1. No category

‫המכו‪‬ים לחקר המדבר ע"ש י‪ .‬בלאושטיין‬
‫רמת סיכון מוחלטת ויחסית לתאו‪‬ות בין הולכי רגל וכלי רכב‬
‫בערי ישראל‬
‫פרופ' יצחק אומר‪ ,‬החוג לגיאוגרפיה וסביבת האדם‪ ,‬או‪‬יברסיטת תל‪-‬אביב‬
‫ד"ר יודן רופא‪ ,‬המכו‪‬ים לחקר המדבר ע"ש י‪ .‬בלאושטיין‪ ,‬או‪‬יברסיטת בן‪-‬גוריון‬
‫ד"ר ויקטוריה גיטלמן‪ ,‬המכון לחקר התחבורה‪ ,‬הטכ‪‬יון‬
‫פרופ' שלמה בכור‪ ,‬המכון לחקר התחבורה‪ ,‬הטכ‪‬יון‬
‫מר יואב לרמן‪ ,‬החוג לגיאוגרפיה וסביבת האדם‪ ,‬או‪‬יברסיטת תל‪-‬אביב )רכז מחקר(‬
‫מר ‪‬יר קפלן‪ ,‬החוג לגיאוגרפיה וסביבת האדם‪ ,‬או‪‬יברסיטת תל‪-‬אביב )אסיסט‪‬ט מחקר(‬
‫במימון קרן מחקרים בענייני ביטוח ליד אגוד חברות הביטוח בישראל‬
‫אפריל‪2015 ,‬‬
‫תקציר‬
‫המחקר ה‪‬וכחי עוסק בבחי‪‬ת רמת סיכון לתאו‪‬ות דרכים המתחשבת לא רק בכמות המוחלטת‬
‫של תאו‪‬ות דרכים במקום מסוים אלא גם בכמות הולכי הרגל וכלי רכב ה‪‬עים דרכו‪ .‬בחי‪‬ה כזו‪,‬‬
‫ה‪‬ערכת לראשו‪‬ה בישראל‪ ,‬מאפשרת לברר את ההסתברות של הולך רגל או ה‪‬וסע בכלי רכב‬
‫להיקלע לתאו‪‬ת דרכים‪ .‬לצורך זה ‪‬ב‪‬ו מודלים לחיזוי ‪‬פח ת‪‬ועה ברחובות העיר על סמך מידע‬
‫גיאוגרפי על רשת הדרכים‪ ,‬שימושי קרקע‪ ,‬דמוגרפיה ותעסוקה בעיר‪ .‬ב‪‬יית מודלים מסוג זה‬
‫אפשרית כיום בזכות התפתחות טכ‪‬ולוגיית המידע הגיאוגרפי וזמי‪‬ות מידע גיאוגרפי מפורט על‬
‫רשת הדרכים‪ ,‬על שימושי קרקע רלוו‪‬טיים להולכי רגל )כולל מיקומם ברחוב(‪ ,‬ועל התכו‪‬ות‬
‫הדמוגרפיות והחברתיות )ברמת אזור בעיר(‪.‬‬
‫המחקר ‪‬ערך בשישה אזורים עירו‪‬יים עם שימושי קרקע מעורבים הממוקמים בארבע ערים‬
‫שו‪‬ות‪ ,‬המייצגים הבדלים בדגם רשת הדרכים ובהתפלגות שימושי הקרקע‪ :‬תל אביב – שלושה‬
‫אזורים‪ :‬מרכז העסקים ההיסטורי‪ ,‬צפון ישן ופלור‪‬טין; בת‪-‬ים – מרכז העיר; כפר‪-‬סבא – מרכז‬
‫העיר; אשדוד – שכו‪‬ה א'‪ .‬התוצאות מלמדות שרמת סיכון מוחלטת לתאו‪‬ות דרכים עולה עם‬
‫הגידול ב‪‬פחי ת‪‬ועת הולכי רגל וכלי הרכב ובאורכו של מקטע רחוב‪ .‬תוצאות אלה עולות בק‪‬ה‬
‫אחד עם מחקרים קודמים‪ .‬ואולם‪ ,‬כאשר רמת הסיכון ‪‬בח‪‬ת במו‪‬חים יחסיים בהתחשב ב‪‬פחי‬
‫הת‪‬ועה‪ ,‬מתברר שככלל‪ ,‬עלייה ב‪‬פחי הת‪‬ועה אי‪‬ה מגדילה את רמת הסיכון היחסית להולך רגל‬
‫או כלי רכב להיקלע לתאו‪‬ת דרכים‪ .‬דהיי‪‬ו‪ ,‬מבחי‪‬ת הפרט הבוחר מסלול ת‪‬ועה בעיר‪ ,‬כהולך רגל‬
‫או כ‪‬וסע ברכב‪ ,‬רמת הסיכון לתאו‪‬ת דרכים אי‪‬ה תלויה ב‪‬פח הת‪‬ועה במסלול ש‪‬בחר‪ .‬לממצא‬
‫זה חשיבות לידע הקיים בישראל ובעולם על הסיבות והת‪‬אים להתרחשותן של תאו‪‬ות דרכים‪.‬‬
‫השוואה בין מיפוי רמות הסיכון – המוחלטת והיחסית – הן של הולכי רגל והן של כלי רכב באזורי‬
‫המחקר מלמדת שהתחשבות ברמת הסיכון היחסית מש‪‬ה את מפת הסיכון בהם‪ :‬מקומות שבהם‬
‫יש תאו‪‬ות דרכים רבות יותר אי‪‬ם בהכרח מסוכ‪‬ים יותר במו‪‬חים יחסיים ממקומות שיש בהם‬
‫פחות תאו‪‬ות‪ .‬ההתייחסות לרמת הסיכון היחסית שופכת אור אם כן על אותם מקומות שבהם‬
‫רמת הסיכון היחסית גבוהה ושחלקם מהווים אתרי תורפה מבחי‪‬ה בטיחותית‪ .‬במחקר זה א‪‬ו גם‬
‫מציעים גישה לאיתורן של אתרי תורפה אלה ברמת פירוט של מקטעי רחוב וזאת על סמך ‪‬פחי‬
‫ת‪‬ועה חזויים ועל סמך ‪‬תו‪‬י תאו‪‬ות דרכים לסוגיהן‪ .‬בכך משלימה הגישה המוצעת כאן את גישת‬
‫ההסתכלות המסורתית על רמת סיכון מוחלטת המתרכזת בכמות תאו‪‬ות דרכים בלבד‪ ,‬וככזאת‬
‫היא עשויה לסייע למתכ‪‬י ת‪‬ועה ובטיחות בהב‪‬ת הסיבות לסכ‪‬ה לתאו‪‬ות דרכים לסוגיהן‬
‫ומציאת דרכים לפתרו‪‬ה‪.‬‬
‫היכולת להעריך רמת סיכון יחסית לתאו‪‬ות דרכים המתחשבת בהסתברות לפגיעה בהולך הרגל‬
‫וב‪‬וסע בכלי הרכב בכל מקום גיאוגרפי‪ ,‬עשויה להיות חיו‪‬ית לע‪‬ף הביטוח בהערכת גובה פוליסת‬
‫ביטוח המחושב ברמת הפרט‪.‬‬
‫תוכן ע‪‬יי‪‬ים‬
‫‪1‬‬
‫‪ .1‬מבוא‪6.............................................................................................................................‬‬
‫‪ .2‬רקע מדעי ‪8......................................................................................................................‬‬
‫‪ .2.1‬רמת הבטיחות של הולכי הרגל ות‪‬אי הסביבה העירו‪‬ית ‪8..............................................‬‬
‫‪ .2.2‬מודלים של חשיפת הולכי הרגל לתאו‪‬ות דרכים ‪9..........................................................‬‬
‫‪ .2.3‬מודלים של ‪‬פח ת‪‬ועת הולכי רגל וכלי רכב ‪11 ...............................................................‬‬
‫‪ .3‬מטרת המחקר ‪13 ..............................................................................................................‬‬
‫‪ .4‬שיטת המחקר ‪13 ..............................................................................................................‬‬
‫‪ .4.1‬שלבי המחקר ‪13 ........................................................................................................‬‬
‫‪ .4.2‬בחירת אזורי המחקר ואיסוף ה‪‬תו‪‬ים ‪14 .....................................................................‬‬
‫‪ .4.3‬בחירת סוגי התאו‪‬ות למחקר ‪16 ..................................................................................‬‬
‫‪ .4.4‬חישוב ומיפוי דרגת מרכזיות‪/‬גישות ברשת הדרכים ‪18 ..................................................‬‬
‫‪ .4.5‬ב‪‬יית מודלים לחיזוי ‪‬פח ת‪‬ועת הולכי רגל וכלי רכב ‪19 ..................................................‬‬
‫‪ .4.6‬חקירת היחס בין ‪‬פח ת‪‬ועת הולכי רגל וכלי רכב לתאו‪‬ות דרכים ‪19 ................................‬‬
‫‪ .5‬ממצאים ‪19 ......................................................................................................................‬‬
‫‪ .5.1‬בחי‪‬ת הקשר בין ‪‬פחי ת‪‬ועת כלי רכב והולכי רגל לבין ותאו‪‬ות דרכים בערים ‪19 ..............‬‬
‫‪ .5.1.1‬כללי‪19 ....................................................................................................... ...........‬‬
‫‪ .5.1.2‬יתוח ‪‬תו‪‬י אשדוד ‪21 .............................................................................................‬‬
‫‪ .5.1.3‬יתוח ‪‬תו‪‬י בת ים ‪25 ..............................................................................................‬‬
‫‪ .5.1.4‬יתוח ‪‬תו‪‬י תל‪-‬אביב פלור‪‬טין ‪30 .............................................................................‬‬
‫‪ .5.1.5‬יתוח ‪‬תו‪‬י תל‪-‬אביב אבן גבירול ‪34 ..........................................................................‬‬
‫‪ .5.1.6‬יתוח ‪‬תו‪‬י תל‪-‬אביב מע"ר ‪39 ..................................................................................‬‬
‫‪ .5.1.7‬יתוח ‪‬תו‪‬י כפר סבא ‪43 ..........................................................................................‬‬
‫‪ .5.1.8‬סיכום‪48 ........................................................................................................ .......‬‬
‫‪ .5.2‬הערכת רמת סיכון מוחלטת ויחסית של מקומות לתאו‪‬ות דרכים‪49 ................................‬‬
‫‪ .5.2.1‬אשדוד‪50 .................................................................................................. .............‬‬
‫‪ .5.2.2‬בת ים‪52 ........................................................................................................ ........‬‬
‫‪ .5.2.3‬תל אביב‪ -‬פלור‪‬טין ‪54 .............................................................................................‬‬
‫‪ .5.2.4‬תל אביב‪ -‬אבן גבירול ‪56 ..........................................................................................‬‬
‫‪ .5.2.5‬תל אביב‪ -‬מע"ר ‪58 ..................................................................................................‬‬
‫‪ .5.2.6‬כפר סבא‪60 ................................................................................................ ...........‬‬
‫‪ .5.2.7‬סיכום‪64 ..................................................................................................... ..........‬‬
‫‪2‬‬
‫‪ .5.3‬איתור אתרי תורפה ברשת הדרכים ‪65 ..........................................................................‬‬
‫‪ .5.3.1‬איתור אתרי תורפה ‪66 ............................................................................................‬‬
‫‪ .6‬מסק‪‬ות‪71 .......................................................................................................................‬‬
‫‪ .7‬מקורות ‪72 ......................................................................................................................‬‬
‫‪ .8‬ספחים ‪78 .......................................................................................................................‬‬
‫רשימת איורים‬
‫איור ‪ :4.2.1‬מיקום אזורי המחקר במסגרת העיר ‪15 .................................................................‬‬
‫איור ‪ :4.2.2‬אזורי המחקר ‪15 .................................................................................................‬‬
‫‪3‬‬
‫איור ‪ :5.1.1‬הפו‪‬קציות החלקות שהותאמו לקשר בין ‪‬פחי הת‪‬ועה ואורך מקטע לבין מספרי‬
‫התאו‪‬ות במקטעים‪ ,‬באשדוד ‪24 ............................................................................................‬‬
‫איור ‪ :5.1.2‬הפו‪‬קציות החלקות שהותאמו לקשר בין ‪‬פחי הת‪‬ועה ואורך המקטע לבין מספרי‬
‫התאו‪‬ות במקטעים‪ ,‬בבת ים ‪28 .............................................................................................‬‬
‫איור ‪ :5.1.3‬הפו‪‬קציות החלקות שהותאמו לקשר בין ‪‬פחי הת‪‬ועה ואורך המקטע לבין מספרי‬
‫התאו‪‬ות במקטעים‪ ,‬בפלור‪‬טין‪32 ..........................................................................................‬‬
‫איור ‪ :5.1.4‬הפו‪‬קציות החלקות שהותאמו לקשר בין ‪‬פחי הת‪‬ועה ואורך מקטע לבין מספרי‬
‫התאו‪‬ות במקטעים‪ ,‬באזור אבן גבירול ‪37 ...............................................................................‬‬
‫איור ‪ :5.1.5‬הפו‪‬קציות החלקות שהותאמו לקשר בין ‪‬פחי הת‪‬ועה ואורך מקטע לבין מספרי‬
‫התאו‪‬ות במקטעים‪ ,‬באזור מע"ר תל‪-‬אביב ‪41 .........................................................................‬‬
‫איור ‪ :5.1.6‬הפו‪‬קציות החלקות שהותאמו לקשר בין ‪‬פחי הת‪‬ועה ואורך המקטע לבין מספרי‬
‫התאו‪‬ות במקטעים‪ ,‬באזור כפר סבא ‪46 .................................................................................‬‬
‫איור ‪ :5.2.1‬התפלגות ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל )תאו‪‬ות‬
‫דרכים שבהן מעורבים הולכי רגל( באשדוד ‪52 ..........................................................................‬‬
‫איור ‪ :5.2.2‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל )תאו‪‬ות‬
‫דרכים שבהן מעורבים הולכי רגל( בבת ים ‪54 ...........................................................................‬‬
‫איור ‪ :5.2.3‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל )תאו‪‬ות‬
‫דרכים שבהן מעורבים הולכי רגל( באזור פלור‪‬טין תל אביב ‪56 ..................................................‬‬
‫איור ‪ :5.2.4‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל )תאו‪‬ות‬
‫דרכים שבהן מעורבים הולכי רגל( באזור אבן גבירול בתל אביב ‪58 .............................................‬‬
‫איור ‪ :5.2.5‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל )תאו‪‬ות‬
‫דרכים שבהן מעורבים הולכי רגל( באזור מע"ר תל אביב ‪60 .......................................................‬‬
‫איור ‪ :5.2.6‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל )תאו‪‬ות‬
‫דרכים שבהן מעורבים הולכי רגל( בכפר סבא ‪62 .......................................................................‬‬
‫איור ‪ :5.2.7‬התפלגות דרגות מרכזיות באזורי המחקר ‪63 ..........................................................‬‬
‫איור ‪ :5.3.1‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באשדוד ‪67 ........................‬‬
‫איור ‪ :5.3.2‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי בבת ים ‪67 .........................‬‬
‫איור ‪ :5.3.3‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באזור פלור‪‬טין תל אביב ‪68 .‬‬
‫איור ‪ :5.3.4‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באזור אבן גבירול תל אביב‬
‫‪69 ......................................................................................................................................‬‬
‫איור ‪ :5.3.5‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באזור מע"ר תל אביב ‪70 .....‬‬
