanın uygulamasının yapılacağı dördüncü bölümde öncelikle veri seti tanıtılacak, daha sonra ise bu veri setine kümeleme analizi uygulanacaktır. Çalışmanın son bölümünde ise araştırma bulguları özetlenecek ve bu bulgular ışığında toplu taşıma sistemlerinin güvenliğinin artırılmasına ilişkin öneriler sunulacaktır.
2. SAKARYA’DA TOPLU ULAŞIM VE KAZALAR
Sakarya ilinde toplu taşıma faaliyeti belediye, belediyeye bağlı özel halk otobüsleri, taksi-dolmuşlar ve minibüsler tarafından gerçekleştirilmektedir. 71 adet belediye ve 562 adet özel halk otobüsü (ilçe ve köy ile beldelere hizmet verenler dâhil) olmak üzere toplam 633 adet otobüs, 416 adet ticari plakalı minibüs ve 315 adet taksi-dolmuş olmak üzere kentte toplam 1364 adet toplu taşıma aracı vardır (büyükşehir sınırları dışındaki toplu taşıma araçları hariç). Her bir toplu taşıma aracının, taşınan günlük toplam yolcu sayısındaki payları farklıdır. Buna göre minibüsler yaklaşık 80.000, özel halk otobüsleri yaklaşık 75.000, taksi-dolmuşlar yaklaşık 67.000 ve belediye otobüsleri yaklaşık 23.000 yolcu taşımaktadır [2].
Şekil 1. Toplu Taşıma Araçlarının Taşınan Yolcu Sayısındaki Payı
Bu araştırmaya dâhil olacak Adapazarı, Serdivan, Erenler ve Arifiye ilçelerinde 2006-2012 yılları arasında şehir içinde toplam 4577 kaza yaşanmış olup bu kazaların 42’si ölümle sonuçlanmıştır. Bu kazaların 525 tanesi yani %11’i toplu taşıma araçlarına aittir (taksi-dolmuş, minibüs, özel halk otobüsü ve belediye otobüsü). Toplu taşıma araçlarının dâhil olduğu kazaların 6’sı ölümle sonuçlanmıştır. Nüfusun ve buna bağlı olarak toplu taşıma hizmetlerinin artmasına bağlı olarak, son yıllarda toplu taşıma araçlarının karıştığı kaza sayılarının arttığı görülmektedir (Şekil 2).
Minibüs 33%
Özel Halk Otobüsü
31%
Taksi-Dolmuş 27%
Belediye Otobüsü
9%
3
Şekil 2. Toplu Taşıma Araçlarının Yıllara Göre Şehir İçi Kaza Dağılımı 3. LİTERATÜR TARAMASI
3.1. Kaza Analizi
Kümeleme analizi trafik kazalarının genel karakteristiklerinin belirlenmesinde yaygın olarak kullanılan bir yöntemdir. Anderson [3], trafik kazalarının çevresel özelliklere göre gruplandırılması amacıyla k-ortalamalar tekniğinden faydalanmıştır. Bocajero ve Diaz [4], Bogata şehrinde meydana gelen trafik kazalarını kümelemek amacıyla k-ortalamalar tekniğini kullanmıştır. Li vd. [5], 16 farklı otoyolda meydana gelen kazaların genel karakteristiklerini belirlemek amacıyla k-ortalamalar tekniğini kullanmıştır. Benzer şekilde Mauro vd. [6], otoyollarda yaşanan trafik kazalarının güçlü benzerliklerine göre gruplandırılması amacıyla k- ortalamalar tekniğini kullanmıştır.
Ülkemizde de Atalay ve Tortum [7], Türkiye’deki illerin trafik kazalarına göre kümelenmesi amacıyla bulanık c-ortalamalar tekniğinin yanı sıra k-ortalamalar tekniğini kullanmıştır. Murat ve Şekerler’in [8] yaptığı çalışmada, Denizli kenti 2004, 2005 ve 2006 yıllarına ait trafik kaza verisinin kümelenerek kara noktaların belirlenmesi amaçlanmıştır. Bu amaçla, trafik kazalarının meydana geldiği noktaların koordinat verisi k- ortalamalar ve bulanık kümelenme analizine tabi tutularak, küme merkezlerine denk gelen kara noktalar belirlenmiştir. Kaygısız ile Akın [9], [10] 10 km başına düşen kaza verileri değerlendirilerek kaza haritaları üretilmişlerdir. Map Info programı kullanılarak kaza verileri ile kaza haritası ilişkilendirilmiştir. Böylece kazaların şiddeti (ölümlü – yaralamalı – maddi hasarlı), sürücü kusurları ve diğer kaza verilerini içeren tematik haritalar üretilmiştir. Konum verisi esas alınarak yaralamalı ve ölümlü trafik kazalarına ait kayıtlar öncelikli olarak kaza türlerine göre gruplanmış, daha sonra ise dinamik segmentasyon metodu ile birleştirilerek elde edilen sonuçlar yorumlanmıştır. Erdoğan vd. [11] Afyonkarahisar otobanındaki trafik kazalarının mekânsal analizi ve kara noktaların tespiti konusunda çeşitli çalışmalar yaparak k-yoğunluk analizi ile tekrar edebilirlik analiz yöntemlerini kıyaslamışlardır.