‫איור ‪ :5.3.6‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי בכפר סבא ‪70 .....................‬‬
‫רשימת טבלאות‬
‫טבלה ‪ :4.2.1‬פירוט המדידות ‪16 ............................................................................................‬‬
‫טבלה ‪ :4.3.1‬מספרי תאו‪‬ות ת"ד שדווחו בערי המחקר‪ ,‬סה"כ בש‪‬ים ‪18 .................... 2008-2012‬‬
‫טבלה ‪ :5.1.1‬סטטיסטיקה תיאורית של ‪‬תו‪‬י אשדוד ‪ -‬שכו‪‬ה א' ‪22 ...........................................‬‬
‫‪4‬‬
‫טבלה ‪ :5.1.2‬מודלים לחיזוי תאו‪‬ות במקטעי רחובות‪ ,‬באשדוד ‪24 .............................................‬‬
‫טבלה ‪ :5.1.3‬סטטיסטיקה תיאורית של ‪‬תו‪‬י בת ים ‪ -‬מרכז העיר ‪26 ..........................................‬‬
‫טבלה ‪ :5.1.4‬מודלים לחיזוי תאו‪‬ות במקטעי רחובות‪ ,‬בבת ים ‪ -‬מרכז העיר ‪28 ...........................‬‬
‫טבלה ‪ :5.1.5‬סטטיסטיקה תיאורית של ‪‬תו‪‬י תל‪-‬אביב ‪ -‬פלור‪‬טין ‪30 .........................................‬‬
‫טבלה ‪ :5.1.6‬מודלים לחיזוי תאו‪‬ות במקטעי רחובות‪ ,‬בתל‪-‬אביב ‪ -‬פלור‪‬טין ‪32 ..........................‬‬
‫טבלה ‪ :5.1.7‬סטטיסטיקה תיאורית של ‪‬תו‪‬י תל‪-‬אביב ‪ -‬אבן גבירול ‪34 ......................................‬‬
‫טבלה ‪ :5.1.8‬מודלים לחיזוי תאו‪‬ות במקטעי רחובות‪ ,‬באזור אבן גבירול ‪37 ...............................‬‬
‫טבלה ‪ :5.1.9‬סטטיסטיקה תיאורית של ‪‬תו‪‬י תל‪-‬אביב ‪ -‬מע"ר‪39 ..............................................‬‬
‫טבלה ‪ :5.1.10‬מודלים לחיזוי תאו‪‬ות במקטעי רחובות‪ ,‬באזור מע"ר תל‪-‬אביב ‪42 ........................‬‬
‫טבלה ‪ :5.1.11‬סטטיסטיקה תיאורית של ‪‬תו‪‬י כפר סבא ‪ -‬מרכז עיר ‪44 ......................................‬‬
‫טבלה ‪ :5.1.12‬מודלים לחיזוי תאו‪‬ות במקטעי רחובות‪ ,‬באזור מרכז עיר כפר סבא ‪46 ..................‬‬
‫טבלה ‪ :5.1.13‬סיכום לממצאי המודלים שהותאמו לתאו‪‬ות באזורים עירו‪‬יים שו‪‬ים‪48 ..............‬‬
‫טבלה ‪ :5.2.1‬מתאם )פירסון( בין פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( באשדוד ‪51 .............................................................‬‬
‫טבלה ‪ :5.2.2‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בבת ים ‪53 ..............................................................‬‬
‫טבלה ‪ :5.2.3‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בתל אביב‪ -‬פלור‪‬טין ‪55 ............................................‬‬
‫טבלה ‪ : 5.2.4‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בתל אביב‪ -‬אבן גבירול ‪57 .........................................‬‬
‫טבלה ‪ : 5.2.5‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בתל אביב‪ -‬מע"ר ‪59 .................................................‬‬
‫טבלה ‪ :5.2.6‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בכפר סבא ‪61 ..........................................................‬‬
‫טבלה ‪ :5.3.1‬ערכי פוט‪‬ציאל לשיפור בטיחותי )‪ (PI‬של מקטעים באזור אשדוד ‪66 ........................‬‬
‫טבלה ‪ :8.1‬יתוח המתאם בין ‪‬פחי ת‪‬ועה מדודים ושימושי קרקע לכמות תאו‪‬ות הדרכים‬
‫לסוגיהן ‪78 ...........................................................................................................................‬‬
‫‪5‬‬
‫‪ .1‬מבוא‬
‫בש‪‬ים האחרו‪‬ות עשתה ישראל צעדים ‪‬יכרים בשיפור מצב תאו‪‬ות הדרכים‪ .‬למרות הצלחה‬
‫יחסית בהקט‪‬ת שיעור תאו‪‬ות הדרכים וההיפגעות מהן‪ ,‬לא חלה ירידה מקבילה בכמות תאו‪‬ות‬
‫הדרכים של הולכי רגל ורוכבי אופ‪‬יים )‪ .(Shinar, 2012‬המחקר ה‪‬וכחי עוסק בבחי‪‬ת רמת‬
‫הסיכון לתאו‪‬ות דרכים ברחובות העיר בהקשר ל‪‬פח ת‪‬ועת הולכי רגל וכלי רכב במטרה למקד‬
‫את תשומת הלב של מתכ‪‬י ת‪‬ועה ובטיחות בהב‪‬ה של הסיבות לסכ‪‬ה מוגברת זו ומציאת דרכים‬
‫לפתרו‪‬ה‪ .‬בש‪‬ים האחרו‪‬ות חל שי‪‬וי במדי‪‬יות כלפי ‪‬יהול הבטיחות של צמתים וקטעי דרך ביחס‬
‫לתאו‪‬ות הולכי רגל מגישה של טיפול ב"‪‬קודות תורפה"‪ ,‬לגישה "אפידמיולוגית" המ‪‬סה לחזות‬
‫את אותם מקומות שבהם החשיפה לסכ‪‬ה עבור הולכי הרגל ומשתמשי הדרך הפגיעים יותר‬
‫גבוהה יותר )‪.(Jacobsen, 2006‬‬
‫רוב המחקרים האחרו‪‬ים על הסיבות לתאו‪‬ות דרכים של הולכי רגל בארץ הם מחקרים‬
‫אפידמיולוגיים הבוח‪‬ים מצד אחד את הקשר בין מיקום תאו‪‬ות הדרכים ובין משת‪‬ים‬
‫דמוגרפיים וסוציו‪-‬אקו‪‬ומיים של המקומות שבהן קורות התאו‪‬ות ושל האוכלוסיות ה‪‬פגעות‪,‬‬
‫ומצד ש‪‬י את המאפיי‪‬ים הפרט‪‬יים של מיקום התאו‪‬ות‪ ,‬וזמ‪‬יהן )ראו סקר ספרות להלן(‪ .‬עד כה‬
‫לא ‪‬עשו בארץ מחקרים המ‪‬סים לקשור את תאו‪‬ות הדרכים למידת החשיפה של הולכי הרגל‬
‫לתאו‪‬ות – חשיפה התלויה בכמות הת‪‬ועה של הולכי הרגל וכלי הרכב ומאפיי‪‬י החצייה של‬
‫הרחובות תוך כדי ת‪‬ועת הולכי הרגל‪ .‬מחקר זה מ‪‬סה לגשר על הפער הזה בהקשר הישראלי‪.‬‬
‫רמת הסיכון לתאו‪‬ות דרכים במקום מסוים ראוי אם כן שתיבחן לא רק על פי כמות התאו‪‬ות‬
‫המוחלטת אשר מתרחשות בו‪ ,‬אלא גם על פי כמות התאו‪‬ות היחסית ל‪‬פח הת‪‬ועה שעובר בו‪ ,‬הן‬
‫של הולכי רגל והן של כלי רכב‪ .‬לשם דוגמא‪ ,‬יח שש‪‬י רחובות זהים מבחי‪‬ת כמות תאו‪‬ות‬
‫הדרכים שהתרחשו בהן‪ ,‬אך באחד יש ת‪‬ועה רבה של הולכי רגל ובש‪‬י ת‪‬ועה דלילה יחסית‪ .‬במצב‬
‫זה ‪‬יתן לקבוע שהסיכוי של אדם להיקלע לתאו‪‬ת דרכים גבוה יותר ברחוב שבו הת‪‬ועה דלילה‬
‫יותר‪ .‬דהיי‪‬ו‪ ,‬מ‪‬קודת מבט של רמת סיכון לאדם‪ ,‬רחוב זה מסוכן יותר מהרחוב בו יש ת‪‬ועה ערה‬
‫של הולכי רגל למרות שמספר תאו‪‬ות הדרכים זהה בש‪‬יהם‪.‬‬
‫למען הבהירות ‪‬גדיר כאן שתי רמות סיכון לתאו‪‬ות דרכים בין הולכי‪-‬רגל וכלי רכב במקום‬
‫גיאוגרפי )צומת רחובות‪ ,‬רחוב או מקטע רחוב(‪ :‬רמת סיכון מוחלטת לתאו‪‬ות דרכים של הולכי‬
‫רגל – מספר הפגיעות של הולכי רגל מכלי רכב; רמת סיכון יחסית לתאו‪‬ות דרכים של הולכי רגל –‬
‫היחס בין מספר הפגיעות של הולכי רגל מכלי רכב לכמות הממוצעת של הולכי הרגל‪ .‬באופן דומה‬
‫‪‬יתן להבחין בין שתי רמות סיכון לגבי תאו‪‬ות דרכים בהן מעורבים רק כלי רכב‪ :‬רמת סיכון‬
‫מוחלטת לתאו‪‬ות כלי רכב – כמות תאו‪‬ות בין כלי רכב; ורמת סיכון יחסית לתאו‪‬ות כלי רכב –‬
‫היחס בין מספר תאו‪‬ות בין כלי רכב לכמות כלי רכב‪.‬‬
‫מהו המצב בישראל מבחי‪‬ה זו? האם ‪‬יתן לברר את הקשר בין תאו‪‬ות דרכים ל‪‬פח הת‪‬ועה של‬
‫הולכי רגל וכלי רכב ולהעריך את רמת הסיכון היחסית לתאו‪‬ות דרכים? בישראל קיים היום‬
‫מיפוי מפורט של מיקום תאו‪‬ות דרכים לסוגיהן‪ ,‬אך בדרך כלל אין ‪‬תו‪‬ים זמי‪‬ים על התפלגות‬
‫ת‪‬ועת הולכי הרגל וכלי הרכב‪ ,‬ולבטח לא ‪‬תו‪‬ים על כל רחובות העיר‪ .‬לכן לא ‪‬יתן היה לבחון‬
‫‪6‬‬
‫וללמוד על הקשר בין תאו‪‬ות דרכים ל‪‬פח ת‪‬ועה ולהעריך את רמת הסיכון היחסית של מקום‪,‬‬
‫ובתוך כך לאתר מוקדי סיכון בהתבסס על ההסתברות לפגיעה באדם‪.‬‬
‫לאחרו‪‬ה‪ ,‬יתן להתגבר על מכשול זה‪ ,‬בעקבות התפתחותו של תחום חדש העוסק במודלים לחיזוי‬
‫‪‬פח ת‪‬ועת הולכי רגל וכלי רכב ברמת פירוט של רחובות וצמתים בעיר ) ‪pedestrian/vehicles‬‬
‫‪Raford and Ragland, 2006; Jiang et al., 2008; Ozbil et al., ) (volume modeling‬‬
‫‪ .(Hillier and Iida, 2005 2011;Jiang and Liu, 2009‬מודלים אלה מאפשרים יחד עם המידע‬
‫המפורט על מיקום תאו‪‬ות הדרכים‪ ,‬להעריך את רמת הסיכון היחסית לתאו‪‬ות דרכים בהתחשב‬
‫ב‪‬פח הת‪‬ועה‪ .‬כפי שיפורט בסקר הספרות שלהלן‪ ,‬הערכה כזו חיו‪‬ית למדי‪‬יות שמטרתה מ‪‬יעת‬
‫תאו‪‬ות ועשויה להועיל גם לתחום הביטוח‪.‬‬
‫אחד המחקרים המקיפים בתחום של חיזוי ת‪‬ועת הולכי הרגל ‪‬ערך לאחרו‪‬ה עבור הרשות‬
‫הלאומית לבטיחות בדרכים )אומר ורופא‪ .(2013 ,‬במחקר זה ‪‬ב‪‬ו מודלים לחיזוי התפלגות ת‪‬ועת‬
‫הולכי רגל באזורי מגורים מייצגים‪ ,‬בחמש ערים‪ :‬בת ים‪ ,‬כפר סבא‪ ,‬אשדוד‪ ,‬באר שבע והוד‬
‫השרון‪ .‬המודלים התבססו על משת‪‬ים המתארים את מב‪‬ה רשת הדרכים‪ ,‬שימושי הקרקע‬
‫וההרכב הדמוגרפי‪ .‬ב‪‬ו גם מודלים מיוחדים לת‪‬ועת ילדים וקשישים שהם פגיעים במיוחד‬
‫מבחי‪‬ת תאו‪‬ות דרכים‪ .‬הממצאים מראים שמודלים מסוג זה מאפשרים חיזוי ת‪‬ועת הולכי רגל‬
‫ברמה טובה במגוון של אזורים הממוקמים הן בערים ותיקות והן בערים חדשות יחסית )כולל ערי‬
‫פיתוח( – עם רמת חיזוי )אחוז השו‪‬ות המוסברת; ‪ (R2‬בטווח של ‪ .0.56-0.84‬כדאי לציין‬
‫שבאזורים הממוקמים במרכזן של ערים‪ ,‬ובמיוחד בערים ותיקות‪ ,‬רמת החיזוי הייתה גבוהה‬
‫במיוחד )‪ .(0.78-0.84‬מחקר דומה ‪‬ערך גם בתל אביב )‪ .(Lerman and Omer, 2013‬חיזוי‬
‫התפלגות ‪‬פח ת‪‬ועת כלי רכב ברמת פירוט של רשת הרחובות העירו‪‬ית ‪‬ערך גם כן בישראל‬
‫במחקרים ש‪‬ערכו על הערים רע‪‬ה ואשדוד )אומר‪.(2011 ,‬‬
‫במחקר ה‪‬וכחי ‪‬ב‪‬ו מודלים לחיזוי ‪‬פח ת‪‬ועה כדי לאפשר את בחי‪‬ת הקשר בין ‪‬פח ת‪‬ועת הולכי‬
‫רגל וכלי רכב לתאו‪‬ות דרכים במרכזי ערים בישראל שהוא הבסיס להערכת רמת סיכון יחסית‬
‫לתאו‪‬ות דרכים‪ .‬דהיי‪‬ו‪ ,‬כזו המתחשבת ב‪‬פחי ת‪‬ועה‪.‬‬
‫בחלק הבא מוצג הידע הקיים על הקשר בין כמות ואופי תאו‪‬ות הדרכים לכמות הולכי רגל וכמות‬
‫כלי רכב‪ ,‬ולמרקם העירו‪‬י‪ ,‬ועל ה‪‬יסיון ש‪‬צבר בתחום של מודלים לחיזוי של ‪‬פח ת‪‬ועת הולכי‬
‫רגל וכלי רכב‪ .‬לאחר מכן מפורטת שיטת המחקר ש‪‬קט‪‬ו בה כדי להגיע למודלים של ת‪‬ועת הולכי‬
‫הרגל וכלי רכב‪ ,‬ועל פיהם לב‪‬ות מודלים סטטיסטיים של תאו‪‬ות הדרכים בהתחשב במאפיי‪‬י‬
‫ת‪‬ועת הולכי הרגל וכלי הרכב ברמת ‪‬יתוח של מקטעי רחובות ברשת הדרכים‪.‬‬
‫‪7‬‬
‫‪ .2‬רקע מדעי‬
‫‪ .2.1‬רמת הבטיחות של הולכי הרגל ות‪‬אי הסביבה העירו‪‬ית‬
‫קיימות שתי גישות בסיסיות במחקר על תאו‪‬ות דרכים של הולכי רגל בערים‪ .‬הגישה האחת היא‬
‫הגישה המתייחסת ל"‪‬קודות או אזורי תורפה" שבהם ריכוז תאו‪‬ות הדרכים גבוה מסף מסוים‬
‫מוגדר מראש‪ ,‬ול‪‬סות לאתר את הת‪‬אים המתקיימים במקומות אלה הגורמים לכך שכמות‬
‫תאו‪‬ות הדרכים גבוהה יותר‪ .‬הגישה הש‪‬ייה היא מחקר אפידמיולוגי‪ ,‬שבדומה למחקרים‬
‫ברפואה ציבורית המ‪‬סים לאמוד את מידת החשיפה של אוכלוסייה לגורמי תחלואה‪ ,‬מ‪‬סה‬
‫לאמוד את מידת החשיפה של הולכי הרגל לקו‪‬פליקט עם כלי רכב‪ ,‬ועל ידי כך להעריך את מידת‬
‫הסיכון לתאו‪‬ות שבחשיפה זו‪.‬‬
‫מחקרים מן הגישה הראשו‪‬ה‪ ,‬אשר תחילתם היה בגישה המסורתית של מה‪‬דסי ת‪‬ועה לבחון‬
‫צמתים וקטעי דרך שבהם עלה מספר התאו‪‬ות על סף מסוים‪ ,‬התפתחו בש‪‬ים האחרו‪‬ות יחד עם‬
‫יכולות הממ"ג למחקרים מתוחכמים יותר‪ ,‬המ‪‬סים בשיטות שו‪‬ות של ‪‬יתוח מרחבי סטטיסטי‬
‫לזהות אזורים וקטעים מרשת הדרכים שבהם יש‪‬ו ריכוז גבוה יותר של תאו‪‬ות‪ ,‬ול‪‬סות ולמצוא‬
‫מכ‪‬ה משותף בי‪‬יהם ) ‪(Nie et al., 2015; Pulugurtha et al., 2007; Xie and Yan, 2013; Yu‬‬
‫)‪ (et al., 2014‬או למשל מודל שמסתמך על ‪‬תו‪‬ים מרחביים סביב תח‪‬ות אוטובוס באדלייד‪,‬‬
‫אוסטרליה )‪ ,(Truong and Somenahalli, 2011‬ובסביבות בתי ספר )‪Clifton and Kreamer-‬‬
‫‪.(Fults, 2007‬‬
‫הדרך בה ‪‬וקט מחקר‪‬ו לצורך זיהוי אזורי סכ‪‬ה להולכי רגל יוצאת מן הגישה האפידמיולוגית‬
‫המצוי‪‬ת לעיל‪ .‬במסגרת גישה זו יש‪‬ן שתי דרכים בסיסיות‪ :‬הדרך האחת‪ ,‬ה‪‬פוצה יותר בוח‪‬ת את‬
‫פיזור תאו‪‬ות הדרכים מול משת‪‬ים דמוגרפיים‪ ,‬וסוציו‪-‬אקו‪‬ומיים של האוכלוסייה באזורי‬
‫התאו‪‬ה‪ ,‬מול מאפיי‪‬י מקום התאו‪‬ה‪ ,‬ומאפיי‪‬י זמן התאו‪‬ה‪ .‬הדרך הש‪‬ייה‪ ,‬שבה ‪‬קט‪‬ו‪ ,‬מ‪‬סה‬
‫להוסיף למשת‪‬ים הללו את מאפיי‪‬י ת‪‬ועת כלי הרכב והולכי הרגל‪ ,‬ולהעריך את רמת הסיכון‬
‫למפגש בי‪‬יהם‪ ,‬מפגש שעלול להסתיים בתאו‪‬ה‪.‬‬
‫המחקרים האחרו‪‬ים ש‪‬עשו בישראל שבח‪‬ו את דפוסי תאו‪‬ות הולכי הרגל בישראל שייכים‬
‫לגישה הראשו‪‬ה‪ .‬מחקרם של בלשה ושות‪2009) .‬א( ערך אפיון ו‪‬יתוח מפורט של תאו‪‬ות הולכי‬
‫רגל בישראל‪ ,‬ומצא כי מרבית התאו‪‬ות שבהם ‪‬פגעו הולכי רגל בערים )מעל ‪ (80%‬היו ברחובות‬
‫רב‪-‬תיביים עתירי ת‪‬ועה‪ ,‬ש‪‬מצאים רובם במרכזים עירו‪‬יים ‪ -‬אזורים שבהם ח‪‬ויות ועסקים‬
‫משולבים עם מגורים‪.‬‬
‫מחקר ‪‬וסף של בלשה ושות‪2009) .‬ב( הראה כי בישראל כמות התאו‪‬ות עם ‪‬פגעים ביחס לאורך‬
‫הרחוב‪ ,‬לרבות כמות התאו‪‬ות החמורות ותאו‪‬ות הולכי רגל‪ ,‬גבוהה משמעותית ברחובות עם‬
‫שימושי קרקע מעורבים בהשוואה לשאר הרחובות בעיר‪ .‬כלומר‪ ,‬רמת הבטיחות של רחובות עם‬
‫שימושים מעורבים )אשר אופיי‪‬יים למרכזי ערים( ‪‬מוכה יותר לעומת כלל הרחובות בעיר‪ ,‬כאשר‬
‫ברחובות אלה קיים סיכון גבוה יותר להתרחשות התאו‪‬ות‪ ,‬לרבות תאו‪‬ות חמורות ותאו‪‬ות‬
‫פגיעה בהולכי הרגל‪.‬‬
‫במחקר ‪‬וסף ש‪‬ערך לאחרו‪‬ה‪ ,‬ואשר הוקדש לאפיון דפוסים מובילים של תאו‪‬ות פגיעה בהולכי‬
‫רגל קשישים בערים בארץ )גיטלמן ושות‪ ,(Gitelman et al., 2012 ;2013 ,.‬מצא כי עיקר הסכ‪‬ה‬
‫‪8‬‬
‫להולכי רגל קשישים מרוכזת ברחובות וצמתים באזורים עם שימושי קרקע מעורבים למסחר‬
‫ומגורים‪ ,‬הממוקמים במרכזי ערים או בסמוך אליהם‪ .‬ב‪‬וסף‪ ,‬באזורי המגורים זוהתה סכ‪‬ה יתרה‬
‫בצמתים ובקטעי רחובות הסמוכים למרכזים מסחריים שכו‪‬תיים‪ .‬עם זאת‪ ,‬יש לציין כי על פי‬
‫ממצאי המחקר מעל ל – ‪ 80%‬מתאו‪‬ות הולכי הרגל היו ברחובות עורקיים רב ‪‬תיביים‪ ,‬ובחציית‬
‫הולכי הרגל שלא בצומת‪ .‬כלומר באותם רחובות‪ ,‬שבעצם מתוכ‪‬ים בעיקר למעבר מהיר של כלי‬
‫רכב‪ ,‬ושאי‪‬ם מביאים בחשבון את הצורך של הולכי הרגל לחצותם כדי להגיע ליעדים ה‪‬מצאים‬
‫לאורכם‪.‬‬
‫ממצאים דומים התקבלו גם במחקרים ש‪‬ערכו בחו"ל‪ .‬לדוגמא‪ ,‬במחקר ש‪‬עשה ב‪‬יוקאסל‬
‫בא‪‬גליה‪ ,‬מצא כי מספר הולכי הרגל ה‪‬פגעים‪ ,‬וילדים בפרט‪ ,‬קשור לצפיפות המגורים‪ ,‬ולעלייה‬
‫בשעות פעילות של שימושי קרקע לצורכי מסחר ושירותים קהילתיים )‪;Wedagama et al., 2006‬‬
‫‪ (2004) Elvik and Vaa .(Dissanayake et al., 2009‬מציי‪‬ים מחקר ש‪‬ערך בגרמ‪‬יה‪ ,‬לפיו‪ ,‬באזור‬
‫עירו‪‬י צפוף‪ ,‬שיעורי התאו‪‬ות היו גבוהים יותר באזורים עם ב‪‬יי‪‬י תעשייה ומסחר‪ ,‬או שימושים‬
‫מעורבים‪ ,‬מאשר באזורים עם ב‪‬יי‪‬ים המיועדים למגורים בלבד‪ (2012) Ukkusuri et al .‬חקרו‬
‫קשר בין בטיחות הולכי רגל ואופי שימושי הקרקע‪ ,‬באזורים סטטיסטיים ב‪‬יו יורק‪ ,‬ומצאו‬
‫שהאזורים הסטטיסטיים )‪ (census tracts‬עם שיעור גבוה יותר של שימושי קרקע מעורבים‬
‫)לצורכי תעשיה‪ ,‬מסחר או שטח פתוח( מזוהים עם הסתברות גבוהה יותר לתאו‪‬ות הולכי רגל‪.‬‬
‫מ‪‬גד‪ ,‬יש לציין‪ ,‬כי מחקר ש‪‬עשה בארה"ב מצא שהסיבה לעלייה במספר תאו‪‬ות הולכי הרגל‬
‫והאופ‪‬יים ברחובות עורקיים‪ ,‬ובאזורי מסחר לא הייתה עצם ה‪‬וכחות של שימושי הקרקע‬
‫המעורבים‪ ,‬אלא העיצוב המפורט של כ‪‬יסות לח‪‬יה ושל חזית הרחוב )‪.(Dumbaugh et al., 2013‬‬
‫יתר על כן‪ ,‬בסקר ספרות של הקשר בין מב‪‬ה הסביבה לתאו‪‬ות דרכים מצאו ‪Ewing and‬‬
‫‪ (2009) Dumbaugh‬שדווקא סביבות עירו‪‬יות צפופות הן בטוחות יותר מסביבות פרבריות‬
‫מבחי‪‬ת הסיכון לתאו‪‬ות דרכים‪ .‬זאת משום שעצם כמות ה‪‬סיעות בהן ‪‬מוכה יותר‪ ,‬ועל ידי כך‬
‫קט‪‬ה רמת החשיפה לתאו‪‬ות‪ .‬כמו כן‪ ,‬עיצוב הרחובות )צרות‪ ,‬ריבוי עצים וצמתים‪ ,‬ואמצעי מיתון‬
‫ת‪‬ועה( גרמו ל‪‬סיעה איטית יותר‪ ,‬ועל כן לסיכון מוקטן לתאו‪‬ות קשות ) ‪Ewing and Dumbaugh‬‬
‫‪ .(2009‬יתר על כן )‪ (Noland et al., 2013‬מצאו קשר בין רמת הכ‪‬סה ותאו‪‬ות כלי רכב והולכי‬
‫רגל‪ .‬לעומתם )‪ (Morency et al., 2012‬מצאו במחקר ש‪‬ערך במו‪‬טריאול שכאשר מביאים‬
‫בחשבון משת‪‬ים סביבתיים ואת כמות ת‪‬ועת הולכי הרגל והאופ‪‬יים באזורים ע‪‬יים יותר‪,‬‬
‫ההבדל בין אזורים שו‪‬ים קטן משמעותית‪.‬‬
‫לבסוף‪ (Ha and Thill, 2011) ,‬במחקר אפידמיולוגי בבאפלו על תאו‪‬ות דרכים לילדים‪ ,‬וער‬
‫ובוגרים‪ ,‬מצא כי יש צורך במודלים שו‪‬ים לקבוצות הגיל השו‪‬ות‪ ,‬ולתאו‪‬ות דרכים בצמתים‬
‫ובקטעי רחוב )‪.(Ha and Thill, 2011‬‬
‫‪ .2.2‬מודלים של חשיפת הולכי הרגל לתאו‪‬ות דרכים‬
‫מודלים אלה משלבים מודלים המשלבים ‪‬תו‪‬י ת‪‬ועה ו‪‬תו‪‬ים סוציו‪-‬דמוגרפיים יחד עם ‪‬יתוח‬
‫פעילות ות‪‬ועת הולכי הרגל )‪ .(Lee and Abdel-Aty, 2005; Molino et al., 2009‬הבעיה‬
‫‪9‬‬
‫המרכזית במודלים אלה היא הערכת ‪‬תיבי הת‪‬ועה האפשריים של הולכי הרגל ממוצאים ליעדים‪,‬‬
‫המקומות שבהם הם צפויים לחצות את הרחובות )בצמתים או בקטעי רחובות(‪ ,‬ומתוך כמות‬
‫החציות הזו לחשב את רמת הסיכון של הולכי הרגל באופן הסתברותי‪.‬‬
‫)‪ (Lam et al., 2014‬מבצעים הערכת רמת החשיפה של הולכי רגל לתאו‪‬ות דרכים על פי שלושה‬
‫סוגי מודלים‪ :‬צפיפות ‪‬פגעים פוט‪‬ציאליים ליחידת שטח‪ ,‬יתוח ‪‬תיב מרחב‪-‬זמן )‪STP – Space-‬‬
‫‪ ,(Time Path‬ו‪‬יתוח עץ ‪‬תיבים פוט‪‬ציאליים של הולכי הרגל במרחב ‪‬תון ) ‪PPT – Potential‬‬
‫‪ .(Path Tree‬המודלים הם מצרפיים מבחי‪‬ת כמות הת‪‬ועה הכוללת הן של הולכי הרגל והן של כלי‬
‫רכב‪ .‬הם מוצאים כי הטכ‪‬יקה השלישית מספקת את המודל המוצלח ביותר‪ ,‬אך עדיין רמת‬
‫החיזוי של המודל ‪‬מוכה למדי‪ .‬אחת הבעיות היא ש‪‬יתוח ה‪‬תיבים הפוט‪‬ציאליים אי‪‬ו מביא‬
‫בחשבון את הפיזור האמיתי של הולכי רגל במרחב העירו‪‬י‪ .‬פיזור‪ ,‬שעל פי מחקרים ש‪‬עשו‬
‫בעשרים הש‪‬ים האחרו‪‬ות תלוי במידה רבה במב‪‬ה העירו‪‬י‪.‬‬
‫חלוץ המודלים שהשתמשו במודל חיזוי של ת‪‬ועת הולכי רגל במרחב העירו‪‬י לחיזוי רמת החשיפה‬
‫לסכ‪‬ה של הולכי הרגל היא מחקר ש‪‬עשה באוקל‪‬ד‪ ,‬קליפור‪‬יה‪ .‬הממצא המע‪‬יין ביותר ממחקר‬
‫זה הוא שרובם המוחלט של הצמתים המסוכ‪‬ים להולכי רגל ממוקמים דווקא בשולי העיר ולא‬
‫במרכזה שדווקא מצטיין ב‪‬פח ת‪‬ועת הולכי רגל גדול יחסית‪ ,‬ועל כן ברמת סיכון יחסי ‪‬מוכה‬
‫יותר להולכי רגל )‪.(Raford, 2003‬‬
‫מחקרים ‪‬וספים מצאו שכמות הת‪‬ועה של הולכי הרגל וכלי הרכב משפיעה גם היא על רמת‬
‫הסיכון לתאו‪‬ות דרכים שבהם ‪‬פגעים הולכי רגל מכלי רכב‪ .‬ואולם לש‪‬י סוגי הת‪‬ועה השפעה‬
‫שו‪‬ה‪ :‬יש הטוע‪‬ים כי ככל שכמות הולכי הרגל גדולה יותר ‪ -‬פוחת הסיכון היחסי לתאו‪‬ות דרכים‬
‫בהן מעורבים הולכי רגל‪ .‬דהיי‪‬ו‪ ,‬ההסתברות של הולך רגל להיקלע לתאו‪‬ה פוחתת כאשר גדלה‬
‫כמות הולכי הרגל‪ .‬מצד ש‪‬י ככל שגדלה כמות כלי הרכב כך גובר הסיכון להולכי רגל להיפגע )ראה‬
‫למשל‪Jacobsen, 2003;Geyer et al, 2006; Leden, 2002, Elvik, 2009; Schneider et al., :‬‬
‫‪ ,(2012; Wier et al., 2009‬אך מצד ש‪‬י יש‪‬ה גם קריאה לזהירות של חוקרים אחרים שטוע‪‬ים‬
‫כי העדויות על ירידה בתאו‪‬ות הולכי רגל עם העלייה בת‪‬ועה שלהם ברחובות העיר אי‪‬ם חד‬
‫משמעיות )‪.(Bhatia and Wier, 2011‬‬
‫לת‪‬אים החזותיים‪ ,‬הפיזיים והתפקודיים של הסביבה העירו‪‬ית השפעה על כמות ואופי תאו‪‬ות‬
‫הדרכים‪ .‬כך לדוגמא‪ ,‬ערים בקליפור‪‬יה בעלות דגם רחובות קדם‪-‬מודר‪‬י‪ ,‬המאופיין ברחובות‬
‫בעלי קישוריות גבוהה וצפיפות גדולה יותר של צמתים‪ ,‬בטוחות יותר מבחי‪‬ה תחבורתית‪ ,‬ושיעור‬
‫התאו‪‬ות הקטל‪‬יות בהן ‪‬מוך מזה שבערים בעלות דגם רחובות מודר‪‬יסטי‪ ,‬המאופיין על ידי‬
‫מיעוט רחובות חוצים‪ ,‬והירארכיה תפקודית ) ‪Marshall and Garrick, 2010; Dumbaugh et al,‬‬
‫‪ .(2013; Dumbaugh and Rae, 2009; Ewing and Dumbaugh, 2009‬רמת הסיכון להיפגעות‬
‫הולכי רגל מכלי רכב ‪‬מצאה תלויה גם במיקומו ואופיו התפקודי של אזור בעיר ) ‪Geyer et al,‬‬
‫‪ .(2006‬בהתאם לכך‪ ,‬בהערכות הבטיחות בעיר מקובל להבדיל בין סוגי אזורים שו‪‬ים כגון‪:‬‬
‫שכו‪‬ות מגורים‪ ,‬מרכזי ערים‪ ,‬עורקים ת‪‬ועתיים – אשר מתאפיי‪‬ים ברמות שו‪‬ות של ת‪‬אי זרימת‬
‫הת‪‬ועה‪ ,‬שימושי הקרקע‪ ,‬ות‪‬אי הבטיחות ברחוב )כץ ושות‪ ;1983 ,.‬בלשה ושות‪ .(2009 ,.‬מצד ש‪‬י‪,‬‬
‫‪10‬‬
‫יש הטוע‪‬ים כי גם דגם הרחובות שתי וערב המקובל בעיקר בערים שהתפתחו במאה ה‪ 19-‬ועד‬
‫אמצע המאה ה‪ 20 -‬חושף את הולכי הרגל לסכ‪‬ות יתר‪ ,‬ומציעים דגמי רחובות משוכללים‪,‬‬
‫המאפשרים ת‪‬ועה ‪‬וחה וישירה להולכי רגל ורוכבי אופ‪‬יים‪ ,‬אך מו‪‬עים ת‪‬ועה חוצה של כלי רכב‬
‫בתוך שכו‪‬ות מגורים )‪.(Wei and Lovegrove, 2012‬‬
‫‪ .2.3‬מודלים של ‪‬פח ת‪‬ועת הולכי רגל וכלי רכב ) ‪pedestrian and vehicle volume‬‬
‫‪(modeling‬‬
‫כאמור‪ ,‬הגישה שבה ‪‬וקט מחקר זה מתבססת על ב‪‬יית מודלים לת‪‬ועת כלי רכב והולכי רגל‪,‬‬
‫והערכה של רמת הסיכון הכרוכה בשי‪‬וי בכמות הת‪‬ועה מכל סוג‪ .‬מודלים אלה מבוססים על‬
‫ה‪‬חות ה‪‬וגעות לבחירת יעדי ת‪‬ועה‪ ,‬מסלולי ת‪‬ועה ואמצעי ת‪‬ועה ומטרתם לחזות או להעריך‬
‫‪‬פח התפלגות ת‪‬ועת הולכי רגל וכלי רכב בסביבות קיימות )כאשר אין מידע זמין( או בסביבות‬
‫שמתוכ‪‬ות להקמה )‪.(Raford and Ragland, 2006‬‬
‫מודלים ברמת העיר ‪‬ועדו להעריך התפלגות ת‪‬ועת ברמה של צמתים‪ ,‬רחובות ואף במקטעי‬
‫רחובות‪ ,‬בדרך כלל על סמך מידע גיאוגרפי על רשת הדרכים‪ ,‬שימושי קרקע‪ ,‬דמוגרפיה ותעסוקה‬
‫בעיר‪ .‬ב‪‬יית מודלים מסוג זה אפשרית כיום בזכות התפתחות טכ‪‬ולוגיית המידע הגיאוגרפי‬
‫וזמי‪‬ות מידע גיאוגרפי מפורט על רשת הדרכים‪ ,‬על שימושי קרקע רלוו‪‬טיים להולכי רגל )כולל‬
‫מיקומם ברחוב(‪ ,‬ועל התכו‪‬ות הדמוגרפיות והחברתיות )ברמת אזור בעיר(‪ .‬ככלל‪ ,‬בישראל מידע‬
‫כזה מצוי בידי רשויות ממשלתיות כדוגמת הלשכה המרכזית לסטטיסטיקה‪ ,‬המרכז למיפוי‬
‫ישראל ובידי הרשויות המקומיות‪.‬‬
‫מודלים ש‪‬ב‪‬ו להערכת ‪‬פח ת‪‬ועת הולכי רגל בעיר מתבססים על הידע ש‪‬צבר אודות הקשר בין‬
‫תכו‪‬ות הסביבה העירו‪‬ית להתפלגות הולכי רגל‪ .‬כך לדוגמא‪ ,‬מודל ש‪‬ב‪‬ה לעיר סן פר‪‬סיסקו‬
‫מבוסס על משת‪‬ים דמוגרפיים כגון כמות וצפיפות אוכלוסייה ומועסקים‪ ,‬על משת‪‬ים הקשורים‬
‫לתחבורה כדוגמת תח‪‬ות אוטובוס וכבישים ראשיים ועל משת‪‬ים תפקודיים המהווים גורמי‬
‫משיכה לאוכלוסייה כדוגמת מסחר ועירוב שימושי קרקע בכלל )‪.(Liu and Griswold, 2009‬‬
‫ואולם‪ ,‬לאורך זמן גוברת והולכת ההתייחסות לקשירות רשת הדרכים )‪ (street connectivity‬דרך‬
‫מדידה ו‪‬יתוח של צפיפות רחובות וצמתים וחלקם היחסי של רחובות ללא מוצא וכד'‪ .‬אחת‬
‫הגישות הדומי‪‬טיות כיום לחיזוי ת‪‬ועה במרחב העירו‪‬י על סמך קשירות רשת הדרכים היא‬
‫הגישה המב‪‬ית )‪ (configurational approach‬המתרכזת ב‪‬יתוח רשת הדרכים ) ‪street network‬‬
‫‪ (analysis‬במטרה לתאר את מרכזיותם ודרגת ‪‬גישותם של רחובות ומקטעי רחובות במב‪‬ה רשת‬
‫הרחובות בכללותה )אומר‪.(2011 ,‬‬
‫במסגרתה של גישה זו דומי‪‬טית המתודולוגיה של "תחביר המרחב" ‪,Space Syntax -‬‬
‫המסתמכת על התכו‪‬ות הטופולוגיות והגיאומטריות של רשת הרחובות המבטאות את דרגת‬
‫ה‪‬גישות הויזואלית מ‪‬קודת מבטו של האדם ה‪‬ע במרחב )‪ .(Hillier et al., 1993‬יתרו‪‬ה של גישה‬
‫זו מצוי ביכולת לחזות ת‪‬ועה במקטעי רחובות בעיר על סמך מב‪‬ה רשת הרחובות בלבד‪ ,‬בלי צורך‬
‫‪11‬‬
‫ב‪‬תו‪‬ים על מקום המגורים ועל מרחבי הפעילות )והת‪‬ועה( של האוכלוסייה‪ ,‬שהם בדרך כלל פחות‬
‫זמי‪‬ים וכרוכים בהשקעה רבה יותר של משאבים‪ .‬לגישה זו יתרון ‪‬וסף והוא היכולת לחזות ת‪‬ועת‬
‫הולכי רגל בק‪‬ה מידה גיאוגרפי של אזור מצומצם יחסית‪.‬‬
‫המתודה של תחביר המרחב יושמה לחיזוי ת‪‬ועת הולכי רגל במקומות רבים באמצעות שימוש‬
‫במרחק הטופולוגי המבוסס על מפות קווי ציר‪ .‬בלו‪‬דון ‪‬ערכו מחקרים אחדים שהוכיחו רמת‬
‫חיזוי )אחוז‪/‬דרגת השו‪‬ות המוסברת; ‪ (R2‬טובה של ת‪‬ועת הולכי הרגל בטווח של ‪0.55-0.75‬‬
‫בלו‪‬דון‪ ,‬התאם לסוג האזור )‪ ,(Hillier et al., 1993 Penn et al., 1998; Jiang, 2009‬ובטווח של‬
‫‪ 0.6-0.7‬באמסטרדם )‪.(Read, 1999‬‬
‫‪‬עשו גם ‪‬יסיו‪‬ות לב‪‬ות מודלים לחיזוי ‪‬פח ת‪‬ועה המשלבים בין התכו‪‬ות המרחביות של רשת‬
‫הדרכים לבין התפלגות שימושי קרקע ולתכו‪‬ות ‪‬וספות כדוגמת הרכב דמוגרפי ותחושת בטחון‪.‬‬
‫חשוב לציין שבמודלים אלה ‪‬מצא שהתכו‪‬ות המרחביות הן דומי‪‬טיות להסבר וחיזוי ‪‬פח ת‪‬ועת‬
‫הולכי רגל‪ .‬במודל ש‪‬ב‪‬ה להסבר ת‪‬ועת הולכי רגל בלו‪‬דון )‪ (Desyllas et al., 2003‬לדוגמא‪,‬‬
‫‪‬מצא שלתכו‪‬ות המרחביות שחושבו על בסיס המתודה של תחביר המרחב היתה ההשפעה הרבה‬
‫ביותר על ת‪‬ועת הולכי רגל‪ ,‬כאשר הקירבה לתח‪‬ות תחבורה ציבורית‪ ,‬רוחב מדרכה ושיעור‬
‫חזיתות מסחריות בקומת הרחוב‪ ,‬תרמו גם כן ליצירת מודל משולב עם רמת חיזוי גבוהה‬
‫)‪ .(R²=0.82‬באופן דומה במודל ש‪‬ב‪‬ה לחיזוי ת‪‬ועת הולכי רגל בשתי שכו‪‬ות במרכז איסט‪‬בול‬
‫)‪ (Ozer and Kubat, 2007‬מצא ש‪‬פח ת‪‬ועת הולכי הרגל הושפע בעיקר מדרגת‬
‫ה‪‬גישות‪/‬האי‪‬טגרציה הכללית של הרחוב‪ ,‬אך גם מתחושת הביטחון של הולכי הרגל וממידת‬
‫העירוב של שימושי הקרקע‪ .‬יישום הגישה של תחביר המרחב בערים שו‪‬ות בארצות הברית מלמד‬
‫על מגמה דומה של דומי‪‬טיות התכו‪‬ות המרחביות של רשת הדרכים‪ .‬כך לדוגמא‪ ,‬מודל חיזוי ‪‬פח‬
‫ת‪‬ועה הולכי רגל בעיר אוקל‪‬ד מבוסס על תכו‪‬ות רשת הדרכים ועל משת‪‬ים המייצגים צפיפות‬
‫אוכלוסייה מאפשר חיזוי בטווח ‪ ,(Raford and Ragland, 2004) 0.72-0.77‬ומודל דומה ש‪‬ב‪‬ה‬
‫לעיר בוסטון מאפשר חיזוי ברמה של ‪ ,(Raford and Ragland, 2006) 0.81‬על סמך תכו‪‬ות רשת‬
‫הדרכים ומשת‪‬ים המייצגים קירבה לתח‪‬ות תחבורה ציבורית ולאתרי תיירות‪ .‬מחקר ש‪‬ערך‬
‫לאחרו‪‬ה לאותה מטרה באטל‪‬טה )‪ ,(Ozbil et al., 2011‬מחזק אף הוא את הטע‪‬ה לפיה לתכו‪‬ות‬
‫של קשירות ואי‪‬טגרציה של רשת הדרכים השפעה דומי‪‬טית על התפלגות ת‪‬ועת הולכי רגל בעיר‬
‫בהשוואה לשימושי הקרקע‪.‬‬
‫הגישה המב‪‬ית יושמה גם לחיזוי ‪‬פח ת‪‬ועת כלי רכב )‪ (vehicles volume modeling‬ברשת‬
‫הדרכים‪ .‬בדומה לחיזוי ‪‬פח ת‪‬ועת הולכי רגל‪ ,‬חלק ‪‬יכר מהמחקר האמפירי בגישה זו ‪‬ערך בעיר‬
‫לו‪‬דון‪ .‬במודלים מבוססים המתודה של תחביר המרחב ‪‬מצאה התאמה גבוהה בין ‪‬פח ת‪‬ועת כלי‬
‫הרכב לבין ערכי המרכזיות הטופולוגית‪ ,‬ובמיוחד ברמה הלוקאלית )‪Penn et al., Jiang, 2009‬‬
‫;‪ .(1998‬התחשבות ברוחב הרחוב ב‪‬וסף לערך המרכזיות הטופולוגית מובילה להסבר של ‪83%‬‬
‫מהשו‪‬ות )‪ (R2=0.83‬בהתפלגות כלי רכב בכלל האזורים ש‪‬בח‪‬ו )‪ .(Penn, 2003‬מחקר ‪‬וסף‬
‫ש‪‬ערך בלו‪‬דון בגישה מב‪‬ית גילה שהסתמכות על תכו‪‬ות טופולוגיות של רחובות )יחידות ה‪‬יתוח‬
‫הם רחובות על פי שם ולא קווי ציר( עשויה אף לשפר את יכולת החיזוי )‪. (Turner, 2007‬‬
‫‪12‬‬
‫מחקרים ש‪‬ערכו בערים ‪‬וספות בעולם מחזקים את המגמות המסתמ‪‬ות לאור המחקרים ש‪‬עשו‬
‫בלו‪‬דון‪ .‬במחקר ש‪‬ערך בעיר יבלה בשבדיה‪ ,‬מצא ‪ R2‬בטווח של ‪ 0.61-0.77‬בין דרגת המרכזיות‬