3.2. Kümeleme Analizi
Kümeleme analizi, uzaklık matrisi ya da benzerlik matrisinden yararlanarak birimleri kendi içerisinde homojen ve kendi aralarında heterojen gruplara ayırmaya yarayan yöntemdir [12]. Buna göre aynı küme içerisindeki birimler arası uzaklık en aza indirilirken, kümeler arası uzaklık en fazlalaştırılır. Kümeleme analizinin temel amacı, analize dâhil edilen farklı özelliklerdeki birimleri benzerliklerini ve farklılıklarını temel alarak gruplandırmaktır.
Kümeleme analizleri, hiyerarşik ve bölümleyici olmak üzere iki grupta incelenebilir. Hiyerarşik yöntemler, farklı sayılarda küme üretir ve daha sonra bu kümeleri ağaç dallarına benzer hiyerarşik bir yapıda gösterirler [13]. Hiyerarşik kümeleme metodunda her küme bir veri setindeki her bir nesnenin dizideki bir sonraki
0 10 20 30 40 50 60 70 80 90 100
2006 2007 2008 2009 2010 2011 2012
68 71
66
90
4
nesnenin içinde yer aldığı bir nesneler dizisi olup, bu dizinin en üst seviyesinde tüm nesneleri içeren tek bir küme ve en alt seviyesinde ise ayrı noktalardan oluşan tekil kümeler yer alır. Bu iki seviye arasında kalan her seviyedeki küme, bu küme ve bu kümenin bir alt (veya bir üst) seviyesindeki kümenin birleşimidir [14].
Bölümleyici yöntemler ise, araştırmacının küme sayısı hakkında bir ön bilginin olması ya da araştırmacının anlamlı olacak küme sayısına karar vermiş olması durumunda tercih edilmektedir [15]. Bölümleyici yöntemler içerisinde en sık kullanılan yöntem, veri dağılımını en iyi temsil edebilecek küme merkezlerinin bulunması fikrine dayanan k-ortalamalar yöntemidir. K-ortalamalar yönteminde araştırmacının ön bilgisine ve tecrübesine dayanılarak küme sayısı belirlenir. Daha sonra her kümenin tipik bir gözlemi seçilir ve benzer gözlemler tipik gözlemin etrafında birer birer kümelenir [16]. Kullanıcı tarafından belirlenen kümelerin merkez değerleri rastgele girilerek iterasyonlar başlatılır. Belirlenen ortalama değerlerine göre de bütün sayılar hangi ortalamaya yakınsa o kümeye dâhil edilir. Algoritmada, bütün sayıları kümeledikten sonra bir kez daha ortalama değerleri bulunur ve tekrar sayılar hangi ortalamaya yakınsa o kümeye dâhil edilirler. İşlemler hiçbir noktanın küme değiştirmemesine kadar devam etmektedir, bir diğer deyişle merkezler hep aynı kalana kadar iterasyonlar devam eder [17].
4. UYGULAMA
Bu bölümde öncelikle analizde kullanılacak veri seti tanıtılacaktır. Ardından bu veri setine uygulanan kümeleme analizi sonuçları gösterilecektir.
4.1. Veri Seti
Bu çalışmada, Sakarya’nın Adapazarı, Serdivan, Erenler ve Arifiye ilçelerinde, 2006-2012 yılları arasında meydana gelen ve toplu taşıma araçlarının karıştığı toplam 525 kaza, kazanın çevresel özellikleri bağlamında değerlendirilmiştir. Veriler, Sakarya Emniyet Müdürlüğü Trafik Denetleme Şube Müdürlüğü’nden temin edilmiştir.