‫הטופולוגית של רחובות לת‪‬ועת כלי רכב )‪ ,(Jiang et al., 2008‬בעוד שבהו‪‬ג קו‪‬ג ‪‬מצא ‪ R2‬בטווח‬
‫ש‪‬ע בין ‪ .(Jiang and Liu, 2009) 0.35-0.69‬בזכות אופייה הטופוגרפי המגוון של הו‪‬ג קו‪‬ג ‪‬יתן‬
‫היה ללמוד שהיכולת ל‪‬בא ת‪‬ועת כלי רכב באזורים בהם דגם הרחובות הוא מפותל היא פחותה‬
‫בהשוואה לאזורים בהם דגם הרחובות הוא ישר זווית‪ .‬במחקר ש‪‬ערך על אזורים שו‪‬ים‬
‫במטרופולין של אטל‪‬טה‪ ,‬ארה"ב )‪ ,(Scoppa et al., 2009‬ב‪‬ה מודל להסבר התפלגות של כלי‬
‫רכב על פי שלושה משת‪‬ים‪ :‬מרכזיות הרחוב ברשת הדרכים‪ ,‬רוחב הרחוב ומרחקו ממרכז העיר‪.‬‬
‫הממצאים העולים ממחקרים אמפיריים בהם יושמו מודלים של ‪‬פח ת‪‬ועה מלמדים ש‪‬יתן‬
‫לחזות ולהסביר את ש‪‬י סוגי הת‪‬ועה – הולכי רגל וכלי רכב – תוך הסתמכות על התפלגות דרגת‬
‫המרכזיות ושימושי קרקע‪ .‬יחד עם זאת‪ ,‬חשוב לציין שמודלים לחיזוי ‪‬פח ת‪‬ועה ש‪‬ב‪‬ו לערים‬
‫שו‪‬ות ‪‬בדלים בתכו‪‬ות המרחביות או במדדי המרכזיות הדומי‪‬טיים‪ ,‬בק‪‬ה המידה בה ‪‬עשית‬
‫המדידה ובסוג המרחק עליו היא מבוססת )מטרי‪ ,‬טופולוגי וגיאומטרי( )‪.(Hillier and Iida, 2005‬‬
‫אי לכך‪ ,‬דרשת חקירה במרחבים עירו‪‬יים בישראל המייצגים משת‪‬ים רלוו‪‬טיים להערכת רמת‬
‫סיכון לתאו‪‬ות דרכים של הולכי רגל וכלי רכב‪ .‬חקירה זו התבצעה במחקר ה‪‬וכחי שיפורט להלן‪.‬‬
‫‪ .3‬מטרת המחקר‬
‫א‪ .‬בחי‪‬ת הקשר בין ‪‬פח ת‪‬ועת הולכי הרגל ו‪‬פח ת‪‬ועת כלי הרכב לכמות וסוג תאו‪‬ות דרכים‬
‫במרחב העירו‪‬י בישראל‪.‬‬
‫ב‪ .‬הערכת רמות סיכון של מקומות לתאו‪‬ות דרכים בהן מעורבים הולכי רגל ואיתור ‪‬קודות‬
‫תורפה ברשת הדרכים העירו‪‬ית‪.‬‬
‫‪ .4‬שיטת המחקר‬
‫‪ .4.1‬שלבי המחקר‬
‫א‪ .‬ב‪‬יית מודלים להערכת התפלגות ‪‬פח ת‪‬ועת הולכי רגל ות‪‬ועת כלי רכב ברמת פירוט של‬
‫מקטעי רחובות בעיר‪ .‬ב‪‬יית מודלים אלה התבססה על איסוף מידע ומדידה אמפירית של‬
‫ת‪‬ועת הולכי רגל וכלי רכב והתרכזה באזורים מייצגים הממוקמים במרכזי ערים ש‪‬בדלים‬
‫בכמות וסוג תאו‪‬ות דרכים )קטל‪‬יות לעומת לא‪-‬קטל‪‬יות(‪.‬‬
‫ב‪ .‬מיפוי תאו‪‬ות דרכים על סמך ‪‬תו‪‬י הלמ"ס על כמות וסוגי תאו‪‬ות דרכים‪.‬‬
‫ג‪ .‬בחי‪‬ת הקשר בין כמות וסוג תאו‪‬ות הדרכים ל‪‬פח ת‪‬ועת הולכי רגל וכלי רכב ה‪‬מדדת‬
‫והמוערכת )על פי מודלים להערכת ‪‬פח ת‪‬ועה(‪.‬‬
‫ד‪ .‬השוואה בין אזורי המחקר כדי לברר כיצד מב‪‬ה רשת הדרכים‪ ,‬אורך מקטע הרחוב ושימושי‬
‫הקרקע במרכזי הערים קשורים לשתי רמות הסיכון לתאו‪‬ות דרכים ה‪‬בדקות – מוחלטת‬
‫‪13‬‬
‫ויחסית‪.‬‬
‫ה‪ .‬מיפוי רמת סיכון מוחלטת ורמת סיכון יחסית לתאו‪‬ות דרכים ואיתור מוקדי סיכון ואתרי‬
‫תורפה ‪.‬‬
‫‪ .4.2‬בחירת אזורי המחקר ואיסוף ה‪‬תו‪‬ים‬
‫המחקר ‪‬ערך בשישה אזורים עם שימושי קרקע מעורבים הממוקמים בארבע ערים שו‪‬ות‪ :‬תל‬
‫אביב – שלושה אזורים‪ :‬מרכז העסקים ההיסטורי )להלן מע"ר(‪ ,‬אזור אבן גבירול בצפון הישן‪,‬‬
‫ופלור‪‬טין; בת‪-‬ים – מרכז העיר; כפר‪-‬סבא – מרכז העיר; אשדוד – שכו‪‬ה א' )איור ‪.(4.2.1‬‬
‫הבחירה במרכזי הערים ‪‬ערכה לאור הבעיה הבטיחותית של אזורים אלה‪ ,‬שזוהתה במחקרים‬
‫קודמים ש‪‬ערכו בישראל ובעולם‪ ,‬כמפורט למעלה ברקע המדעי )סעיף ‪ .(2‬בחירת מדגם מרכזי‬
‫הערים ‪‬ועדה לייצג הבדלים בדגם רשת הדרכים ובהתפלגות שימושי הקרקע‪.‬‬
‫‪14‬‬
‫איור ‪ : 4 . 2 . 1‬מיקום אזורי המחקר במסגרת העיר‬
‫בכל אחד מאזורי המחקר ‪‬אספו ‪‬תו‪‬י ת‪‬ועה של הולכי רגל וכלי רכב במקטעי דרכים ‪‬בחרים‬
‫)איור ‪ (4.2.2‬ה‪‬תו‪‬ים ‪‬אספו בספירה יד‪‬ית באמצעות סופרים א‪‬ושיים באזורי המחקר‪ ,‬כאשר כל‬
‫אחד מאזורי המחקר ‪‬מדד באופן חד‪-‬פעמי‪ .‬שיטה זו יעילה וזולה ומתאימה מאוד לספירות חד‪-‬‬
‫פעמיות‪ .1‬המחקר התבסס על מדידה באמצעות תצפיות של כמות הולכי רגל וכלי הרכב‪ ,‬כאשר זו‬
‫מבוצעת ע"י ספירת שערים )‪ (gate counts‬על פ‪‬י מקטעי דרכים שו‪‬ים באזורי המחקר‪ ,‬המייצגים‬
‫דרגות מרכזיות שו‪‬ות של מקטע רחוב ברשת הדרכים‪ .‬בספירה זו‪ ,‬ספרים הולכי הרגל וכלי הרכב‬
‫העוברים במקטע מסוים של הדרך בזמן המדידה‪.‬‬
‫איור ‪ : 4.2 .2‬אזורי המחקר‬
‫בכל מקטעי הדרכים שבהם התבצעה המדידה ) טבלה ‪ (4.2.1‬מדדה ת‪‬ועת הולכי הרגל וכלי הרכב‬
‫בש‪‬י הכיוו‪‬ים‪ .‬בכל ‪‬קודה ‪‬מדדו כמות הולכי הרגל שעברו בה לאורך ‪ 5‬שעות‪ ,‬במשך ‪ 5‬דקות‬
‫עבור כל שעה משעות המדידה )פרט לבת‪-‬ים‪ ,‬שבה ‪‬מדדו שמו‪‬ה שעות(‪ .‬ימי המדידה עצמם היו‬
‫ימי חול באמצע השבוע שמשיים )לא בחודשי הקיץ( )בין השעות ‪ 12:00-17:00‬או בין ‪15:00-‬‬
‫‪1‬‬
‫במסגרת ‪‬יסיון לביצוע סט‪‬דרטיזציה של מ‪‬ייה וכימות ת‪‬ועת הולכי רגל ‪‬בח‪‬ו והושוו שיטות האמצעים השו‪‬ים‬
‫בעשר מדי‪‬ות אירופאיות שו‪‬ות )‪ .(Sauter, 2010‬מהמחקר שבוצע עולה כי רוב ספירות הת‪‬ועה של הולכי רגל ‪‬עשות‬
‫באמצעות מודדים א‪‬ושיים בספירה יד‪‬ית בפרויקטים חד‪-‬פעמיים ומיעוטן באמצעים אלקטרו‪‬יים לאורך זמן לטובת‬
‫מעקב במקומות ספציפיים‪ .‬לאור העובדה שהמחקר המבוצע כאן הי‪‬ו חד‪-‬פעמי וללא מעקב רב‪-‬ש‪‬תי אחרי שי‪‬ויים‬
‫בת‪‬ועת הולכי רגל במקומות ש‪‬מדדו‪ ,‬שיטת הספירה המתאימה ביותר לפרויקט זה היא באמצעות פריסת מודדים‬
‫א‪‬ושיים בשטח וספירה יד‪‬ית של כמות העוברים ושבים במקטעי הדרכים‪.‬‬
‫‪15‬‬
‫‪ .(20:00‬פח ת‪‬ועת כלי הרכב ‪‬מדד לאורך ‪ 2‬שעות בכל המקומות בשעות שאי‪‬ן שעות עומס‬
‫)‪ .(12:00-16:00‬עבור כל מקטע בוצעו שתי מדידות ב‪‬ות חמש דקות בפרק זמן זה‪ .‬כמו כן‪ ,‬כלי‬
‫הרכב סווגו לחמישה סוגים – מכו‪‬יות פרטיות‪ ,‬אופ‪‬ועים‪ ,‬אוטובוסים‪ ,‬משאיות )כלי רכב כבד(‬
‫ומו‪‬יות שירות )כולל רכבי הסעות(‪.‬‬
‫טבלה ‪ :4.2.1‬פירוט המדידות‬
‫אזור מחקר‬
‫תל אביב אבן גבירול‬
‫תל אביב פלורנטין‬
‫תל אביב מע"ר‬
‫בת‪-‬ים‬
‫אשדוד‬
‫כפר‪-‬סבא‬
‫כמות מקטעים‬
‫הולכי רגל‬
‫‪51‬‬
‫‪52‬‬
‫‪34‬‬
‫‪69‬‬
‫‪20‬‬
‫‪68‬‬
‫מספר‬
‫שעות‬
‫הולכי רגל‬
‫‪5‬‬
‫‪5‬‬
‫‪5‬‬
‫‪8‬‬
‫‪5‬‬
‫‪5‬‬
‫תאריך מדידה הולכי רגל‬
‫‪07/09/2009‬‬
‫‪23/04/2012‬‬
‫‪23/04/2014‬‬
‫‪08/11/2010‬‬
‫‪16/01/2012‬‬
‫‪30/04/2012+19/12/2012‬‬
‫כמות‬
‫מקטעים‬
‫רכב‬
‫‪47‬‬
‫‪50‬‬
‫‪38‬‬
‫‪27‬‬
‫‪15‬‬
‫‪31‬‬
‫מספר שעות‬
‫רכב‬
‫‪2‬‬
‫‪2‬‬
‫‪2‬‬
‫‪2‬‬
‫‪2‬‬
‫‪2‬‬
‫תאריך‬
‫מדידה רכב‬
‫‪30/04/2014‬‬
‫‪30/04/2014‬‬
‫‪24/03/2014‬‬
‫‪11/06/2014‬‬
‫‪29/04/2014‬‬
‫‪26/05/2014‬‬
‫לגבי כל אחד מהאזורים ש‪‬בחרו למחקר ‪‬אספו ‪‬תו‪‬ים על רשת הדרכים‪ ,‬שימושי הקרקע וההרכב‬
‫הדמוגרפי‪ ,‬ה‪‬חוצים להגדרת משת‪‬י הסביבה העירו‪‬ית העיקריים הרלוו‪‬טיים להסבר התפלגות‬
‫‪‬פח הת‪‬ועה של הולכי רגל וכלי רכב‪ .‬על בסיס ‪‬תו‪‬י רשת הדרכים חושבו ערכים של מדדי‬
‫מרכזיות לגבי כל מקטע ברשת הדרכים על פי שיטת ה‪‬יתוח של תחביר המרחב )‪.(Space Syntax‬‬
‫חישוב ערכי מרכזיות ‪‬ערך באמצעות מפת קווי ציר )‪ (axial map‬שחושבה על סמך רשת הרחובות‬
‫של כל עיר‪ ,‬והוא כלל מדדי מרכזיות טופולוגיים‪ ,‬זוויתיים )א‪‬גולריים( ומטריים ברדיוס מטרי‬
‫שו‪‬ה‪ ,‬החל מרדיוס של ‪ 250‬מטר ועד רמת העיר בכללותה‪ .‬ב‪‬יית מפת קווי ציר וחישוב מדדי‬
‫המרכזיות התבצעו באמצעות תוכ‪‬ת ‪ .(UCL, v.10.15) Depthmap‬ערכי המדדים מופו באמצעות‬
‫תוכ‪‬ת ממ"ג )‪.ArcMap (ver. 10.0‬‬
‫ה‪‬תו‪‬ים שימשו לב‪‬יית מודלים להערכת ‪‬פח ת‪‬ועה של הולכי רגל וכלי רכב‪ ,‬שבהם המשת‪‬ים‬
‫הבלתי תלויים המסבירים הם משת‪‬ים המייצגים את מרכזיותו ואורכו של מקטע רחוב ברשת‬
‫הדרכים‪ ,‬הרכב דמוגרפי ושימושי הקרקע בו‪ ,‬בעוד שהמשת‪‬ים התלויים הם משת‪‬ים המייצגים‬
‫‪‬פחי ת‪‬ועה של הולכי הרגל וכלי רכב ממוצעים במקטע רחוב במשך שעה‪ .‬תו‪‬י ‪‬פח הת‪‬ועה‬
‫המחושבים באמצעות מודלים אלה שולבו עם ‪‬תו‪‬י תאו‪‬ות הדרכים לצורך בחי‪‬ת השפעת ‪‬פח‬
‫ת‪‬ועת הולכי הרגל ו‪‬פח ת‪‬ועת כלי הרכב על כמות וסוג תאו‪‬ות דרכים ובהערכת רמות סיכון של‬
‫מקומות לתאו‪‬ות דרכים‪ .‬להלן השיקולים לבחירת תאו‪‬ות הדרכים למחקר‪.‬‬
‫‪ .4.3‬בחירת סוגי התאו‪‬ות למחקר‬
‫תאו‪‬ות דרכים )קבצי "ת"ד"( התקבלו מהלשכה המרכזית לסטטיסטיקה‪ ,‬בצורה וקטורית‬
‫מפורטת תוך סיווג על פי מקום‪ ,‬זמן וסוג התאו‪‬ה‪ .‬מקורם של ה‪‬תו‪‬ים במשטרת ישראל‪ .‬רישום‬
‫ודיווח ‪‬תו‪‬י תאו‪‬ות דרכים בישראל מבוצע ע"י המשטרה‪ ,‬בעיקר בש‪‬י סוגי קבצים‪:‬‬
‫)א( תאו‪‬ות דרכים מסוג ת"ד ‪ -‬תאו‪‬ת דרכים עם ‪‬פגעים‪ ,‬שהוגדרה במשטרה כתאו‪‬ה ש‪‬חקרת על‬
‫ידה )"תיק ת"ד"(‪.‬‬
‫‪16‬‬
‫)ב( תאו‪‬ות דרכים מסוג כללי עם ‪‬פגעים ‪ -‬תאו‪‬ת דרכים קלה שהוגדרה במשטרה כתאו‪‬ה שאי‪‬ה‬
‫‪‬חקרת על ידה )"תיק כללי עם ‪‬פגעים"(‪.‬‬
‫פתיחת תיק ת"ד מות‪‬ית בקיום מספר קריטריו‪‬ים שהוגדרו ע"י המשטרה ואשר קשורים לזמן‬
‫דיווח על התאו‪‬ה )לעומת זמן התרחשותה(‪ ,‬חומרת התאו‪‬ה והרכב המעורבים בה‪ .‬כאשר‬
‫הקריטריו‪‬ים לפתיחת תיק ת"ד אי‪‬ם מתקיימים‪ ,‬פתח תיק "כללי עם ‪‬פגעים" אשר לא ‪‬חקר‬
‫ע"י המשטרה; בתיק זה פרטי התאו‪‬ה רשומים לפי דיווח של ה‪‬הגים או המעורבים בתאו‪‬ה‪.‬‬
‫קובץ עם תיקי ת"ד‪ ,‬לאורך הש‪‬ים‪ ,‬מהווה בסיס לסטטיסטיקה הרשמית של תאו‪‬ות דרכים‬
‫בישראל‪ ,‬כאשר הוא כולל תאו‪‬ות ברמות חומרה שו‪‬ות‪ :‬קטל‪‬יות‪ ,‬קשות‪ ,‬קלות‪ .‬לעומת זאת‪,‬‬
‫קובץ "כללי עם ‪‬פגעים" אמור לכלול רק תאו‪‬ות קלות‪.‬‬
‫מבחי‪‬ת תיקי תאו‪‬ות דרכים עם ‪‬פגעים ש‪‬פתחים מדי ש‪‬ה )למ"ס‪ (2014 ,‬עולה שבין ש‪‬י סוגי‬
‫התיקים שצוי‪‬ו לעיל‪ ,‬קובץ ת"ד מרכז כ‪ 20%-‬מסך המקרים בעוד שקובץ "כללי עם ‪‬פגעים" כ‪-‬‬
‫‪ .80%‬לכן‪ ,‬ב‪‬יתוחי תאו‪‬ות דרכים בישראל‪ ,‬ש‪‬ערכים בש‪‬ים האחרו‪‬ות‪ ,‬מקובל לבחון ‪‬תו‪‬ים על‬
‫סמך ש‪‬י סוגי התיקים‪ .‬עם זאת‪ ,‬בשל היעדר בדיקה של רוב מאפיי‪‬י התאו‪‬ות בתיקי "כללי עם‬
‫‪‬פגעים"‪ ,‬כאשר חלק ‪‬יכר מפרטי התאו‪‬ה עשוי להיות חסר‪ ,‬בייחוד בדרכים העירו‪‬יות‪ ,‬את‬
‫ה‪‬יתוחים העיקריים מקובל לבצע על סמך תיקי ת"ד‪ .‬לצורכי המחקר ה‪‬וכחי התקבלו מהלשכה‬
‫המרכזית לסטטיסטיקה קבצי תאו‪‬ות דרכים מש‪‬י הסוגים‪ :‬ת"ד ו‪-‬כללי עם ‪‬פגעים‪ ,‬עבור כל‬
‫אחת מש‪‬ות ה‪‬יתוח‪.‬‬
‫את האפיון העיקרי של תאו‪‬ות הדרכים ‪‬יתן לבצע לפי זמן ומיקום התרחשות התאו‪‬ה‪ ,‬סוג‬
‫תאו‪‬ה וחומרתה‪ .‬בהתאם למטרות המחקר ‪ -‬אפיון תאו‪‬ות הולכי רגל ותאו‪‬ות דרכים בכלל‪,‬‬
‫במרכזי ערים בישראל‪ ,‬ה‪‬יתוח במחקר יתמקד בסוגי תאו‪‬ות אלה‪:‬‬
‫א‪ .‬סך התאו‪‬ות עם ‪‬פגעים‪ ,‬לפי קבצי ת"ד‪.‬‬
‫ב‪ .‬תאו‪‬ות חמורות )קשות וקטל‪‬יות ביחד(‪.‬‬
‫ג‪ .‬תאו‪‬ות עם ‪‬פגעים הולכי רגל‪.‬‬
‫ד‪ .‬כלל התאו‪‬ות שדווחו‪ :‬ת"ד ‪ +‬כללי עם ‪‬פגעים‪.‬‬
‫הבחירה בסוגי התאו‪‬ות ה‪"‬ל מאפשרת לספק הן היקף והן עומק ב‪‬יתוח מקרי התאו‪‬ות‪ ,‬עם דגש‬
‫על תאו‪‬ות פגיעה בהולכי רגל ובתאו‪‬ות החמורות‪.‬‬
‫מבחי‪‬ת תקופת ה‪‬יתוח‪ ,‬הוחלט להתמקד בחמש ש‪‬ים אחרו‪‬ות‪ ,2008-2012 ,‬כאשר תקופת ‪‬יתוח‬
‫קצרה יותר עשויה לא לספק בסיס הולם לזיהוי ריכוזי התאו‪‬ות‪ ,‬באזורים ה‪‬בח‪‬ים‪ .‬טבלה ‪4.3.1‬‬
‫מציגה את סך התאו‪‬ות עם ‪‬פגעים ומספרי התאו‪‬ות עם הולכי רגל ש‪‬רשמו בערים ש‪‬בחרו‬
‫למחקר‪ ,‬בש‪‬ים ‪ .2008-2012‬יתן לראות שסך מספרי התאו‪‬ות‪ ,‬בחמש הש‪‬ים‪ ,‬גבוהים יחסית‬
‫ומאפשרים לבצע ‪‬יתוחים‪ .‬מספרי התאו‪‬ות החמורות ש‪‬רשמו בערים קט‪‬ות יותר ולכן‪ ,‬מחייבים‬
‫תקופת ‪‬יתוח של חמש ש‪‬ים‪ ,‬לפחות‪ .‬לפי טבלה ‪ ,4.3.1‬בכל ערי המחקר ‪‬יכרת בעיית בטיחות‬
‫הולכי רגל‪ ,‬ובייחוד בערים אשדוד ובת ים‪.‬‬
‫‪17‬‬
‫טבלה ‪ :4.3.1‬מספרי תאו‪‬ות ת"ד שדווחו בערי המחקר‪ ,‬סה"כ בש‪‬ים ‪ .2008-2012‬מקור‪ :‬מחולל‬
‫לוחות של הלמ"ס‬
‫סך התאו‪‬ות עם ‪‬פגעים‬
‫עיר‬
‫‪ %‬תאו‪‬ות הולכי רגל‬
‫תאו‪‬ות הולכי רגל‬
‫סך הכל‬
‫קטל‪‬ית‬
‫קשה‬
‫קלה‬
‫סך הכל‬
‫קטל‪‬ית‬
‫קשה‬
‫קלה‬
‫אשדוד‬
‫‪1235‬‬
‫‪25‬‬
‫‪104‬‬
‫‪1106‬‬
‫‪317‬‬
‫‪17‬‬
‫‪47‬‬
‫‪253‬‬
‫‪26%‬‬
‫בת ים‬
‫‪1297‬‬
‫‪12‬‬
‫‪79‬‬
‫‪1206‬‬
‫‪445‬‬
‫‪9‬‬
‫‪44‬‬
‫‪392‬‬
‫‪34%‬‬
‫כפר סבא‬
‫‪765‬‬
‫‪11‬‬
‫‪33‬‬
‫‪721‬‬
‫‪157‬‬
‫‪5‬‬
‫‪15‬‬
‫‪137‬‬
‫‪21%‬‬
‫תל אביב ‪-‬יפו‬
‫‪9608‬‬
‫‪78‬‬
‫‪636‬‬
‫‪8894‬‬
‫‪2029‬‬
‫‪44‬‬
‫‪262‬‬
‫‪1723‬‬
‫‪21%‬‬
‫‪ .4.4‬חישוב ומיפוי דרגת מרכזיות‪/‬גישות ברשת הדרכים‬
‫התפלגות דרגת מרכזיות‪/‬גישות ברשת הדרכים חושבה באמצעות ‪‬יתוח תחביר המרחב ) ‪Space‬‬
‫‪ .(Syntax‬כאמור מתודה זו מסתמכת על מדידת תכו‪‬ות טופולוגיות וגיאומטריות של רשת‬
‫הרחובות‪ ,‬המבטאות את דרגת ה‪‬גישות או המרכזיות היחסית של מקטעי רחובות ברשת‬
‫הרחובות‪ .‬החישוב ‪‬עשה על סמך התמרה של מפת הרחובות למפת קווי ציר )‪.(axial map‬‬
‫בהתאם לכך‪ ,‬לכל עיר שהאזור המרכזי שלה ‪‬כלל במחקר‪ ,‬תיב‪‬ה בשלב ראשון מפת קווי ציר‬
‫)‪ (axial map‬על בסיס רשת הרחובות‪ .‬ב‪‬וסף לכך‪ ,‬כל קו ציר במערכת ‪‬יתן לחלוקה למספר מקטעי‬
‫רחובות )‪ (street segments‬בהתאם למספר הצמתים החוצים אותו‪ .‬בעזרת החלוקה לסגמ‪‬טים‬
‫‪‬יתן להתייחס גם למרחק גיאומטרי )‪ (angular distance‬ולמרחק מטרי‪ .‬המרחק הטופולוגי‬
‫מתבסס על מפת קווי הציר ו‪‬מדד על פי מספר הפ‪‬יות בין קו ציר המוצא ליעד‪ ,‬כאשר לכל שי‪‬וי‬
‫כיוון‪ ,‬ויהא בזווית הקט‪‬ה ביותר‪ ,‬יתן ערך שווה‪ .‬המרחק הגיאומטרי מבוסס מפת המקטעים של‬
‫קווי הציר ו‪‬מדד על‪-‬פי סכום זוויות הפ‪‬ייה בין המקטעים במעבר מקטע מוצא לקטע יעד‪ .‬המרחק‬
‫המטרי מתבסס אף הוא על מפת המקטעים‪.‬‬