Kazaları benzerliklerine ve farklılıklarına göre kümelemek amacıyla on farklı değişken kullanılmıştır. Bu değişkenlerden üç tanesi kazanının özellikleri ile ilgili olup, kazanın ölüm veya yaralanma ile sonuçlanması, kazaya karışan araç sayısı ve kazanın türünü içerir. Diğer yedi değişken ise kazanın meydana geldiği alanın çevresel özelliklerini göstermektedir. Bu amaçla mevsim, gün, hava durumu, zaman, yolun yüzeyi, kavşak durumu ve trafik lambası olup olmamasıdır.
Tablo 1. Çevresel Özellikler Değişken
Alt Başlıklar Kod Değişken Alt Başlıklar Kod
Sonuç Ölümlü 1 Zaman Gündüz 1
Yaralanmalı 2 Gece 2
Mevsim İlkbahar 1 Alacakaranlık 3
Yaz 2 Yolun yüzeyi Kuru 1
Sonbahar 3 Islak 2
Kış 4 Su birikintili 3
Gün Hafta içi 1 Buzlu 4
Hafta sonu 2 Tozlu 5
Araç sayısı Tek araçlı 1 Kavşak Kavşak yok 1
İki araçlı 2 Dönel kavşak 2
Çok araçlı 3 Üçlü kavşak 3
Kaza türü Çarpışma 1 Dörtlü kavşak 4
Yayaya çarpma 2 Diğer 5
Diğer 3 Trafik lambası Var 1
Hava durumu Açık 1 Yok 2
Bulutlu 2
Karlı 3
Sisli 4
Yağmurlu 5
5
4.2. Kümeleme Analizi Sonuçları
Optimal küme sayısının belirlenmesi, k-ortalamalar tekniğinin uygulanmasında karşılaşılan en büyük kısıttır.
K-ortalamalar tekniğinde optimum küme sayısının belirlenmesi amacıyla çeşitli yaklaşımlar ve teknikler geliştirilmiştir. Bu çalışmada, optimum küme sayısını belirlemek amacıyla aşağıdaki formül kullanılmıştır.
√
Gözlem sayısının 525 ( yani n = 525) olması göz önünde bulundurulduğunda, k = 16,2 olarak hesaplanmıştır.
Bu durumda, bu çalışmada toplam 16 küme olması kararlaştırılmıştır.
√
Kaza kümelerini daha rahat yorumlayabilmek amacıyla, öncelikle tüm kümeler kaza türüne göre üç gruba ayrılmıştır. Birinci grubu oluşturan “çarpışma”, toplu taşıma araçlarının diğer araçlar ile çarpışması neticesinde meydana gelen kazaları ifade etmektedir. Bu gruptaki kazalar, tüm kümelerin %73’ünü oluşturmaktadır. İkinci küme grubu ise, toplu taşıma araçlarının yayalara çarpması sonucunda yaşanan kazalar olup, “yayalara çarpma” olarak adlandırılmıştır. Bu gruptaki kazalar tüm kümelerin yaklaşık %25’ini oluşturmaktadır. Üçüncü grup ise, toplu taşıma araçlarının devrilmesi, yoldan çıkması veya sabit bir cisme çarpması gibi farklı türde kazaları içeren “diğer” grubudur. Bu grup, tüm kümeler içerisinde yalnızca yaklaşık
%2’lik bir orana sahiptir. Daha sonra ise, bu gruplar içerisinde 30 veya daha fazla gözlem sayısına sahip olan kümeler belirlenmiş ve değerlendirmeye tabi tutulmuştur. 30’dan daha az kaza sayısına sahip kümeler ise değerlendirmeye alınmamıştır. 5 no’lu kümenin 30’dan daha az kaza sayısına sahip olmasından ötürü, “diğer”
grubu değerlendirme dışında bırakılmıştır. Sonuç olarak değerlendirmeye alınan kümeler, toplam kazaların yaklaşık %78’ini oluşturmuştur.
Şekil 3. Kaza Kümeleri
Her iki grubun önemli derecede ortak noktaları bulunmaktadır. Öncelikle, bu gruplarda yer alan tüm kazalar yaralanma ile sonuçlanmış ve ölüm vakası yaşanmamıştır. Ayrıca her iki gruptaki kazalar hafta içerisinde ve gündüz vakitlerinde meydana gelmiştir.