‫דרגת המרכזיות וה‪‬גישות של קו ציר או סגמ‪‬ט )מקטע רחוב( מתוארת בעזרת מדדים אחדים‬
‫המחושבים על סמך ‪‬יתוח מפת צירים ומפת מקטעים בהתאמה )‪ .(Hillier, 1996‬המדד הראשון‬
‫הוא מדד הקישוריות )‪ (Connectivity‬המבט את מספר קווי הציר‪ /‬מקטעים המצטלבים ישירות‬
‫עם הקו ה‪‬בדק‪ ,‬וערכיו הם מוחלטים‪ .‬המדד הש‪‬י הוא מדד האי‪‬טגרציה )‪ ,(Integration‬הבודק‬
‫את המרחק הטופולוגי‪ ,‬הא‪‬גולרי או המטרי בין קו הציר‪/‬סגמ‪‬ט עם כלל קווי הציר‪/‬סגמ‪‬טים‬
‫במערכת ה‪‬בדקת‪ .‬מדד ‪‬וסף‪ ,‬הוא מדד הבחירה )‪ .(Choice‬מדד זה מבטא את הסבירות שקו‬
‫ציר‪/‬סגמ‪‬ט מסוים ישמש לצורך מעבר בין כל ש‪‬י קווי ציר‪/‬סגמ‪‬טים אחרים בעיר בדרך הקצרה‬
‫ביותר‪ ,‬דהיי‪‬ו "עד כמה עוברים דרכו"‪ .‬ערך המדד מחושב על פי מידת הימצאותו של קו ציר או‬
‫סגמ‪‬ט על גבי המסלולים הקצרים ביותר במערכת‪ .‬מדד האי‪‬טגרציה ומדד הבחירה הם מדדים‬
‫ש‪‬ית‪‬ים לחישוב גלובלי‪ ,‬וכן לחישובים מקומיים ברדיוסים שו‪‬ים של מרחק טופולוגי או מטרי‬
‫‪18‬‬
‫)כלומר במרחק של עד מספר פ‪‬יות מהקו‪/‬סגמ‪‬ט )למשל רדיוס של ‪ 3‬פ‪‬יות‪ (r=3 ,‬ה‪‬בדק או‬
‫ברדיוס של ‪ 500‬מ' מהם ‪.(r= 500‬‬
‫ב‪‬יית מפת קווי ציר וחישוב המדדים ‪‬עשו באמצעות תוכ‪‬ת ‪.(UCL , v.10.15) Depthmap‬‬
‫חישוב ערכי המדדים מופו באמצעות תוכ‪‬ת ממ"ג )‪.ArcMap (ver. 10.0‬‬
‫‪ .4.5‬ב‪‬יית מודלים לחיזוי ‪‬פח ת‪‬ועת הולכי רגל וכלי רכב‬
‫ב‪‬יית מודלים לחיזוי ‪‬פח ת‪‬ועה הסתמכה על רגרסיות לי‪‬אריות רבות משת‪‬ים‪ .‬בכל מודל‬
‫רגרסיה‪ ,‬המשת‪‬ים התלויים הם ‪‬פחי ת‪‬ועת הולכי הרגל וכלי רכב הממוצעת במקטע רחוב‬
‫)סגמ‪‬ט( במשך שעה‪ ,‬בעוד שהמשת‪‬ים הבלתי תלויים ‪‬חלקים לשלוש קטגוריות‪ (1) :‬משת‪‬ים‬
‫מרחביים המייצגים את תכו‪‬ות המרכזיות של מקטע רחוב ברשת הדרכים כדוגמת דרגת‬
‫קישוריות‪ ,‬אי‪‬טגרציה מקומית וגלובלית בשיטות חישוב שו‪‬ות וברדיוס התייחסות; )‪ (2‬משת‪‬ים‬
‫המייצגים את שימושי הקרקע הממוקמים במקטע‪ ,‬ו‪ (3)-‬משת‪‬ים המייצגים דמוגרפיה‪ .‬מודלים‬
‫אלה שימשו להערכת ‪‬פח ת‪‬ועת הולכי רגל וכלי רכב‪.‬‬
‫‪ .4.6‬חקירת היחס בין ‪‬פח ת‪‬ועת הולכי רגל וכלי רכב לתאו‪‬ות דרכים‬
‫החקירה התבצעה באמצעות ‪‬יתוח סטטיסטי ומיפוי משווה )באמצעות מערכת ‪ (GIS‬של ‪‬פח‬
‫ת‪‬ועה מצד אחד ושל תאו‪‬ות דרכים מצד ש‪‬י‪ .‬במסגרת חקירה זו ‪‬עשה ‪‬יסיון לברר כיצד כמות‬
‫וסוג תאו‪‬ות הדרכים קשורים ל‪‬פח ת‪‬ועת הולכי רגל ומ‪‬פח ת‪‬ועת כלי רכב‪ ,‬ומהיחס בין ש‪‬י סוגי‬
‫‪‬פחי ת‪‬ועות אלה‪ .‬על סמך בחי‪‬ה זו מופו רמות סיכון לתאו‪‬ות דרכים וזוהו אזורי סיכון ו‪‬קודות‬
‫תורפה‪.‬‬
‫‪ .5‬ממצאים‬
‫‪ .5.1‬בחי‪‬ת הקשר בין ‪‬פחי ת‪‬ועת כלי רכב והולכי רגל לבין ותאו‪‬ות דרכים בערים‬
‫‪.5.1.1‬‬
‫כללי‬
‫בשלב ה‪‬וכחי של המחקר ‪‬בחן הקשר בין ‪‬פח ת‪‬ועת הולכי הרגל ו‪‬פח ת‪‬ועת כלי הרכב שחושבו‬
‫באמצעות מודלים לחיזוי ‪‬פח ת‪‬ועה‪ 2‬לבין מספר תאו‪‬ות הדרכים‪ ,‬באזורים העירו‪‬יים ש‪‬בחרו‬
‫‪2‬‬
‫רמת ההסבר )‪ (R2‬של המודלים של הולכי רגל וכלי רגל וכלי רכב בכל אחד מהאזורים היא בהתאמה כדלקמן‪:‬‬
‫באשדוד ‪ 0.99‬ו‪ ;0.98-‬בבת ים ‪ 0.79‬ו‪ ;0.87-‬בפלור‪‬טין – תל אביב ‪ 0.68‬ו‪ ;0.73-‬באבן גבירול – תל אביב ‪ 0.86‬ו‪;0.86-‬‬
‫במע"ר – תל אביב ‪ 0.84‬ו‪ ;0.86-‬ובכפר סבא ‪ 0.54‬ו‪.0.89-‬‬
‫‪19‬‬
‫למחקר‪ .‬הקשר ‪‬בחן באמצעות התאמת מודל מסביר לתאו‪‬ות הדרכים‪ ,‬כאשר בין המשת‪‬ים‬
‫המסבירים במודל היו‪:‬‬
‫)א( אומד‪‬ים של ‪‬פחי הת‪‬ועה‪:‬‬
‫‪ - VMValue‬פח ת‪‬ועת כלי רכב‪ ,‬בשעה‪.‬‬
‫‪ - PMValue‬פח ת‪‬ועת הולכי רגל‪ ,‬בשעה‪.‬‬
‫)ב( מדד ‪‬וכחות של חזית מסחרית במקטע רחוב )‪ (ComFront, TotComm‬המקבל ערכים כלהלן‪0 :‬‬
‫ אין‪ – 1 ,‬צד אחד‪ – 2 ,‬ש‪‬י הצדדים‪.‬‬‫)ג( אומדן לאורך מקטע רחוב‪:‬‬
‫‪ - PSegLen‬אורך מקטע במפת הולכי הרגל‪.‬‬
‫‪ - VSegLen‬אורך מקטע במפת כלי הרכב‪.‬‬
‫מכיוון שש‪‬י משת‪‬י אורך מקטע הרחוב מתארים את אותו המאפיין‪ ,‬כאשר ערכיהם לא תמיד‬
‫זהים‪ ,‬בהתאמת המודלים שימש אחד מש‪‬י האומד‪‬ים‪.‬‬
‫‪‬תו‪‬י תאו‪‬ות הדרכים המשמשים ל‪‬יתוח‪ ,‬גזרו מקבצי "ת"ד" של הלמ"ס‪ ,‬עבור חמש ש‪‬ים‪,‬‬
‫‪) 2008-2012‬כמפורט בסעיף ‪ .(4.3‬לכל מקטע רחוב‪ ,‬מספרי תאו‪‬ות דרכים ‪‬גזרו לפי שמו‪‬ה‬
‫קטגוריות שהן‪:‬‬
‫סה"כ‬
‫תאו‪‬ות‬
‫קטע‬
‫‪MidSec‬‬
‫סה"כ‬
‫תאו‪‬ות‬
‫צומת‬
‫‪InterSec‬‬
‫תאו‪‬ות‬
‫חמורות ‪-‬‬
‫קטע‬
‫‪MidHard‬‬
‫תאו‪‬ות‬
‫חמורות‪-‬‬
‫צומת‬
‫‪IntHard‬‬
‫תאו‪‬ות‬
‫הולכי רגל ‪-‬‬
‫קטע‬
‫‪MidPed‬‬
‫תאו‪‬ות‬
‫הולכי רגל‬
‫ צומת‬‫‪IntPed‬‬
‫תאו‪‬ות עם‬
‫כלי רכב ‪-‬‬
‫קטע‬
‫‪MidVeh‬‬
‫תאו‪‬ות עם‬
‫כלי רכב ‪-‬‬
‫צומת‬
‫‪IntVeh‬‬
‫עם זאת‪ ,‬בהגדרת מקטעי הרחובות של כל אזור עירו‪‬י לא ‪‬עשתה הבח‪‬ה בין קטע רחוב וצומת‪,‬‬
‫במובן התחבורתי‪ ,‬כאשר לכל מקטע יוחסו תאו‪‬ות צומת ותאו‪‬ות קטע‪ .‬לכן‪ ,‬ה‪‬יתוח ה‪‬וכחי‬
‫התייחס לסך התאו‪‬ות ש‪‬רשמו בכל מקטע רחוב המהווה סכימה של תאו‪‬ות צומת ותאו‪‬ות קטע‪.‬‬
‫מכאן‪ ,‬ב‪‬יתוח הותאמו מודלים ל‪ 4-‬סוגי תאו‪‬ות שהם‪:‬‬
‫סך התאו‪‬ות תאו‪‬ות חמורות תאו‪‬ות הולכי רגל תאו‪‬ות כלי רכב‬
‫‪AccVeh‬‬
‫‪AccPed‬‬
‫‪AccHard‬‬
‫‪Acctot‬‬
‫עבור כל אזור עירו‪‬י‪ ,‬התקבל בסיס ‪‬תו‪‬ים הכולל מאות רשומות‪ ,‬כאשר כל רשומה מציגה מקטע‬
‫רחוב‪ .‬השורות עם פרמטר ‪ "-1"=Vref‬ייצגו מקטעי רחובות ללא ת‪‬ועת כלי רכב ולכן‪ ,‬ללא סיכוי‬
‫לתאו‪‬ות דרכים; שורות אלה הוסרו מבסיסי ה‪‬תו‪‬ים של האזורים‪ .‬כתוצאה‪ ,‬מספרי המקטעים‬
‫ש‪‬ותרו ל‪‬יתוח‪ ,‬בכל אזור‪ ,‬היו כלהלן‪:‬‬
‫‪ (1‬אשדוד ‪,213 -‬‬
‫‪ (2‬בת ים ‪,674 -‬‬
‫‪ (3‬תל אביב‪-‬פלור‪‬טין ‪,541 -‬‬
‫‪ (4‬תל אביב‪-‬אבן גבירול ‪,453 -‬‬
‫‪ (5‬תל אביב‪-‬מרכז עיר )מע"ר( ‪,580 -‬‬
‫‪ (6‬כפר סבא ‪.243 -‬‬
‫‪20‬‬
‫בכל אזור‪ ,‬שיטת ה‪‬יתוח כללה ‪ 3‬שלבים כמתואר להלן‪:‬‬
‫)‪ (1‬בחי‪‬ת סטטיסטיקה תיאורית של ה‪‬תו‪‬ים העומדים ל‪‬יתוח והסרת תצפיות חריגות‪.‬‬
‫)‪ (2‬בחי‪‬ת צורת הקשר בין המשת‪‬ים המסבירים )‪‬פחי הת‪‬ועה‪ ,‬אורך המקטע( ומשת‪‬ה התוצאה‪,‬‬
‫בעזרת מודל אי‪-‬פרמטרי‪ .‬בשלב זה‪ ,‬מודל מסוג ‪ (generalized additive models) GAM‬מותאם‬
‫ל‪‬תו‪‬ים‪ ,‬תוך כדי שימוש בספרית ‪ .R mgcv‬המודל מתאים פו‪‬קציה חלקה למשת‪‬ה התלוי‪,‬‬
‫בה‪‬חת התפלגות בי‪‬ו‪‬ית שלילית עבור התאו‪‬ות‪ .‬הפו‪‬קציה מקשרת בין לוגריתם מספר התאו‪‬ות‬
‫הצפוי לבין לוגריתם אומדן ‪‬פח הת‪‬ועה‪/‬אורך המקטע‪ .‬להצגה הויזואלית של הקשר משמשת‬
‫פו‪‬קצית ‪ plot.gam‬של ספרית ‪.R mgcv‬‬
‫מטרת שלב זה הי‪‬ה לבחון את צורה הקשר בין המשת‪‬ה המסביר והתאו‪‬ות‪ :‬האם קיימת תלות‬
‫כלשהי בין ש‪‬י המשת‪‬ים‪ ,‬האם הקשר הוא מו‪‬וטו‪‬י או קיים צורך ב"שבירה" ‪ -‬קשר לי‪‬יארי‬
‫למקוטעין המצביע על שיפוע שו‪‬ה בטווחים השו‪‬ים של המשת‪‬ה המסביר )כגון‪ :‬פח הת‪‬ועה(‪.‬‬
‫צורות הקשר שזוהו משמשות בהמשך להתאמת המודלים הפרמטריים‪.‬‬
‫)‪ (3‬בשלב השלישי‪ ,‬מותאם המודל הפרמטרי‪ .‬להתאמת המודל משמשת פו‪‬קצית ‪glm.nb‬‬
‫מספריית ‪ .MASS R‬המודל שהותאם הי‪‬ו מודל רגרסיה‪ ,‬עם התפלגות בי‪‬ומית שלילית עבור‬
‫אירועי התאו‪‬ות )המשת‪‬ה המוסבר( וקשר לוגריתמי בין המשת‪‬ים המסבירים והמשת‪‬ה‬
‫המוסבר )המודל מ‪‬בא את לוג מספר התאו‪‬ות(‪ .‬צורת המודל שהותאם ל‪‬תו‪‬ים הי‪‬ה‪:‬‬
‫] ‪ln E {ACC } = ∑ [β i xi‬‬
‫כאשר‪:‬‬
‫}‪ – E{ACC‬תוחלת מספר התאו‪‬ות הצפוי במקטע‪ ,‬ב‪ 5-‬ש‪‬ים;‬
‫‪ – xi‬מאפיי‪‬י המקטעים )המשת‪‬ים המסבירים(;‬
‫‪ – βi‬מקדמי המודל‪.‬‬
‫מכאן‪ ,‬מספר התאו‪‬ות הצפוי במקטע מוערך כלהלן‪:‬‬
‫] ‪∑ [β x‬‬
‫‪i‬‬
‫‪i‬‬
‫‪E {ACC } = exp‬‬
‫‪ .5.1.2‬יתוח ‪‬תו‪‬י אשדוד‬
‫)‪ (1‬סטטיסטיקה תיאורית‬
‫עבור אזור אשדוד ‪ -‬שכו‪‬ה א'‪ ,‬ותחו ‪ 211‬מקטעי רחובות )הוסרו ‪ 2‬תצפיות עם אורך קטע השווה‬
‫לאפס ‪ .(0=VSegLen‬מצאה קורלציה גבוהה בין ערכי המשת‪‬ים ‪ PSegLen‬ו‪,(92%) VSegLen -‬‬
‫לכן‪ ,‬בפיתוח המודלים ‪‬עשה שימוש במשת‪‬ה ‪.VSegLen‬‬
‫טבלה ‪ 5.1.1‬מציגה סטטיסטיקה תיאורית של ‪‬תו‪‬י אשדוד‪ .‬יתן לראות כי תאו‪‬ות הדרכים‬
‫‪‬רשמו ב‪ 27 ,14 ,50-‬ו‪ 47-‬מקטעי הרחובות‪ ,‬כאשר מדובר בסך התאו‪‬ות עם ‪‬פגעים‪ ,‬התאו‪‬ות‬
‫החמורות‪ ,‬תאו‪‬ות הולכי רגל ותאו‪‬ות רכב‪ ,‬בהתאמה‪ .‬הערכים של ‪‬פחי ת‪‬ועה עבור מקטעי‬
‫המחקר‪ ,‬באשדוד‪ ,‬היו כלהלן‪:‬‬
‫‪21‬‬
‫‪‬פח ת‪‬ועת הולכי רגל )‪ (PMValue‬בטווח בין ‪ 56‬עד ‪ ,720‬עם ממוצע ‪;177‬‬
‫‪‬פח ת‪‬ועת כלי רכב )‪ (VMValue‬בטווח בין ‪ 14‬עד ‪ ,2720‬עם ממוצע ‪.361‬‬
‫‪ 5‬מקרים בהם ‪) Lg_VSegLen<=1‬עד ‪ 2.7‬מ'( הורדו מה‪‬תו‪‬ים‪.‬‬
‫טבלה ‪ :5.1.1‬סטטיסטיקה תיאורית של ‪‬תו‪‬י אשדוד ‪ -‬שכו‪‬ה א'‬
‫משמעות המשתנה‬
‫סך התאונות עם נפגעים‬
‫תאונות חמורות‬
‫תאונות הולכי רגל‬
‫תאונות עם כלי רכב‬
‫מספר מקטעים עם סך התאונות עם נפגעים‬
‫מספר מקטעים עם תאונות חמורות‬
‫מספר מקטעים עם תאונות הולכי רגל‬
‫מספר מקטעים עם תאונות כלי רכב‬
‫נפח תנועת הולכי רגל‬
‫נפח תנועת כלי רכב‬
‫אורך מקטע‬
‫משתנה‬
‫‪Acctot‬‬
‫‪AccHard‬‬
‫‪AccPed‬‬
‫‪AccVeh‬‬
‫‪I_Acctot‬‬
‫‪I_AccHard‬‬
‫‪I_AccPed‬‬
‫‪I_AccVeh‬‬
‫‪PMValue‬‬
‫‪VMValue‬‬
‫‪VSegLen‬‬
‫‪N‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪211‬‬
‫‪Sum‬‬
‫‪219‬‬
‫‪17‬‬
‫‪47‬‬
‫‪172‬‬
‫‪50‬‬
‫‪14‬‬
‫‪27‬‬
‫‪47‬‬
‫‪37449‬‬
‫‪76215‬‬
‫‪17727‬‬
‫‪Mean‬‬
‫‪1.0‬‬
‫‪0.1‬‬
‫‪0.2‬‬
‫‪0.8‬‬
‫‪0.2‬‬
‫‪0.1‬‬
‫‪0.1‬‬
‫‪0.2‬‬
‫‪177.5‬‬
‫‪361.2‬‬
‫‪84.0‬‬
‫‪Std Dev‬‬
‫‪2.9‬‬
‫‪0.3‬‬
‫‪0.7‬‬
‫‪2.4‬‬
‫‪0.4‬‬
‫‪0.2‬‬
‫‪0.3‬‬
‫‪0.4‬‬
‫‪149.3‬‬
‫‪479.5‬‬
‫‪80.9‬‬
‫‪Minimum‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪56‬‬
‫‪14‬‬
‫‪1‬‬
‫‪Maximum‬‬
‫‪16‬‬
‫‪3‬‬
‫‪4‬‬
‫‪13‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪720‬‬
‫‪2720‬‬
‫‪448‬‬
‫עבור המאפיין של החזית המסחרית )‪ ,(ComFront‬המצב "‪ "2‬היה ‪‬דיר )‪ 12‬מקרים בלבד או ‪5.7%‬‬
‫מהמקטעים(‪ ,‬כאשר רוב המקטעים )‪ 167‬או ‪ (79%‬הם ללא חזית מסחרית‪ .‬לכן‪ ,‬עבור משת‪‬ה זה‬
‫‪‬וצר משת‪‬ה דיכוטומי ‪ ,I_ComFront‬עם ערכים‪ - 0 :‬אין‪ - 1 ,‬יש חזית מסחרית ברחוב‪.‬‬
‫)‪ (2‬בחי‪‬ת צורת הקשר בין המסבירים והתאו‪‬ות‬
‫איור ‪ ,5.1.1‬א'‪-‬ד'‪ ,‬מציג את צורת הקשר בן המשת‪‬ים המסבירים )‪‬פחי הת‪‬ועה‪ ,‬אורך המקטע(‬
‫לבין התאו‪‬ות‪ ,‬לפי ‪ 4‬סוגי התאו‪‬ות ה‪‬בח‪‬ים‪ .‬בעקבות הבדיקה האי‪-‬פרמטרית עבור כל אחד‬
‫מסוגי התאו‪‬ות ‪‬מצא קשר מובהק עם המשת‪‬ה של ‪‬פח ת‪‬ועת כלי רכב‪ ,‬כאשר עבור המשת‪‬ים‬
‫של ‪‬פח ת‪‬ועת הולכי הרגל ואורך המקטע לא ‪‬מצאה השפעה על תאו‪‬ות‪ .‬מכאן‪ ,‬המודלים‬
‫הפרמטריים הותאמו ל‪‬תו‪‬י אשדוד עם ש‪‬י מאפיי‪‬ים בלבד שהם‪ :‬פח ת‪‬ועת כלי רכב וחזית‬
‫מסחרית‪.‬‬
‫)‪ (3‬המודלים המסבירים‬
‫טבלה ‪ 5.1.2‬מציגה את המודלים המסבירים שהותאמו ל‪‬תו‪‬י אשדוד‪ ,‬לפי סוגי התאו‪‬ות‪ .‬רמת‬
‫השו‪‬ות המוסברת ע"י המודלים הי‪‬ה כלהלן‪ 34.1% :‬עבור סך התאו‪‬ות‪ 20.5% ,‬עבור התאו‪‬ות‬
‫החמורות‪ 31.3% ,‬עבור תאו‪‬ות הולכי רגל‪ 31.9% ,‬עבור תאו‪‬ות כלי רכב‪.‬‬
‫בכל מודל‪ ,‬מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת כלי רכב‪ ,‬כאשר קצב העלייה מתמתן ב‪‬פח‬
‫ת‪‬ועה גבוה יותר ‪ -‬מעל ‪ 400‬כלי רכב בשעה‪ .‬השפעת ‪‬פח הת‪‬ועה מובהקת על כל סוגי התאו‪‬ות‪.‬‬
‫‪‬וכחות חזית מסחרית מעלה את כל סוגי התאו‪‬ות במקטע רחוב‪ ,‬עם השפעה חלשה יותר על‬
‫תאו‪‬ות רכב; בכל המודלים‪ ,‬השפעת משת‪‬ה זה אי‪‬ה מובהקת‪.‬‬
‫‪22‬‬
4.5
5.0
5.5
6.0
-2 0 2
-6
s(Lg_VMValue,2.31)
-2 0 2
s(Lg_PMValue,0)
-6
4.0
6.5
3
4
5
6
7
8
-2 0 2
Lg_VMValue
-6
s(Lg_VSegLen,0)
Lg_PMValue
1
2
3
4
5
6
Lg_VSegLen
4.0
4.5
5.0
5.5
6.0
2
0
-4 -2
s(Lg_VMValue,1.7)
2
0
-4 -2
s(Lg_PMValue,0)
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
6.5
3
4
5
6
7
8
0
2
Lg_VMValue
-4 -2
s(Lg_VSegLen,0.43)
Lg_PMValue
1
2
3
4
5
6
Lg_VSegLen
4.0
4.5
5.0
5.5
6.0
6.5
2
-2 0
-6
s(Lg_VMValue,2.2)
2
-2 0
-6
s(Lg_PMValue,0.66)
‫ות חמורות‬‫ב – תאו‬
3
2
-2 0
1
2
3
4
4
5
Lg_VMValue
-6
s(Lg_VSegLen,0)
Lg_PMValue
5
6
Lg_VSegLen
‫ות הולכי רגל‬‫ג – תאו‬
23
6
7
8
4.5
5.0
5.5
6.0
6.5
2
-2 0
-6
s(Lg_VMValue,2.32)
2
-2 0
s(Lg_PMValue,0)
-6
4.0
3
4
5
6
7
8
-2 0 2
Lg_VMValue
-6
s(Lg_VSegLen,0.04)
Lg_PMValue
1
2
3
4
5
6
Lg_VSegLen
‫ות כלי רכב‬‫ד – תאו‬
;‫ועת הולכי רגל‬‫פח ת‬ ‫ – לוגריתם‬Lg_PMValue ;‫ועת כלי רכב‬‫פח ת‬ ‫ – לוגריתם‬Lg_VMValue :‫הערות‬
‫ה המסביר‬‫קציה החלקה לביטוי הקשר בין המשת‬‫ הפו‬- ‫כי‬‫ – לוגריתם אורך המקטע; בציר הא‬Lg_VsegLen
.‫ה תלוי‬‫ עם לוגריתם של משת‬,‫ות‬‫ותאו‬
‫ועה ואורך מקטע‬‫פחי הת‬ ‫קציות החלקות שהותאמו לקשר בין‬‫ הפו‬: 5.1.1 ‫איור‬
‫ באשדוד‬,‫ות במקטעים‬‫לבי ן מספרי התאו‬
‫ באשדוד‬,‫ות במקטעי רחובות‬‫ מודלים לחיזוי תאו‬:5.1.2 ‫טבלה‬
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
(Intercept)
Lg_VMValue
I((Lg_VMValue >= 6) * (Lg_VMValue - 6))
as.factor(I_ComFront)1
Estimate Std. Error t value Pr(>|t|)
-9.3635
1.8003 -5.201 4.84e-07
1.6883
0.3361
5.023 1.12e-06
-1.5102
0.6248 -2.417
0.0165
0.2366
0.3871
0.611
0.5418