53
17 1
10 16 54
20 36
129
49 43
24 47
9 7 10
0 20 40 60 80 100 120 140
2 3 4 6 7 8 9 11 12 16 1 10 13 14 15 5
Çarpışma (%73,33) Yayaya Çarpma (%24,76) Diğer (%1,90)
Kaza Sayısı
Kümeler
6 1. Grup – Çarpışma
Bu grupta yer alan kazalar, toplu taşıma araçlarının başka araçlarla çarpışması sonucunda meydana gelen kazalardan oluşmuştur. Kümeleme analizi sonucunda, toplam 10 kümenin “çarpışma” grubu içerisinde olduğu belirlenmesine rağmen, analiz sonuçlarını yorumlamayı kolaylaştırmak adına, sadece 30 ve daha fazla kaza sayısına sahip kümeler değerlendirmeye alınmıştır. Bu nedenle 2, 8, 11, 12, ve 16 no’lu kümeler değerlendirmeye alınırken, 3, 4, 6, 7 ve 9 no’lu kümeler ise değerlendirme dışında bırakılmıştır. Tablo 2’de listelenen bu kaza kümeleri, tüm kazaların yaklaşık %61,14’ünü oluşturmaktadır.
Toplu taşıma araçlarının diğer araçlarla çarpışması şeklinde meydana gelen kazaların genel özelliklerine bakıldığında, hepsinin yaralanma ile sonuçlandığı, hafta içerisinde ve gündüz vakitlerinde meydana geldiği tespit edilmiştir. Ayrıca kazalar, iki aracın çarpışması şeklinde gerçekleşmiş olup, açık hava ve kuru yüzeylerde meydana gelmiştir. Kaza kümeleri arasındaki en dikkat çekici benzerlik ise, tüm kaza kümelerinin trafik lambasının olmadığı yerlerde oluşmuş olduğudur.
Kazalar arasındaki farklılıklar ise temel olarak mevsimlerden ve kavşaklardan kaynaklanmaktadır. Buna göre, bu gruptaki kazaların büyük çoğunluğu ilkbahar ve sonbahar aylarında yaşanmıştır. 8 ve 16 no’lu kümeler kavşağın olmadığı noktalardır. 2 no’lu küme üçlü kavşaklarda, 11 no’lu küme de diğer kavşak türlerinde yoğunlaşmıştır. Bununla beraber, tüm kaza kümeleri arasında en fazla paya sahip olan (24,57%) 12 no’lu küme ise, dörtlü kavşaklarda yoğunlaşmıştır. Daha önce de belirtildiği gibi, tüm bu kazalar trafik lambasının olmadığı noktalarda kümelenmiştir. Bu durum, trafik lambalarının kaza sayısı üzerindeki olumlu etkilerini göz önüne sermektedir.
Tüm kaza kümeleri içerisinde en fazla paya sahip olan 12 no’lu kümenin koordinatları, Geçer [18] tarafından bir yüksek lisans tez çalışması olarak geliştirilen web tabanlı trafik kaza analiz sistemine girilmiştir.
Böylelikle, bu kümeye dâhil olan trafik kazalarının Sakarya’nın hangi bölgelerinde meydana geldiğini tespit etmek mümkün olmuştur. Buna göre, bu kümeye dâhil olan kazaların meydana geldiği yerler incelendiğinde, bazı istisnalar hariç, büyük çoğunluğunun ana caddeler üzerinde değil, ara sokaklarda yaşandığı belirlenmiştir.
Bu sonuçla beraber, trafik lambasının olmadığı ara sokaklardaki dörtlü kavşakların, toplu taşıma araçlarının kaza yapmasına en müsait yerler olduğu ortaya konmuştur. Bu kümeye dâhil olan kazalar, Şekil 4’te Google Maps üzerinde gösterilmiştir.
Tablo 2. Toplu Taşıma Araçlarının Diğer Araçlarla Çarpışması Sonucunda Meydana Gelen Kazalar*
Küme Toplam
kazaların Sonuç Mevsim Gün Araç sayısı
Kaza
türü Hava Zaman Yüzey Kavşak Trafik Lamba
2 10,10% 1 3 1 2 1 1 1 1 3 2
8 10,29% 1 3 1 2 1 1 1 1 1 2
11 6,86% 1 3 1 2 1 1 1 1 5 2
12 24,57% 1 1 1 2 1 1 1 1 4 2
16 9,33% 1 1 1 2 1 1 1 1 1 2
* Kodların ne anlama geldiğini görmek için sayfa 4 yer alan Tablo 1’i inceleyebilirsiniz.
7
Şekil 4. 12 No’lu Kümeye Dâhil Olan Kazaların Harita Üzerinde Gösterimi
2. Grup – Yayaya çarpma
Tablo 3’te yer alan kazalar, toplu taşıma araçlarının yayalara çarptığı vakaları göstermektedir. Kümeleme analizi sonucunda toplam 5 kümenin “yayaya çarpma” grubu içerisinde olduğu belirlenmiş olmasına rağmen, analiz sonuçlarını daha rahat bir şekilde yorumlamayabilmek için, sadece 30 ve daha fazla kaza sayısına sahip kümeler değerlendirmeye alınmıştır. Bu nedenle sadece 1 ve 13 no’lu kümeler Tablo 3’te yer alırken, 10, 14 ve 15 no’lu kümeler ise tabloya alınmamışlardır. Tablo 3’te yer alan kaza kümeleri, tüm kazaların %17,14’ünü oluşturmaktadır.
8
Toplu taşıma araçlarının yayalara çarptığı kazaların sadece mevsimlere göre farklılık gösterdiği görülmektedir. Buna göre 1 no’lu kümedeki kazalar sonbahar mevsiminde, 13 no’lu kümedeki kazalar ise yaz aylarında meydana gelmiştir. Bu farklılık haricindeki tüm çevresel koşullar benzer özellikler sergilemektedir.
Her iki kümedeki kazalar da yaralanma ile sonuçlanmış, hafta içerisinde ve gündüz saatlerinde yaşanmıştır. En dikkat çekici benzerlikler ise, her iki gruptaki kazaların da kavşağın ve trafik lambasının olmadığı yerlerde yaşanmış olmasıdır.
Tablo 3. Toplu Taşıma Araçlarının Yayalara Çarpması Sonucunda Meydana Gelen Kazalar*
Küme Toplam
kazaların Sonuç Mevsim Gün Araç sayısı
Kaza
türü Hava Zaman Yüzey Kavşak Trafik Lamba
1 8,19% 1 3 1 1 2 1 1 1 1 2
13 8,95% 1 2 1 1 2 1 1 1 1 2
* Kodların ne anlama geldiğini görmek için sayfa 4 yer alan Tablo 1’i inceleyebilirsiniz.
5. SONUÇ VE ÖNERİLER
Bu çalışmada, Sakarya’nın Adapazarı, Serdivan, Erenler ve Arifiye ilçelerinde 2006-2012 yılları arasında meydana gelen ve toplu taşıma araçlarının karıştığı 525 trafik kazası k-ortalamalar algoritması ile kümelenerek birbirleri ile benzerlikleri ve farklılıkları ortaya konmaya çalışılmıştır. Analiz sonucunda 16 küme elde edilmiş olup, bu kümeler toplu taşıma araçlarının başka araçlarla çarpışması ve toplu taşıma araçlarının yayalara çarpması olmak üzere iki grupta incelenmiştir.
Çalışmanın bulguları şu şekilde sıralanabilir. Her iki grupta meydana gelen kazalar önemli benzerlikler sergilemektedir. Hem çarpışmalar hem de yayaya çarpma vakaları hafta içerisinde, açık havada, gündüz saatlerinde ve kuru bir yol üzerinde yaşanmıştır. Böylelikle tüm kazaların normal çevre koşulları altında yaşandığı görülmektedir. Bir diğer önemli benzerlik ise, tüm kaza kümelerinin trafik lambası olmayan noktalarda yoğunlaşmış olmasıdır.
Çarpışmalar ağırlıklı olarak trafik lambasının olmadığı dörtlü kavşaklarda ve kavşağın olmadığı noktalarda yaşanmıştır. Bu kümelerde yer alan kazaların koordinatlarının Geçer [18] tarafından Sakarya için geliştirilen web tabanlı trafik kaza analiz sistemine girilmesiyle beraber, kazaların büyük çoğunluğunun ana caddelerde değil, trafik lambasının olmadığı ve dört yönlü kavşağa sahip ara sokaklarda yaşandığı tespit edilmiştir.
Yayaya çarpma vakaları ise ağırlıklı olarak kavşağın ve dolayısıyla trafik lambasının olmadığı yerlerde yaşanmaktadır. Elde edilen bu sonuç, trafik lambalarının kazaları önlemedeki önemini ortaya koymaktadır.