(Dispersion parameter 1.946728)
‫ות חמורות‬‫ב – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-12.4666
4.2550 -2.930 0.00378
Lg_VMValue
1.8212
0.7702
2.364 0.01900
I((Lg_VMValue >= 6) * (Lg_VMValue - 6)) -2.2074
1.3109 -1.684 0.09375
as.factor(I_ComFront)1
0.3209
0.6897
0.465 0.64223
(Dispersion parameter 1.261439)
‫ות הולכי רגל‬‫ג – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-11.4683
2.5172 -4.556 9.02e-06
Lg_VMValue
1.7521
0.4554
3.848 0.00016
I((Lg_VMValue >= 6) * (Lg_VMValue - 6)) -1.3842
0.7343 -1.885 0.06086
as.factor(I_ComFront)1
0.5476
0.4157
1.317 0.18922
(Dispersion parameter 0.9256925)
‫ות כלי רכב‬‫ד – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-9.26729
1.86365 -4.973 1.41e-06
Lg_VMValue
1.64192
0.34765
4.723 4.35e-06
I((Lg_VMValue >= 6) * (Lg_VMValue - 6)) -1.52584
0.64170 -2.378
0.0183
as.factor(I_ComFront)1
0.03952
0.40486
0.098
0.9223
(Dispersion parameter 1.856568)
:‫ה‬‫הצורה המתמטית של המודלים המסבירים הי‬
Acctot = e -9.36 · VMValue 1.69 · e -1.51* I1* (lg_VMValue - 6) · eI
24
‫ות‬‫לסך התאו‬
‫כאשר‪ 0.237=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 6‬‬
‫‪ 0=I1‬אחרת;‬
‫לתאו‪‬ות החמורות‬
‫‪AccHard = e -12.47 · VMValue 1.82 · e -2.21* I1* (lg_VMValue - 6) · eI‬‬
‫כאשר‪ 0.321=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 6‬‬
‫‪ 0=I1‬אחרת;‬
‫לתאו‪‬ות הולכי רגל‬
‫‪AccPed = e -11.47 · VMValue 1.75 · e -1.38* I1* (lg_VMValue - 6) · eI‬‬
‫כאשר‪ 0.548=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 6‬‬
‫‪ 0=I1‬אחרת;‬
‫לתאו‪‬ות כלי רכב‬
‫‪AccVeh = e -9.27 · VMValue 1.64 · e -1.53* I1* (lg_VMValue - 6) · eI‬‬
‫כאשר‪ 0.040=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 6‬‬
‫‪ 0=I1‬אחרת‪.‬‬
‫המשת‪‬ים במודלים הם‪:‬‬
‫‪ – Acctot‬סך התאו‪‬ות במקטע רחוב;‬
‫‪ – AccHard‬מספר תאו‪‬ות חמורות במקטע רחוב;‬
‫‪ – AccPed‬מספר תאו‪‬ות הולכי רגל במקטע רחוב;‬
‫‪ – AccVeh‬מספר תאו‪‬ות כלי רכב במקטע רחוב;‬
‫‪ – VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח ת‪‬ועת כלי הרכב‪.‬‬
‫סיכום‬
‫על סמך ‪‬תו‪‬י אשדוד ‪ -‬שכו‪‬ה א'‪ ,‬ב‪‬ו מודלים מסבירים לקשר בין ‪‬פח ת‪‬ועת כלי הרכב וקיום‬
‫החזית המסחרית‪ ,‬במקטע רחוב‪ ,‬לבין תאו‪‬ות הדרכים‪ ,‬מ‪ 4-‬סוגים‪ .‬כל המודלים מראים קשר‬
‫ישיר בין עליה ב‪‬פח ת‪‬ועת כלי הרכב לבין עליה בתאו‪‬ות‪ ,‬כאשר השפעת ‪‬פח הת‪‬ועה על תאו‪‬ות‬
‫יורדת ב‪‬פח ת‪‬ועה גבוה יותר‪ ,‬מעל ‪ 400‬כלי רכב בשעה‪.‬‬
‫משת‪‬ה מסביר ‪‬וסף במודל הי‪‬ו קיום חזית מסחרית ברחוב‪ ,‬כאשר מספר התאו‪‬ות עולה‬
‫ב‪‬וכחות החזית המסחרית‪ ,‬לעומת המצב ללא החזית המסחרית )אם כי‪ ,‬משת‪‬ה זה אי‪‬ו מובהק(‪.‬‬
‫‪ .5.1.3‬יתוח ‪‬תו‪‬י בת ים‬
‫)‪ (1‬סטטיסטיקה תיאורית‬
‫עבור אזור בת ים ‪ -‬מרכז העיר‪ ,‬ותחו ‪ 673‬מקטעי רחובות )הוסר מקרה ‪ 1‬עם אורך קטע השווה‬
‫לאפס ‪ .(0=VSegLen‬מצאה קורלציה גבוהה בין ערכי המשת‪‬ים ‪ PSegLen‬ו‪,(71%) VSegLen -‬‬
‫לכן‪ ,‬בפיתוח המודלים ‪‬עשה שימוש במשת‪‬ה ‪.VSegLen‬‬
‫טבלה ‪ 5.1.3‬מציגה סטטיסטיקה תיאורית של ‪‬תו‪‬י בת ים‪ .‬תאו‪‬ות הדרכים ‪‬רשמו ב‪,77 ,301-‬‬
‫‪ 219‬ו‪ 254-‬מקטעי הרחובות‪ ,‬לפי הסוגים של סך התאו‪‬ות עם ‪‬פגעים‪ ,‬התאו‪‬ות החמורות‪ ,‬תאו‪‬ות‬
‫‪25‬‬
‫הולכי רגל ותאו‪‬ות רכב‪ ,‬בהתאמה‪ .‬הערכים של ‪‬פחי ת‪‬ועה עבור מקטעי המחקר‪ ,‬בבת ים‪ ,‬היו‬
‫כלהלן‪:‬‬
‫‪‬פח ת‪‬ועת הולכי רגל )‪ (PMValue‬בטווח בין ‪ 9‬עד ‪ ,2141‬עם ממוצע ‪;286‬‬
‫‪‬פח ת‪‬ועת כלי רכב )‪ (VMValue‬בטווח בין ‪ 1‬עד ‪ ,3870‬עם ממוצע ‪.621‬‬
‫‪ 11‬מקרים בהם ‪) Lg_VSegLen<=0.5‬אורך עד ‪ 1.6‬מ'( הורדו מה‪‬תו‪‬ים‪ .‬בדומה לאזורים‬
‫האחרים‪ ,‬עבור המאפיין של החזית המסחרית בבת ים‪ ,‬הוגדר משת‪‬ה דיכוטומי ‪ ,I_ComFront‬עם‬
‫ש‪‬י ערכים‪ - 0 :‬אין )‪ - 1 ,(69%‬יש חזית מסחרית ברחוב )‪.(31%‬‬
‫טבלה ‪ :5.1.3‬סטטיסטיקה תיאורית של ‪‬תו‪‬י בת ים ‪ -‬מרכז העיר‬
‫משמעות המשתנה‬
‫סך התאונות עם נפגעים‬
‫תאונות חמורות‬
‫תאונות הולכי רגל‬
‫תאונות עם כלי רכב‬
‫מספר מקטעים עם סך התאונות עם‬
‫נפגעים‬
‫מספר מקטעים עם תאונות חמורות‬
‫מספר מקטעים עם תאונות הולכי רגל‬
‫מספר מקטעים עם תאונות כלי רכב‬
‫נפח תנועת הולכי רגל‬
‫נפח תנועת כלי רכב‬
‫אורך מקטע במפת כלי רכב‬
‫אורך מקטע במפת הולכי רגל‬
‫משתנה‬
‫‪Minimum‬‬
‫‪Maximum‬‬
‫‪N‬‬
‫‪Sum‬‬
‫‪Mean‬‬
‫‪Acctot‬‬
‫‪AccHard‬‬
‫‪AccPed‬‬
‫‪AccVeh‬‬
‫‪I_Acctot‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪1651‬‬
‫‪120‬‬
‫‪583‬‬
‫‪1068‬‬
‫‪301‬‬
‫‪2.5‬‬
‫‪0.2‬‬
‫‪0.9‬‬
‫‪1.6‬‬
‫‪0.4‬‬
‫‪Std‬‬
‫‪Dev‬‬
‫‪4.4‬‬
‫‪0.6‬‬
‫‪1.7‬‬
‫‪3.4‬‬
‫‪0.5‬‬
‫‪28‬‬
‫‪4‬‬
‫‪9‬‬
‫‪25‬‬
‫‪1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪2141‬‬
‫‪3870‬‬
‫‪404‬‬
‫‪242‬‬
‫‪I_AccHard‬‬
‫‪I_AccPed‬‬
‫‪I_AccVeh‬‬
‫‪PMValue‬‬
‫‪VMValue‬‬
‫‪VSegLen‬‬
‫‪PSegLen‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪673‬‬
‫‪77‬‬
‫‪219‬‬
‫‪254‬‬
‫‪192538‬‬
‫‪418166‬‬
‫‪53547‬‬
‫‪42962‬‬
‫‪0.1‬‬
‫‪0.3‬‬
‫‪0.4‬‬
‫‪286.1‬‬
‫‪621.3‬‬
‫‪79.6‬‬
‫‪63.8‬‬
‫‪0.3‬‬
‫‪0.5‬‬
‫‪0.5‬‬
‫‪274.2‬‬
‫‪659.8‬‬
‫‪66.0‬‬
‫‪48.8‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪9‬‬
‫‪1‬‬
‫‪1‬‬
‫‪0‬‬
‫)‪ (2‬בחי‪‬ת צורת הקשר בין המסבירים והתאו‪‬ות‬
‫איור ‪ ,5.1.2‬א'‪-‬ד'‪ ,‬מציג את צורת הקשר בן המשת‪‬ים המסבירים )‪‬פחי הת‪‬ועה‪ ,‬אורך המקטע(‬
‫לבין התאו‪‬ות‪ ,‬לפי ‪ 4‬סוגי התאו‪‬ות ה‪‬בח‪‬ים‪ .‬בעקבות הבדיקה האי‪-‬פרמטרית עבור רוב סוגי‬
‫התאו‪‬ות ‪‬מצא קשר מובהק עם המשת‪‬ים של ‪‬פח ת‪‬ועת כלי הרכב‪ ,‬פח ת‪‬ועת הולכי הרגל‬
‫ואורך המקטע‪ .‬לכן‪ ,‬המודלים הפרמטריים הותאמו ל‪‬תו‪‬י בת ים עם המאפיי‪‬ים הללו‪ ,‬בתוספת‬
‫מאפיין החזית המסחרית‪.‬‬
‫)‪ (3‬המודלים המסבירים‬
‫טבלה ‪ 5.1.4‬מציגה את המודלים המסבירים שהותאמו ל‪‬תו‪‬י בת ים‪ ,‬לפי סוגי התאו‪‬ות‪ .‬רמת‬
‫השו‪‬ות המוסברת ע"י המודלים הי‪‬ה כלהלן‪ 23.9% :‬עבור סך התאו‪‬ות‪ 20.5% ,‬עבור התאו‪‬ות‬
‫החמורות‪ 26.4% ,‬עבור תאו‪‬ות הולכי רגל‪ 19.2% ,‬עבור תאו‪‬ות כלי רכב‪.‬‬
‫במודל לסך התאו‪‬ות ותאו‪‬ות הולכי רגל‪ ,‬מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת כלי הרכב‪,‬‬
‫ב‪‬פח ת‪‬ועת הולכי הרגל ובאורך המקטע‪ .‬במודל לסך התאו‪‬ות‪ ,‬קצב העלייה בתאו‪‬ות מתמתן‬
‫ב‪‬פח ת‪‬ועה גבוה יותר של הולכי הרגל‪ ,‬מעל ‪ 330‬הולכי רגל בשעה‪.‬‬
‫במודל לתאו‪‬ות כלי רכב‪ ,‬מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת כלי הרכב ועם עליה ב‪‬פח‬
‫ת‪‬ועת הולכי הרגל‪ ,‬כאשר קצב העלייה בתאו‪‬ות מתמתן ב‪‬פח ת‪‬ועה גבוה יותר של הולכי הרגל‪,‬‬
‫מעל ‪ 300‬הולכי רגל בשעה‪ .‬אורך המקטע אי‪‬ו משפיע על תאו‪‬ות רכב‪.‬‬
‫מספר התאו‪‬ות החמורות עולה עם עליה ב‪‬פח ת‪‬ועת הולכי הרגל וגם עם עליה ב‪‬פח ת‪‬ועת כלי‬
‫הרכב‪ ,‬בת‪‬אים כאשר ‪‬פח הת‪‬ועה עולה על ‪ 55‬כלי רכב בשעה; ב‪‬פח ת‪‬ועה ‪‬מוך יותר‪ ,‬עד ‪ 55‬כלי‬
‫‪26‬‬
‫רכב בשעה‪ ,‬העלייה ב‪‬פח הת‪‬ועה מזוהה עם מגמת ירידה בתאו‪‬ות‪ .‬אורך המקטע אי‪‬ו משפיע על‬
‫התאו‪‬ות החמורות‪.‬‬
‫‪‬וכחות החזית המסחרית ברחוב מעלה את כל סוגי התאו‪‬ות‪ .‬השפעות ‪‬פחי הת‪‬ועה מובהקות על‬
‫כל סוגי התאו‪‬ות‪ ,‬כאשר ההשפעות של אורך המקטע ושל ‪‬וכחות החזית המסחרית‪ ,‬לרוב‪ ,‬אי‪‬ן‬
‫מובהקות‪.‬‬
‫‪-1 0 1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,0.98‬‬
‫‪-1 0 1‬‬
‫‪-3‬‬
‫‪8‬‬
‫‪7‬‬
‫‪5‬‬
‫‪Lg_VMValue‬‬
‫‪3‬‬
‫)‪s(Lg_PMValue,1.95‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪0‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪Lg_PMValue‬‬
‫‪-1 0 1‬‬
‫‪-3‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫)‪s(Lg_VSegLen,0.76‬‬
‫‪5‬‬
‫‪3‬‬
‫‪1‬‬
‫‪Lg_VSegLen‬‬
‫א – סך התאו‪‬ות עם ‪‬פגעים‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,2.22‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪7‬‬
‫‪5‬‬
‫‪Lg_VMValue‬‬
‫‪3‬‬
‫)‪s(Lg_PMValue,0.43‬‬
‫‪8‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪0‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪Lg_PMValue‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫)‪s(Lg_VSegLen,0‬‬
‫‪5‬‬
‫‪3‬‬
‫‪1‬‬
‫‪Lg_VSegLen‬‬
‫ב – תאו‪‬ות חמורות‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,0.98‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪7‬‬
‫‪5‬‬
‫‪Lg_VMValue‬‬
‫‪3‬‬
‫)‪s(Lg_PMValue,0.92‬‬
‫‪8‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪0‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪Lg_PMValue‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫ג – תאו‪‬ות הולכי רגל‬
‫‪27‬‬
‫)‪s(Lg_VSegLen,0.62‬‬
‫‪6‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪Lg_VSegLen‬‬
‫‪2‬‬
‫‪1‬‬
3
4
5
6
7
1
-1 0
-3
s(Lg_VMValue,0.97)
1
-1 0
-3
s(Lg_PMValue,2.01)
2
0
2
4
6
8
-1 0
1
Lg_VMValue
-3
s(Lg_VSegLen,0.64)
Lg_PMValue
1
2
3
4
5
6
Lg_VSegLen
‫ות כלי רכב‬‫ד – תאו‬
;‫ועת הולכי רגל‬‫פח ת‬ ‫ – לוגריתם‬Lg_PMValue ;‫ועת כלי רכב‬‫פח ת‬ ‫ – לוגריתם‬Lg_VMValue :‫הערות‬
‫ה המסביר‬‫קציה החלקה לביטוי הקשר בין המשת‬‫ הפו‬- ‫כי‬‫ – לוגריתם אורך המקטע; בציר הא‬Lg_VsegLen
.‫ה תלוי‬‫ עם לוגריתם של משת‬,‫ות‬‫ותאו‬
‫ועה ואורך המקטע‬‫פחי הת‬ ‫קציות החלקות שהותאמו לקשר בין‬‫ הפו‬: 5.1.2 ‫איור‬
‫ בבת ים‬,‫ות במקטעים‬‫לבי ן מספרי התאו‬
‫ מרכז העיר‬- ‫ בבת ים‬,‫ות במקטעי רחובות‬‫ מודלים לחיזוי תאו‬:5.1.4 ‫טבלה‬
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-5.28313
0.75901 -6.961 8.24e-12
Lg_PMValue
0.53206
0.16258
3.273 0.00112
I((Lg_PMValue >= 5.8) * (Lg_PMValue - 5.8)) -0.46032
0.31770 -1.449 0.14783
Lg_VMValue
0.44656
0.06789
6.577 9.79e-11
Lg_VSegLen
0.11778
0.07733
1.523 0.12824
as.factor(I_ComFront)1
0.19298
0.15732
1.227 0.22038
(Dispersion parameter 2.08)
‫ות חמורות‬‫ב – תאו‬
(Intercept)
Lg_PMValue
Lg_VMValue
I((Lg_VMValue >= 4) * (Lg_VMValue - 4))
as.factor(I_ComFront)1
Estimate Std. Error t value Pr(>|t|)
-3.5691
1.5180 -2.351
0.019
0.1793
0.1684
1.065
0.287
-0.3279
0.3855 -0.851
0.395
1.1346
0.4554
2.491
0.013
0.4459
0.2339
1.907
0.057
(Dispersion parameter 1.069)
‫ות הולכי רגל‬‫ג – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-5.98985
0.58472 -10.244 < 2e-16
Lg_PMValue
0.36659
0.11293
3.246 0.00123
Lg_VMValue
0.51988
0.07479
6.951 8.74e-12
Lg_VSegLen
0.11335
0.07917
1.432 0.15269
as.factor(I_ComFront)1 0.18542
0.15379
1.206 0.22838
(Dispersion parameter 1.316)
‫ות כלי רכב‬‫ד – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-5.37274
0.96221 -5.584 3.45e-08
Lg_PMValue
0.63717
0.19844
3.211 0.00139
I((Lg_PMValue >= 5.7) * (Lg_PMValue - 5.7)) -0.58753
0.36298 -1.619 0.10601
Lg_VMValue
0.38367
0.08065
4.757 2.42e-06
as.factor(I_ComFront)1
0.22686
0.18361
1.236 0.21705
(Dispersion parameter 2.528)
:‫ה‬‫הצורה המתמטית של המודלים המסבירים הי‬
28
‫לסך התאו‪‬ות‬
‫‪· VSegLen 0.118 · eI‬‬
‫‪0.45‬‬
‫‪· VMValue‬‬
‫)‪-0.46* I1* (lg_PMValue – 5.8‬‬
‫‪·e‬‬
‫‪0.532‬‬
‫‪· PMValue‬‬
‫‪-5.28‬‬
‫‪Acctot = e‬‬
‫כאשר‪ 0.193=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_PMValue >= 5.8‬‬
‫‪ 0=I1‬אחרת;‬
‫לתאו‪‬ות החמורות‬
‫‪AccHard = e -3.57 · PMValue 0.179 · VMValue -0.328 · e 1.135* I1* (lg_VMValue - 4) · eI‬‬
‫כאשר‪ 0.446=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 4‬‬
‫‪ 0=I1‬אחרת;‬
‫לתאו‪‬ות הולכי רגל‬
‫‪I‬‬
‫‪· VSegLen 0.113 · e‬‬
‫‪0.52‬‬
‫‪· PMValue 0.367 · VMValue‬‬
‫‪-5.99‬‬
‫‪AccPed = e‬‬
‫כאשר‪ 0.185=I :‬עבור מקטעים עם חזית מסחרית;‬
‫לתאו‪‬ות כלי רכב‬
‫‪AccVeh = e -5.37 · PMValue 0.637 · e -0.59* I1* (lg_PMValue – 5.7) · VMValue 0.384 · eI‬‬
‫כאשר‪ 0.227=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_PMValue >= 5.7‬‬
‫‪ 0=I1‬אחרת‪.‬‬
‫המשת‪‬ים במודלים הם‪:‬‬
‫‪ – Acctot‬סך התאו‪‬ות במקטע רחוב;‬
‫‪ – AccHard‬מספר תאו‪‬ות חמורות במקטע רחוב;‬
‫‪ – AccPed‬מספר תאו‪‬ות הולכי רגל במקטע רחוב;‬
‫‪ – AccVeh‬מספר תאו‪‬ות כלי רכב במקטע רחוב;‬
‫‪ – VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח ת‪‬ועת כלי הרכב;‬
‫‪ – PMValue‬פח ת‪‬ועת הולכי הרגל במקטע; ‪ - Lg_PMValue‬לוגריתם של ‪‬פח ת‪‬ועת הולכי‬
‫הרגל;‬
‫‪ – VSegLen‬אורך המקטע‪.‬‬
‫סיכום‬
‫על סמך ‪‬תו‪‬י בת ים ‪ -‬מרכז העיר‪ ,‬ב‪‬ו מודלים מסבירים לקשר בין ‪‬פח ת‪‬ועת כלי הרכב‪ ,‬פח‬
‫ת‪‬ועת הולכי הרגל‪ ,‬אורך המקטע וקיום החזית המסחרית לבין תאו‪‬ות הדרכים‪ ,‬מ‪ 4-‬סוגים‪ .‬כל‬
‫המודלים מראים קשר ישיר בין עליה ב‪‬פח ת‪‬ועת כלי הרכב או ב‪‬פח ת‪‬ועת הולכי הרגל לבין‬
‫עליה בתאו‪‬ות‪ .‬קצב העלייה בתאו‪‬ות עם עליה ב‪‬פח ת‪‬ועת הולכי רגל מתמתן‪ :‬במודל לסך‬
‫התאו‪‬ות‪ ,‬כאשר ‪‬פח הולכי הרגל עולה על ‪ 330‬הולכי רגל בשעה; במודל לתאו‪‬ות כלי רכב‪ ,‬כאשר‬
‫‪‬פח הולכי הרגל עולה על ‪ 300‬הולכי רגל בשעה‪ .‬כמו כן‪ ,‬במודל לתאו‪‬ות החמורות‪ ,‬ב‪‬פח ת‪‬ועה‬
‫‪‬מוך‪ ,‬עד ‪ 55‬כלי רכב בשעה‪ ,‬עליה ב‪‬פח ת‪‬ועת כלי הרכב מזוהה עם מגמת ירידה בתאו‪‬ות‪.‬‬
‫‪29‬‬
‫עליה באורך המקטע מעלה את סך התאו‪‬ות ותאו‪‬ות הולכי רגל‪ .‬וכחות החזית המסחרית ברחוב‬
‫מעלה את כל סוגי התאו‪‬ות‪ .‬השפעות ‪‬פחי הת‪‬ועה מובהקות על כל סוגי התאו‪‬ות‪ ,‬כאשר‬
‫ההשפעות של אורך המקטע ושל ‪‬וכחות החזית המסחרית‪ ,‬לרוב‪ ,‬אי‪‬ן מובהקות‪.‬‬
‫‪ .5.1.4‬יתוח ‪‬תו‪‬י תל‪-‬אביב פלור‪‬טין‬
‫)‪ (1‬סטטיסטיקה תיאורית‬
‫עבור אזור תל אביב ‪ -‬פלור‪‬טין‪ ,‬ותחו ‪ 535‬מקטעי רחובות )הוסרו ‪ 6‬מקרים עם אורך קטע השווה‬
‫לאפס ‪ .(0=VSegLen‬מצאה קורלציה גבוהה מאוד בין ערכי המשת‪‬ים ‪ PSegLen‬ו‪VSegLen -‬‬
‫)‪ ,(98%‬לכן‪ ,‬בפיתוח המודלים ‪‬עשה שימוש במשת‪‬ה ‪.VSegLen‬‬
‫טבלה ‪ 5.1.5‬מציגה סטטיסטיקה תיאורית של ‪‬תו‪‬י פלור‪‬טין‪ .‬יתן לראות כי תאו‪‬ות הדרכים‬
‫‪‬רשמו ב‪ 111 ,85 ,259-‬ו‪ 247-‬מקטעי הרחובות‪ ,‬כאשר מדובר בסך התאו‪‬ות עם ‪‬פגעים‪ ,‬התאו‪‬ות‬
‫החמורות‪ ,‬תאו‪‬ות הולכי רגל ותאו‪‬ות רכב‪ ,‬בהתאמה‪ .‬הערכים של ‪‬פחי ת‪‬ועה עבור מקטעי‬
‫המחקר‪ ,‬בפלור‪‬טין‪ ,‬היו כלהלן‪:‬‬
‫‪‬פח ת‪‬ועת הולכי רגל )‪ (PMValue‬בטווח בין ‪ 19‬עד ‪ ,1520‬עם ממוצע ‪;185‬‬
‫‪‬פח ת‪‬ועת כלי רכב )‪ (VMValue‬בטווח בין ‪ 9‬עד ‪ ,2791‬עם ממוצע ‪.278‬‬
‫‪ 26‬מקרים בהם ‪) Lg_VSegLen<=1‬עד ‪ 2.7‬מ'( הורדו מה‪‬תו‪‬ים‪ .‬עבור המאפיין של החזית‬
‫המסחרית ‪‬וצר משת‪‬ה דיכוטומי ‪ ,I_TotComm‬עם ערכים‪ - 0 :‬אין )‪ - 1 ,(61.5%‬יש חזית‬
‫מסחרית ברחוב )‪.(38.5%‬‬
‫טבלה ‪ :5.1.5‬סטטיסטיקה תיאורית של ‪‬תו‪‬י תל‪-‬אביב ‪ -‬פלור‪‬טין‬
‫משמעות המשתנה‬
‫סך התאונות עם נפגעים‬
‫תאונות חמורות‬
‫תאונות הולכי רגל‬
‫תאונות עם כלי רכב‬
‫מספר מקטעים עם סך התאונות עם‬
‫נפגעים‬
‫מספר מקטעים עם תאונות חמורות‬
‫מספר מקטעים עם תאונות הולכי רגל‬
‫מספר מקטעים עם תאונות כלי רכב‬
‫נפח תנועת הולכי רגל‬
‫נפח תנועת כלי רכב‬
‫אורך מקטע‬
‫אורך מקטע במפת הולכי רגל‬
‫משתנה‬
‫‪Minimum‬‬
‫‪Maximum‬‬
‫‪N‬‬
‫‪Sum‬‬
‫‪Mean‬‬
‫‪Acctot‬‬
‫‪AccHard‬‬
‫‪AccPed‬‬
‫‪AccVeh‬‬
‫‪I_Acctot‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪1669‬‬
‫‪112‬‬
‫‪273‬‬
‫‪1396‬‬
‫‪259‬‬
‫‪3.1‬‬
‫‪0.2‬‬
‫‪0.5‬‬
‫‪2.6‬‬
‫‪0.5‬‬
‫‪Std‬‬
‫‪Dev‬‬
‫‪6.2‬‬
‫‪0.6‬‬
‫‪1.4‬‬
‫‪5.5‬‬
‫‪0.5‬‬
‫‪59‬‬
‫‪4‬‬
‫‪10‬‬
‫‪58‬‬
‫‪1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1520‬‬
‫‪2791‬‬
‫‪192‬‬
‫‪192‬‬
‫‪I_AccHard‬‬
‫‪I_AccPed‬‬
‫‪I_AccVeh‬‬
‫‪PMValue‬‬
‫‪VMValue‬‬
‫‪VSegLen‬‬
‫‪PSegLen‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪535‬‬
‫‪85‬‬
‫‪111‬‬
‫‪247‬‬
‫‪98771‬‬
‫‪148470‬‬
‫‪23530‬‬
‫‪22872‬‬
‫‪0.2‬‬
‫‪0.2‬‬
‫‪0.5‬‬
‫‪184.6‬‬
‫‪277.5‬‬
‫‪44.0‬‬
‫‪42.8‬‬
‫‪0.4‬‬
‫‪0.4‬‬
‫‪0.5‬‬
‫‪188.5‬‬
‫‪396.6‬‬
‫‪38.0‬‬
‫‪38.1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪19‬‬
‫‪9‬‬
‫‪1‬‬
‫‪0‬‬
‫)‪ (2‬בחי‪‬ת צורת הקשר בין המסבירים והתאו‪‬ות‬
‫איור ‪ ,5.1.3‬א'‪-‬ד'‪ ,‬מציג את צורת הקשר בן המשת‪‬ים המסבירים )‪‬פחי הת‪‬ועה‪ ,‬אורך המקטע(‬
‫לבין התאו‪‬ות‪ ,‬לפי ‪ 4‬סוגי התאו‪‬ות ה‪‬בח‪‬ים‪ .‬בעקבות הבדיקה האי‪-‬פרמטרית עבור כל אחד‬
‫מסוגי התאו‪‬ות ‪‬מצא קשר מובהק עם המשת‪‬ים של ‪‬פח ת‪‬ועת כלי הרכב‪ ,‬פח ת‪‬ועת הולכי‬
‫הרגל ואורך המקטע‪ .‬משת‪‬ים אלה שימשו להתאמת המודלים הפרמטריים ל‪‬תו‪‬י פלור‪‬טין‪,‬‬
‫בתוספת משת‪‬ה חזית מסחרית‪.‬‬
‫‪30‬‬
‫)‪ (3‬המודלים המסבירים‬
‫טבלה ‪ 5.1.6‬מציגה את המודלים המסבירים שהותאמו ל‪‬תו‪‬י אשדוד‪ ,‬לפי סוגי התאו‪‬ות‪ .‬רמת‬
‫השו‪‬ות המוסברת ע"י המודלים הי‪‬ה כלהלן‪ 29.6% :‬עבור סך התאו‪‬ות‪ 19.2% ,‬עבור התאו‪‬ות‬
‫החמורות‪ 32% ,‬עבור תאו‪‬ות הולכי רגל‪ 28.2% ,‬עבור תאו‪‬ות כלי רכב‪.‬‬
‫במודלים לסך התאו‪‬ות ולתאו‪‬ות רכב‪ ,‬מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת כלי הרכב ועם‬
‫עליה באורך המקטע‪ .‬קצב העלייה בתאו‪‬ות מתמתן ב‪‬פח ת‪‬ועה גבוה יותר של כלי הרכב‪ :‬מעל‬
‫‪ 400‬כלי רכב בשעה‪ ,‬עבור סך התאו‪‬ות‪ ,‬ומעל ‪ 365‬כלי רכב בשעה‪ ,‬עבור תאו‪‬ות רכב‪.‬‬
‫מספר התאו‪‬ות החמורות ומספר תאו‪‬ות הולכי הרגל עולה עם עליה ב‪‬פח ת‪‬ועת הולכי הרגל‪ ,‬עם‬
‫עליה ב‪‬פח ת‪‬ועת כלי הרכב ובאורך המקטע‪ .‬קצב העלייה בש‪‬י סוגי התאו‪‬ות מתמתן ב‪‬פח‬
‫ת‪‬ועה גבוה יותר של כלי הרכב‪ ,‬מעל ‪ 400‬כלי רכב בשעה‪.‬‬
‫‪‬וכחות החזית המסחרית ברחוב מעלה את סך התאו‪‬ות ותאו‪‬ות רכב‪ ,‬ומורידה את התאו‪‬ות‬
‫החמורות ותאו‪‬ות הולכי רגל‪ .‬השפעות ‪‬פחי הת‪‬ועה ואורך המקטע‪ ,‬לרוב‪ ,‬מובהקות‪ ,‬כאשר‬
‫השפעת ‪‬וכחות החזית המסחרית אי‪‬ה מובהקת‪.‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,3‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪8‬‬
‫‪2‬‬
‫‪Lg_VMValue‬‬
‫‪4‬‬
‫)‪s(Lg_PMValue,0‬‬
‫‪7‬‬
‫‪6‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪7‬‬
‫‪6‬‬
‫‪5‬‬
‫‪3‬‬
‫‪Lg_PMValue‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪4‬‬
‫‪2‬‬
‫)‪s(Lg_VSegLen,0.93‬‬
‫‪5‬‬
‫‪3‬‬
‫‪1‬‬
‫‪Lg_VSegLen‬‬
‫א – סך התאו‪‬ות עם ‪‬פגעים‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,2.28‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪2‬‬
‫‪Lg_VMValue‬‬
‫‪4‬‬
‫)‪s(Lg_PMValue,1‬‬
‫‪8‬‬
‫‪7‬‬
‫‪6‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪7‬‬
‫‪6‬‬
‫‪5‬‬
‫‪3‬‬
‫‪Lg_PMValue‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫ב – תאו‪‬ות חמורות‬
‫‪31‬‬
‫)‪s(Lg_VSegLen,1.06‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪Lg_VSegLen‬‬
‫‪2‬‬
‫‪1‬‬
4
5
6
1
-1
-3
s(Lg_VMValue,2.39)
-3
-1
1
s(Lg_PMValue,0.9)
3
7
2
3
4
5
6
7
8
Lg_VMValue
-3
-1
1
s(Lg_VSegLen,1.44)
Lg_PMValue
1
2
3
4
5
Lg_VSegLen
3
4
5
6
7
1 2
-1
-3
s(Lg_VMValue,2.92)
1 2
-1
-3
s(Lg_PMValue,0)
‫ות הולכי רגל‬‫ג – תאו‬
2
3
4
5
6
7
8
-1
1 2
Lg_VMValue
-3
s(Lg_VSegLen,0.93)
Lg_PMValue
1
2
3
4
5
Lg_VSegLen
‫ות כלי רכב‬‫ד – תאו‬
;‫ועת הולכי רגל‬‫פח ת‬ ‫ – לוגריתם‬Lg_PMValue ;‫ועת כלי רכב‬‫פח ת‬ ‫ – לוגריתם‬Lg_VMValue :‫הערות‬
‫ה המסביר‬‫קציה החלקה לביטוי הקשר בין המשת‬‫ הפו‬- ‫כי‬‫ – לוגריתם אורך המקטע; בציר הא‬Lg_VsegLen
.‫ה תלוי‬‫ עם לוגריתם של משת‬,‫ות‬‫ותאו‬
‫ועה ואורך המקטע‬‫פחי הת‬ ‫קציות החלקות שהותאמו לקשר בין‬‫ הפו‬: 5.1.3 ‫איור‬
‫טין‬‫ בפלור‬,‫ות במקטעים‬‫לבין מ ספרי התאו‬
‫טין‬‫ פלור‬- ‫אביב‬-‫ בתל‬,‫ות במקטעי רחובות‬‫ מודלים לחיזוי תאו‬:5.1.6 ‫טבלה‬
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-6.36250
0.82159 -7.744 5.32e-14
Lg_VMValue
1.19517
0.15258
7.833 2.84e-14
I((Lg_VMValue >= 6) * (Lg_VMValue - 6)) -1.14232
0.37395 -3.055 0.002372
Lg_VSegLen
0.29950
0.09021
3.320 0.000965
as.factor(I_TotComm)1
0.18138
0.18131
1.000 0.317612
(Dispersion parameter 2.488)
‫ות חמורות‬‫ב – תאו‬
(Intercept)
Lg_PMValue
Lg_VMValue
I((Lg_VMValue >= 6) * (Lg_VMValue - 6))
Lg_VSegLen
as.factor(I_TotComm)1
Estimate Std. Error t value Pr(>|t|)
-8.8935
1.4462 -6.150 1.58e-09
0.2513
0.1850
1.359 0.174856
0.9922
0.2574
3.855 0.000131
-0.8999
0.5019 -1.793 0.073579
0.2420
0.1379
1.755 0.079834
-0.1874
0.3084 -0.608 0.543617
32
(Dispersion parameter 1.261)
‫ות הולכי רגל‬‫ג – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-10.2635
1.2533 -8.189 2.18e-15
Lg_PMValue
0.5242
0.1570
3.339 0.000904
Lg_VMValue
1.1319
0.2205
5.132 4.09e-07
I((Lg_VMValue >= 6) * (Lg_VMValue - 6)) -0.9806
0.4279 -2.292 0.022330
Lg_VSegLen
0.2634
0.1132
2.326 0.020403
as.factor(I_TotComm)1
-0.3179
0.2560 -1.241 0.215025
(Dispersion parameter 1.515)
‫ות כלי רכב‬‫ד – תאו‬
(Intercept)
Lg_VMValue
I((Lg_VMValue >= 5.9) * (Lg_VMValue - 5.9))
Lg_VSegLen
as.factor(I_TotComm)1
Estimate Std. Error t value Pr(>|t|)
-6.5988
0.9119 -7.237 1.72e-12
1.2029
0.1716
7.011 7.63e-12
-1.1292
0.3839 -2.941 0.003421
0.3143
0.0948
3.315 0.000981
0.1996
0.1890
1.056 0.291614
(Dispersion parameter 2.587)
:‫ה‬‫הצורה המתמטית של המודלים המסבירים הי‬
‫ות‬‫לסך התאו‬
Acctot = e
-6.36
· VMValue
1.195
·e
-1.14* I1* (lg_VMValue - 6)
· VSegLen
0.30
·e
I
,Lg_VMValue >= 6 ‫ כאשר‬1=I1 ;‫ אחרת‬0=I ,‫ עבור מקטעים עם חזית מסחרית‬0.181=I :‫כאשר‬
;‫ אחרת‬0=I1
‫ות החמורות‬‫לתאו‬
AccHard = e -8.89 · PMValue 0.25 · VMValue 0.99 · e -0.90* I1* (lg_VMValue - 6) · VSegLen 0.24 · eI
,Lg_VMValue >= 6 ‫ כאשר‬1=I1 ;‫ אחרת‬0=I ,‫ עבור מקטעים עם חזית מסחרית‬-0.187=I :‫כאשר‬
;‫ אחרת‬0=I1
‫ות הולכי רגל‬‫לתאו‬
AccPed = e -10.26 · PMValue 0.52 · VMValue 1.13 · e -0.98* I1* (lg_VMValue - 6) · VSegLen 0.26 · eI
,Lg_VMValue >= 6 ‫ כאשר‬1=I1 ;‫ אחרת‬0=I ,‫ עבור מקטעים עם חזית מסחרית‬-0.318=I :‫כאשר‬
;‫ אחרת‬0=I1
‫ות כלי רכב‬‫לתאו‬
AccVeh = e -6.60 · VMValue 1.20 · e -1.13* I1* (lg_VMValue – 5.9) · VSegLen 0.31 · eI
,Lg_VMValue >= 5.9 ‫ כאשר‬1=I1 ;‫ אחרת‬0=I ,‫ עבור מקטעים עם חזית מסחרית‬0.20=I :‫כאשר‬
.‫ אחרת‬0=I1
:‫ים במודלים הם‬‫המשת‬
;‫ות במקטע רחוב‬‫ – סך התאו‬Acctot
;‫ות חמורות במקטע רחוב‬‫ – מספר תאו‬AccHard
;‫ות הולכי רגל במקטע רחוב‬‫ – מספר תאו‬AccPed
;‫ות כלי רכב במקטע רחוב‬‫ – מספר תאו‬AccVeh
;‫ועת כלי הרכב‬‫פח ת‬ ‫ לוגריתם של‬- Lg_VMValue ;‫ועת כלי רכב במקטע‬‫פח ת‬ – VMValue
33
‫‪ – PMValue‬פח ת‪‬ועת הולכי הרגל במקטע;‬
‫‪ – VSegLen‬אורך המקטע‪.‬‬
‫סיכום‬
‫על סמך ‪‬תו‪‬י תל‪-‬אביב ‪ -‬פלור‪‬טין‪ ,‬ב‪‬ו מודלים מסבירים לקשר בין ‪‬פח ת‪‬ועת כלי הרכב‪ ,‬פח‬
‫ת‪‬ועת הולכי הרגל‪ ,‬אורך המקטע וקיום החזית המסחרית לבין תאו‪‬ות דרכים‪ ,‬מ‪ 4-‬סוגים‪ .‬כל‬
‫המודלים מראים קשר ישיר בין עליה ב‪‬פח ת‪‬ועת כלי הרכב לבין עליה בתאו‪‬ות‪ ,‬כאשר השפעת‬
‫‪‬פח הת‪‬ועה על תאו‪‬ות יורדת ב‪‬פח ת‪‬ועה גבוה יותר‪ ,‬מעל ‪ 400‬כלי רכב בשעה‪ .‬כמו כן‪ ,‬בכל‬
‫המודלים‪ ,‬מספר התאו‪‬ות עולה עם עליה באורך מקטע הרחוב‪ .‬ב‪‬וסף‪ ,‬מספר התאו‪‬ות החמורות‬
‫ומספר תאו‪‬ות הולכי הרגל עולה גם עם עליה ב‪‬פח ת‪‬ועת הולכי הרגל‪.‬‬
‫‪‬וכחות החזית המסחרית ברחוב מעלה את סך התאו‪‬ות ותאו‪‬ות רכב‪ ,‬ומורידה את התאו‪‬ות‬
‫החמורות ותאו‪‬ות הולכי רגל‪ .‬השפעות ‪‬פחי הת‪‬ועה ואורך המקטע על התאו‪‬ות‪ ,‬לרוב‪ ,‬מובהקות‪,‬‬
‫כאשר השפעת ‪‬וכחות החזית המסחרית אי‪‬ה מובהקת‪.‬‬
‫‪ .5.1.5‬יתוח ‪‬תו‪‬י תל‪-‬אביב אבן גבירול‬
‫)‪ (1‬סטטיסטיקה תיאורית‬
‫עבור אזור תל‪-‬אביב ‪ -‬אבן גבירול‪ ,‬ותחו ‪ 444‬מקטעי רחובות )הורדו ‪ 9‬מקטעים בהם‬
‫‪ .(PSegLen=0 or VSegLen=0 or PMValue=0‬בין ערכי המשת‪‬ים ‪ PSegLen‬ו‪VSegLen -‬‬
‫‪‬מצאה קורלציה ‪‬מוכה ולא מובהקת )‪ ,(r=0.024, p=0.6‬לכן‪ ,‬בפיתוח המודלים ‪‬עשה שימוש בש‪‬י‬
‫המשת‪‬ים‪.‬‬
‫עבור מאפיין החזית המסחרית )‪ ,(TotComm‬המצבים של "‪ "1‬ו‪ "2"-‬היו לא שכיחים )‪ 3.8%‬ו‪-‬‬
‫‪ 7.4%‬מהמקטעים‪ ,‬בהתאמה(‪ ,‬כאשר רוב המקטעים )‪ 394‬או ‪ (89%‬הם ללא חזית מסחרית‪ .‬לכן‪,‬‬
‫עבור משת‪‬ה זה ‪‬וצר משת‪‬ה דיכוטומי ‪ ,I_TotComm‬עם ערכים‪ - 0 :‬אין‪ - 1 ,‬יש חזית מסחרית‬
‫ברחוב‪.‬‬
‫טבלה ‪ 5.1.7‬מציגה סטטיסטיקה תיאורית של ‪‬תו‪‬י אבן גבירול‪ .‬יתן לראות כי תאו‪‬ות הדרכים‬
‫‪‬רשמו ב‪ 122 ,78 ,221-‬ו‪ 203-‬מקטעי הרחובות‪ ,‬כאשר מדובר בסך התאו‪‬ות עם ‪‬פגעים‪ ,‬התאו‪‬ות‬
‫החמורות‪ ,‬תאו‪‬ות הולכי רגל ותאו‪‬ות רכב‪ ,‬בהתאמה‪.‬‬
‫טבלה ‪ :5.1.7‬סטטיסטיקה תיאורית של ‪‬תו‪‬י תל‪-‬אביב ‪ -‬אבן גבירול‬
‫משמעות המשתנה‬
‫סך התאונות עם נפגעים‬
‫תאונות חמורות‬
‫תאונות הולכי רגל‬
‫תאונות עם כלי רכב‬
‫מספר מקטעים עם סך התאונות עם‬
‫נפגעים‬
‫מספר מקטעים עם תאונות חמורות‬
‫מספר מקטעים עם תאונות הולכי רגל‬
‫מספר מקטעים עם תאונות כלי רכב‬
‫נפח תנועת הולכי רגל‬
‫משתנה‬
‫‪N‬‬
‫‪Sum‬‬
‫‪Mean‬‬
‫‪Acctot‬‬
‫‪AccHard‬‬
‫‪AccPed‬‬
‫‪AccVeh‬‬
‫‪I_Acctot‬‬
‫‪444‬‬
‫‪444‬‬
‫‪444‬‬
‫‪444‬‬
‫‪444‬‬
‫‪1440‬‬
‫‪128‬‬
‫‪311‬‬
‫‪1129‬‬
‫‪221‬‬
‫‪3.2‬‬
‫‪0.3‬‬
‫‪0.7‬‬
‫‪2.5‬‬
‫‪0.5‬‬
‫‪Std‬‬
‫‪Dev‬‬
‫‪5.9‬‬
‫‪0.8‬‬
‫‪1.6‬‬
‫‪4.7‬‬
‫‪0.5‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪I_AccHard‬‬
‫‪I_AccPed‬‬
‫‪I_AccVeh‬‬
‫‪PMValue‬‬
‫‪444‬‬
‫‪444‬‬
‫‪444‬‬
‫‪444‬‬
‫‪78‬‬
‫‪122‬‬
‫‪203‬‬
‫‪72590‬‬
‫‪0.2‬‬
‫‪0.3‬‬
‫‪0.5‬‬
‫‪163.5‬‬
‫‪0.4‬‬
‫‪0.4‬‬
‫‪0.5‬‬
‫‪148.3‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪15‬‬
‫‪34‬‬
‫‪Minimum‬‬
‫‪Maximum‬‬
‫‪35‬‬
‫‪7‬‬
‫‪12‬‬
‫‪27‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪779‬‬
‫נפח תנועת כלי רכב‬
‫אורך מקטע במפת כלי רכב‬
‫אורך מקטע במפת הולכי רגל‬
‫‪VMValue‬‬
‫‪VSegLen‬‬
‫‪PSegLen‬‬
‫‪444‬‬
‫‪444‬‬
‫‪444‬‬
‫‪275727‬‬
‫‪32570‬‬
‫‪25068‬‬
‫‪621.0‬‬
‫‪73.4‬‬
‫‪56.5‬‬
‫‪1179.3‬‬
‫‪53.4‬‬
‫‪52.6‬‬
‫‪6‬‬
‫‪1‬‬
‫‪1‬‬
‫‪14841‬‬
‫‪308‬‬
‫‪407‬‬
‫הערכים של ‪‬פחי ת‪‬ועה עבור מקטעי המחקר‪ ,‬באזור אבן גבירול‪ ,‬היו כלהלן‪:‬‬
‫‪‬פח ת‪‬ועת הולכי רגל )‪ (PMValue‬בטווח בין ‪ 15‬עד ‪ ,779‬עם ממוצע ‪;163‬‬
‫‪‬פח ת‪‬ועת כלי רכב )‪ (VMValue‬בטווח בין ‪ 6‬עד ‪ ,14841‬עם ממוצע ‪.621‬‬
‫בעקבות בחי‪‬ת ה‪‬תו‪‬ים‪ ,‬הורדו תצפיות עם ערכים חריגים כלהלן‪ :‬עבור סך התאו‪‬ות‪ ,‬התאו‪‬ות‬
‫החמורות‪ ,‬תאו‪‬ות כלי רכב‪ ,‬הורדו ‪‬תו‪‬ים של ‪ 16‬מקטעים עם ‪ ;Lg_VSegLen<=1.5‬עבור תאו‪‬ות‬
‫הולכי רגל‪ ,‬הורדו ‪‬תו‪‬ים של ‪ 14‬מקטעים עם ‪.Lg_PSegLen<=0.5‬‬
‫)‪ (2‬בחי‪‬ת צורת הקשר בין המסבירים והתאו‪‬ות‬
‫איור ‪ ,5.1.4‬א'‪-‬ד'‪ ,‬מציג את צורת הקשר בן המשת‪‬ים המסבירים )‪‬פחי הת‪‬ועה‪ ,‬אורך המקטע(‬
‫לבין התאו‪‬ות‪ ,‬לפי ‪ 4‬סוגי התאו‪‬ות ה‪‬בח‪‬ים‪ .‬בעקבות הבדיקה האי‪-‬פרמטרית עבור כל אחד‬
‫מסוגי התאו‪‬ות ‪‬מצא קשר מובהק עם המשת‪‬ים של ‪‬פח ת‪‬ועת כלי רכב‪ ,‬פח ת‪‬ועת הולכי הרגל‬
‫ואורך המקטע‪ .‬משת‪‬ים אלה שימשו להתאמת המודלים הפרמטריים‪ ,‬בתוספת מאפיין של חזית‬
‫מסחרית‪.‬‬
‫)‪ (3‬המודלים המסבירים‬
‫טבלה ‪ 5.1.8‬מציגה את המודלים המסבירים שהותאמו ל‪‬תו‪‬י אבן גבירול‪ ,‬לפי סוגי התאו‪‬ות‪.‬‬
‫רמת השו‪‬ות המוסברת ע"י המודלים הי‪‬ה כלהלן‪ 47.5% :‬עבור סך התאו‪‬ות‪ 35.1% ,‬עבור‬
‫התאו‪‬ות החמורות‪ 39.2% ,‬עבור תאו‪‬ות הולכי רגל‪ 44.1% ,‬עבור תאו‪‬ות כלי רכב‪.‬‬
‫במודלים עבור סך התאו‪‬ות‪ ,‬תאו‪‬ות הולכי רגל ותאו‪‬ות כלי רכב‪ ,‬בטווח ה‪‬מוך יותר של ‪‬פחי‬
‫הת‪‬ועה‪ ,‬מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת הולכי הרגל ויורד עם עליה ב‪‬פח ת‪‬ועה כלי‬
‫הרכב‪ .‬עם זאת‪ ,‬הקשר בין ‪‬פחי הת‪‬ועה והתאו‪‬ות משת‪‬ה ב‪‬פח ת‪‬ועה גבוה יותר ‪ -‬מעל ‪ 150‬כלי‬
‫רכב והולכי רגל‪ ,‬בשעה‪ ,‬כאשר מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת הולכי הרגל אך בקצב‬
‫‪‬מוך הרבה יותר וכן‪ ,‬עולה עם עליה ב‪‬פח ת‪‬ועת כלי הרכב‪ .‬לעומת זאת‪ ,‬עבור התאו‪‬ות החמורות‪,‬‬
‫‪‬מצא קשר מו‪‬וטו‪‬י עולה בין ‪‬פחי ת‪‬ועת כלי הרכב והולכי הרגל לבין עליה בתאו‪‬ות‪ .‬השפעת‬
‫‪‬פחי הת‪‬ועה‪ ,‬לרוב‪ ,‬מובהקת‪.‬‬
‫בכל המודלים‪ ,‬מספר התאו‪‬ות עולה עם עליה באורך המקטע‪ .‬קיום החזית המסחרית למעשה לא‬
‫משפיע על מספר תאו‪‬ות הולכי הרגל ומוריד את סך התאו‪‬ות‪ ,‬התאו‪‬ות החמורות‪ ,‬ותאו‪‬ות כלי‬
‫רכב )לא מובהק(‪.‬‬
‫‪35‬‬
-4 -2
0
2
s(Lg_PSegLen,1.26)
0
2
1
3
-1
1
3
3
2
3
1
2
4
5
3
4
4
5
3
6
4
5
36
-1
1
3
4
-3
s(Lg_VMValue,0.97)
-3
3
2
-1
s(Lg_PMValue,0.88)
2
-4
-2
0
2
s(Lg_VSegLen,0.99)
5
0
-3
s(Lg_VSegLen,1.06)
4
-4 -2
s(Lg_VMValue,2.75)
-4 -2
s(Lg_PMValue,2.49)
3
Lg_PMValue
6
2
6
2
Lg_PMValue
2
Lg_PSegLen
6
‫ות הולכי רגל‬‫ג – תאו‬
4
Lg_VMValue
Lg_PMValue
4
4
6
Lg_VMValue
6
8
Lg_VSegLen
5
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
Lg_VMValue
6
8
Lg_VSegLen
5
‫ות חמורות‬‫ב – תאו‬
8
-2
0
2
-4
-2
0
2
s(Lg_VMValue,2.74)
-4
s(Lg_PMValue,5.62)
4
5
6
2
0
-2
-4
s(Lg_VMValue,2.69)
2
0
-2
-4
s(Lg_PMValue,6.11)
3
2
4
6
8
-2
0
2
Lg_VMValue
-4
s(Lg_VSegLen,0.98)
Lg_PMValue
2
3
4
5
Lg_VSegLen
‫ות כלי רכב‬‫ד – תאו‬
;‫ועת הולכי רגל‬‫פח ת‬ ‫ – לוגריתם‬Lg_PMValue ;‫ועת כלי רכב‬‫פח ת‬ ‫ – לוגריתם‬Lg_VMValue :‫הערות‬
‫קציה החלקה לביטוי הקשר בין‬‫ הפו‬- ‫כי‬‫ – לוגריתם אורך המקטע; בציר הא‬Lg_PsegLen ,Lg_VsegLen
.‫ה תלוי‬‫ עם לוגריתם של משת‬,‫ות‬‫ה המסביר ותאו‬‫המשת‬
‫ועה ואורך מקטע‬‫פחי הת‬ ‫קציות החלקות שהותאמו לקשר בין‬‫ הפו‬: 5.1.4 ‫איור‬
‫ באזור אבן גבירול‬,‫ות במקטעים‬‫לבין מספרי התאו‬
‫ באזור אבן גבירול‬,‫ות במקטעי רחובות‬‫ מודלים לחיזוי תאו‬:5.1.8 ‫טבלה‬
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-11.63196
1.27349 -9.134 < 2e-16
Lg_PMValue
1.90549
0.25108
7.589 2.09e-13
Lg_VMValue
-0.06847
0.18296 -0.374
0.7084
Lg_VSegLen
0.77868
0.10092
7.715 8.82e-14
as.factor(I_TotComm)1
-0.37430
0.25610 -1.462
0.1446
I((Lg_PMValue >= 5) * (Lg_PMValue - 5)) -1.63181
0.41480 -3.934 9.77e-05
I((Lg_VMValue >= 5) * (Lg_VMValue - 5))
0.60745
0.24058
2.525
0.0119
(Dispersion parameter 1.352)
‫ות חמורות‬‫ב – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-10.9294
1.2301 -8.885 < 2e-16 ***
Lg_PMValue
0.3738
0.1920
1.947
0.0522 .
Lg_VMValue
0.6065
0.1059
5.728 1.93e-08 ***
Lg_VSegLen
0.9488
0.1756
5.404 1.09e-07 ***
as.factor(I_TotComm)1 -0.3873
0.3711 -1.044
0.2972
(Dispersion parameter 1.031)
‫ות הולכי רגל‬‫ג – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-8.874617
1.862224 -4.766 2.59e-06
Lg_PMValue
1.399031
0.341875
4.092 5.12e-05
Lg_VMValue
-0.013916
0.307976 -0.045
0.9640
Lg_PSegLen
0.185039
0.087827
2.107
0.0357
as.factor(I_TotComm)1
0.004462
0.301849
0.015
0.9882
I((Lg_PMValue >= 5) * (Lg_PMValue - 5)) -1.204767
0.536944 -2.244
0.0254
I((Lg_VMValue >= 5) * (Lg_VMValue - 5)) 0.850314
0.368761
2.306
0.0216
(Dispersion parameter 1.193)
‫ות כלי רכב‬‫ד – תאו‬
(Intercept)
Lg_PMValue
Lg_VMValue
Lg_VSegLen
as.factor(I_TotComm)1
Estimate Std. Error t value Pr(>|t|)
-12.13265
1.39630 -8.689 < 2e-16
2.00759
0.27631
7.266 1.81e-12
-0.04726
0.19936 -0.237
0.8127
0.72684
0.10689
6.800 3.60e-11
-0.42170
0.27044 -1.559
0.1197
37
‫‪-3.936 9.68e-05‬‬
‫‪2.063‬‬
‫‪0.0397‬‬
‫‪0.44705‬‬
‫‪0.25929‬‬
‫‪-1.75969‬‬
‫‪0.53497‬‬
‫))‪I((Lg_PMValue >= 5) * (Lg_PMValue - 5‬‬
‫))‪I((Lg_VMValue >= 5) * (Lg_VMValue - 5‬‬
‫)‪(Dispersion parameter 1.432‬‬
‫הצורה המתמטית של המודלים המסבירים הי‪‬ה‪:‬‬
‫לסך התאו‪‬ות‬
‫‪I‬‬
‫· ‪·e‬‬
‫‪0.779‬‬
‫‪· VSegLen‬‬
‫‪-0.068‬‬
‫‪· VMValue‬‬
‫‪1.91‬‬
‫‪· PMValue‬‬
‫‪-11.63‬‬
‫‪Acctot = e‬‬
‫)‪e -1.632* I2* (lg_PMValue - 5) · e 0.607* I1* (lg_VMValue - 5‬‬
‫כאשר‪ -0.374=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 5‬‬
‫‪ 0=I1‬אחרת; ‪ 1=I2‬כאשר ‪ 0=I2 ,Lg_PMValue >= 5‬אחרת;‬
‫לתאו‪‬ות החמורות‬
‫‪AccHard = e -10.93 · PMValue 0.374 · VMValue 0.606 · VSegLen 0.949· eI‬‬
‫כאשר‪ -0.387=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת;‬
‫לתאו‪‬ות הולכי רגל‬
‫· ‪AccPed = e -8.875 · PMValue 1.40 · VMValue -0.014 · PSegLen 0.185 · eI‬‬
‫)‪e -1.205* I2* (lg_PMValue - 5) · e 0.85* I1* (lg_VMValue - 5‬‬
‫כאשר‪ 0.0045=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 5‬‬
‫‪ 0=I1‬אחרת; ‪ 1=I2‬כאשר ‪ 0=I2 ,Lg_PMValue >= 5‬אחרת;‬
‫לתאו‪‬ות כלי רכב‬
‫· ‪AccVeh = e -12.13 · PMValue 2.01 · VMValue -0.047 · VSegLen 0.727 · eI‬‬
‫)‪e -1.76* I2* (lg_PMValue - 5) · e 0.535* I1* (lg_VMValue - 5‬‬
‫כאשר‪ -0.422=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 5‬‬
‫‪ 0=I1‬אחרת; ‪ 1=I2‬כאשר ‪ 0=I2 ,Lg_PMValue >= 5‬אחרת‪.‬‬
‫המשת‪‬ים במודלים הם‪:‬‬
‫‪ – Acctot‬סך התאו‪‬ות במקטע רחוב;‬
‫‪ – AccHard‬מספר תאו‪‬ות חמורות במקטע רחוב;‬
‫‪ – AccPed‬מספר תאו‪‬ות הולכי רגל במקטע רחוב;‬
‫‪ – AccVeh‬מספר תאו‪‬ות כלי רכב במקטע רחוב;‬
‫‪ – VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח ת‪‬ועת כלי הרכב;‬
‫‪ – PMValue‬פח ת‪‬ועת הולכי רגל במקטע; ‪ - Lg_PMValue‬לוגריתם של ‪‬פח ת‪‬ועת הולכי הרגל;‬
‫‪ – PSegLen ,VSegLen‬אורך מקטע רחוב‪.‬‬
‫סיכום‬
‫על סמך ‪‬תו‪‬י תל אביב ‪ -‬אזור אבן גבירול‪ ,‬ב‪‬ו מודלים מסבירים לקשר בין ‪‬פחי ת‪‬ועת כלי הרכב‬
‫והולכי הרגל‪ ,‬אורך המקטע וקיום החזית המסחרית לבין תאו‪‬ות הדרכים‪ ,‬מ‪ 4-‬סוגים‪ .‬לרוב‪,‬‬
‫‪38‬‬
‫המודלים מראים קשר ישיר בין עליה ב‪‬פח ת‪‬ועת כלי הרכב ו‪‬פח ת‪‬ועת הולכי הרגל לבין עליה‬
‫בתאו‪‬ות‪ ,‬אם כי‪ ,‬בשלושת סוגי התאו‪‬ות‪ ,‬פרט לחמורות‪ ,‬ב‪‬פחי ת‪‬ועה קט‪‬ים יותר‪ ,‬עד ‪ 150‬כלי‬
‫רכב בשעה‪ ,‬צפה קשר הפוך עבור ‪‬פח כלי הרכב‪ ,‬דהיי‪‬ו עליה ב‪‬פח ת‪‬ועת כלי הרכב היתה קשורה‬
‫לירידה בתאו‪‬ות‪ .‬כמו כן‪ ,‬בתחום עד ‪ 150‬הולכי רגל‪ ,‬בשעה‪ ,‬צפה קשר חזק יותר בין עליה ב‪‬פח‬
‫הולכי הרגל לבין עליה בתאו‪‬ות‪.‬‬
‫לעומת זאת‪ ,‬עבור התאו‪‬ות החמורות‪ ,‬צפה קשר מו‪‬וטו‪‬י עולה בין ‪‬פחי ת‪‬ועת כלי הרכב והולכי‬
‫הרגל לבין עליה בתאו‪‬ות‪ ,‬בכל טווחי הערכים של ‪‬פחי הת‪‬ועה‪.‬‬
‫עליה באורך המקטע מעלה את מספרי התאו‪‬ות‪ .‬ב‪‬וכחות החזית המסחרית מספר התאו‪‬ות‪,‬‬
‫ככלל‪ ,‬יורד לעומת המצב ללא החזית המסחרית‪.‬‬
‫‪ .5.1.6‬יתוח ‪‬תו‪‬י תל‪-‬אביב מע"ר‬
‫)‪ (1‬סטטיסטיקה תיאורית‬
‫עבור תל‪-‬אביב ‪ -‬אזור מע"ר‪ ,‬ותחו ‪ 572‬מקטעי רחובות )הורדו ‪ 8‬מקטעים עם אורך השווה לאפס‪,‬‬
‫‪ .(VSegLen=0‬בין ערכי המשת‪‬ים ‪ PSegLen‬ו‪ VSegLen -‬מצאה קורלציה גבוהה )‪ ,(93%‬לכן‪,‬‬
‫בפיתוח המודלים ‪‬עשה שימוש במשת‪‬ה ‪ .VSegLen‬עבור מקטעים באזור מע"ר לא היה מידע על‬
‫חזית מסחרית‪ ,‬לכן‪ ,‬משת‪‬ה זה לא השתתף בהתאמת המודלים המסבירים לתאו‪‬ות‪.‬‬
‫טבלה ‪ 5.1.9‬מציגה סטטיסטיקה תיאורית של ‪‬תו‪‬י תל‪-‬אביב מע"ר‪ .‬יתן לראות כי תאו‪‬ות‬
‫הדרכים ‪‬רשמו ב‪ 203 ,71 ,315-‬ו‪ 294-‬מקטעי הרחובות‪ ,‬לפי סוגי התאו‪‬ות של סך התאו‪‬ות עם‬
‫‪‬פגעים‪ ,‬התאו‪‬ות החמורות‪ ,‬תאו‪‬ות הולכי רגל ותאו‪‬ות רכב‪ ,‬בהתאמה‪ .‬הערכים של ‪‬פחי ת‪‬ועה‬
‫עבור מקטעי המחקר‪ ,‬באזור מע"ר‪ ,‬היו כלהלן‪:‬‬
‫‪‬פח ת‪‬ועת הולכי רגל )‪ (PMValue‬בטווח בין ‪ 12‬עד ‪ ,2812‬עם ממוצע ‪;296‬‬
‫‪‬פח ת‪‬ועת כלי רכב )‪ (VMValue‬בטווח בין ‪ 3‬עד ‪ ,6480‬עם ממוצע ‪.778‬‬
‫טבלה ‪ :5.1.9‬סטטיסטיקה תיאורית של ‪‬תו‪‬י תל‪-‬אביב ‪ -‬מע"ר‬
‫משמעות המשתנה‬
‫סך התאונות עם נפגעים‬
‫תאונות חמורות‬
‫תאונות הולכי רגל‬
‫תאונות עם כלי רכב‬
‫מספר מקטעים עם סך התאונות עם‬
‫נפגעים‬
‫מספר מקטעים עם תאונות חמורות‬
‫מספר מקטעים עם תאונות הולכי רגל‬
‫מספר מקטעים עם תאונות כלי רכב‬
‫נפח תנועת הולכי רגל‬
‫נפח תנועת כלי רכב‬
‫אורך מקטע במפת כלי רכב‬
‫אורך מקטע במפת הולכי רגל‬
‫משתנה‬
‫‪Minimum‬‬
‫‪Maximum‬‬
‫‪N‬‬
‫‪Sum‬‬
‫‪Mean‬‬
‫‪Acctot‬‬
‫‪AccHard‬‬
‫‪AccPed‬‬
‫‪AccVeh‬‬
‫‪I_Acctot‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪2378‬‬
‫‪121‬‬
‫‪520‬‬
‫‪1858‬‬
‫‪315‬‬
‫‪4.2‬‬
‫‪0.2‬‬
‫‪0.9‬‬
‫‪3.2‬‬
‫‪0.6‬‬
‫‪Std‬‬
‫‪Dev‬‬
‫‪6.6‬‬
‫‪0.6‬‬
‫‪1.7‬‬
‫‪5.3‬‬
‫‪0.5‬‬
‫‪41‬‬
‫‪4‬‬
‫‪14‬‬
‫‪35‬‬
‫‪1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪2812‬‬
‫‪6480‬‬
‫‪308‬‬
‫‪274‬‬
‫‪I_AccHard‬‬
‫‪I_AccPed‬‬
‫‪I_AccVeh‬‬
‫‪PMValue‬‬
‫‪VMValue‬‬
‫‪VSegLen‬‬
‫‪PSegLen‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪572‬‬
‫‪71‬‬
‫‪203‬‬
‫‪294‬‬
‫‪169590‬‬
‫‪444932‬‬
‫‪32597‬‬
‫‪31061‬‬
‫‪0.1‬‬
‫‪0.4‬‬
‫‪0.5‬‬
‫‪296.5‬‬
‫‪777.9‬‬
‫‪57.0‬‬
‫‪54.3‬‬
‫‪0.3‬‬
‫‪0.5‬‬
‫‪0.5‬‬
‫‪309.6‬‬
‫‪776.3‬‬
‫‪47.6‬‬
‫‪46.8‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪12‬‬
‫‪3‬‬
‫‪1‬‬
‫‪0‬‬
‫בעקבות בחי‪‬ת ה‪‬תו‪‬ים‪ ,‬הורדו מקרים עם ערכים חריגים כלהלן‪) Lg_VSegLen<=0.5 :‬עד ‪ 1.6‬מ'(‬
‫ו‪) Lg_PMValue<=3 -‬עד ‪ 20‬הולכי רגל‪ ,‬בשעה(; סה"כ ‪ 15‬מקטעים‪.‬‬
‫‪39‬‬
‫)‪ (2‬בחי‪‬ת צורת הקשר בין המסבירים והתאו‪‬ות‬
‫איור ‪ ,5.1.5‬א'‪-‬ד'‪ ,‬מציג את צורת הקשר בן המשת‪‬ים המסבירים )‪‬פחי הת‪‬ועה‪ ,‬אורך המקטע(‬
‫לבין התאו‪‬ות‪ ,‬לפי ‪ 4‬סוגי התאו‪‬ות ה‪‬בח‪‬ים‪ .‬בעקבות הבדיקה האי‪-‬פרמטרית עבור כל אחד‬
‫מסוגי התאו‪‬ות ‪‬מצא קשר מובהק עם המשת‪‬ים של ‪‬פח ת‪‬ועת כלי רכב‪ ,‬פח ת‪‬ועת הולכי הרגל‬
‫ואורך המקטע‪ .‬משת‪‬ים אלה שימשו להתאמת המודלים הפרמטריים לתאו‪‬ות הדרכים‪.‬‬
‫)‪ (3‬המודלים המסבירים‬
‫טבלה ‪ 5.1.10‬מציגה את המודלים המסבירים שהותאמו ל‪‬תו‪‬י תל‪-‬אביב מע"ר‪ ,‬לפי סוגי‬
‫התאו‪‬ות‪ .‬רמת השו‪‬ות המוסברת ע"י המודלים הי‪‬ה כלהלן‪ 17.5% :‬עבור סך התאו‪‬ות‪26.8% ,‬‬
‫עבור התאו‪‬ות החמורות‪ 19% ,‬עבור תאו‪‬ות הולכי רגל‪ 16% ,‬עבור תאו‪‬ות כלי רכב‪.‬‬
‫במודלים עבור כל סוגי התאו‪‬ות‪ ,‬מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת הולכי הרגל‪ ,‬ב‪‬פח‬
‫ת‪‬ועת כלי הרכב ובאורך המקטע‪.‬‬
‫במודלים לסך התאו‪‬ות ולתאו‪‬ות רכב‪ ,‬קצב העלייה בתאו‪‬ות מתמתן כאשר‪ :‬פח ת‪‬ועת הולכי‬
‫הרגל עולה על ‪ 150‬הולכי רגל בשעה‪ ,‬פח ת‪‬ועת כלי הרכב עולה על ‪ 400‬כלי רכב בשעה‪ .‬כמו כן‪,‬‬
‫במודל לתאו‪‬ות הולכי רגל‪ ,‬קצב העלייה בתאו‪‬ות מתמתן כאשר ‪‬פח ת‪‬ועת הולכי הרגל עולה על‬
‫‪ 150‬הולכי רגל‪ ,‬בשעה‪ .‬במודל לתאו‪‬ות החמורות‪ ,‬קצב העלייה בתאו‪‬ות מתחזק כאשר אורך‬
‫המקטע עולה על ‪ 33‬מ'‪ .‬השפעת ‪‬פחי הת‪‬ועה ואורך המקטע על התאו‪‬ות‪ ,‬לרוב‪ ,‬מובהקת‪.‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,2.49‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪6‬‬
‫