Bu bulgular ışığında, toplu taşıma araçlarının güvenliğini artırmak için, ara sokaklardaki trafik lambası olmayan ve trafik kazalarının yoğun olarak yaşandığı dörtlü kavşaklara trafik lambası koyulması önerilmektedir.
KAYNAKÇA
[1] Mevzuat Bilgi Sistemi, http://www.mevzuat.gov.tr, 2014
[2] www.kenticitoplutasima.com.tr/haber/1320-sakaryada-kentici-toplu-ulasim.aspx
[3] Anderson, T.K., 2009, “Kernel Density Estimation and K-Means Clustering to Profile Road Accident Hotspots”, Accident Analysis and Prevention, Cilt 41, s. 359-364
[4] Bocajero, J.P., Diaz, C.A., 2011, “Characterization of Fatal Road Traffic Accidents Using K-Means Clustering – A Case Study of Bogotá”, TRB Annual Meeting
[5] Li, T., Chen, Y., Qin, S., Li, N., 2011, “Highway Road Accident Analysis Based on Clustering Ensemble”, CSEEE, Part II, Springer-Verlag Berlin Heidelberg, s. 212-217
[6] Mauro, R., Luca, M.D., Dell’Acqua, G., 2013, “Using a K-Means Clustering Algorithm to Examine Patterns of Vehicle Crashes in Before-After Analysis, Modern Applied Science, Cilt. 7, No. 10, s. 11-19
[7] Atalay, A., Tortum, A., 2010, “Türkiye’deki İllerin 1997-2006 Yılları Arası Trafik Kazalarına Göre Kümeleme Analizi”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt 16, No 3, s. 335-343
[8] Murat, Y. Ş., Şekerler, A., 2009, Trafik Kaza Verilerinin Kümelenme Analizi Yöntemi ile Modellenmesi, İMO Teknik Dergi, s. 4759-4777
9
[9] Kaygısız, Ö., Akın, S., 2005, “Ankara Ili Devlet Yollarında Meydana Gelen Trafik Kazalarının Konumsal Verilerinin Trafik Denetim Politikalarına Katkısı”, Trafik ve Yol Güvenliği Kongresi Kitabı, Ankara
[10] Kaygısız, Ö., Akın, S., 2007, “Konumsal Kaza Verileri Analiz Edilerek Etkin Trafik Denetim ve Kaza Bilirkişilik Politikalarının Oluşturulması; Ankara Örneği,” Trafik ve Yol Güvenliği Kongresi Kitabı, Ankara
[11] Erdoğan, S., Yılmaz, İ., Baybura, T., Güllü, M., 2008, “Geographical Information Systems Aided Traffic Accident Analysis System Case Study City of Afyonkarahisar”, Accident Analysis and Prevention, Cilt 40, No 1, s. 174-81.
[12] Özdamar, K., 2010, Paket Programlar ile İstatistiksel Veri Analizi, Kaan Kitabevi, Eskişehir
[13] Ayramö, S., Karkkainen, T., 2006, “Introduction to Partitioning-Based Clustering Methods with a Robust Example”, Reports of the Department of Mathematical Information Technology Series C. Software and Computational Engineering, No. C. 1
[14] Demiralay, M., Çamurcu, A.Y., 2005, Cure, Agnes ve K-Means Algoritmalarindaki Kümeleme Yeteneklerinin Karşılaştırılması, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt 4, Sayı 8, s. 1-18
[15] Sarıman, G., 2011, “Veri Madenciliğinde Kümeleme Teknikleri Üzerine Bir Çalışma: K-Means ve K-Medoids Kümeleme Algoritmalarının Karşılaştırılması”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt. 15, No. 3, s. 192-202
[16] Kalaycı, Ş., 2005, SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri, Asil Yayın Dağıtım Ltd.Şti., Ankara [17] Takçı, H., 2008, “Kümeleme Analizi: Temel Kavramlar ve Algoritmalar”, Veri Madenciliği Ders Notları, Gebze İleri Teknoloji Enstitüsü Bilgisayar Mühendisliği Bölümü, Gebze, www.bilmuh.gyte.edu.tr/~htakci/vm/kumeleme_
analizi.doc
[18] Geçer, H.S. 2013, Trafik Kaza Analizleri için Web Tabanlı Karar Destek Sistemi Geliştirilmesi: Sakarya İli Örneği, Basılmamış Yüksek Lisans Tezi, Sakarya Üniversitesi, Sakarya
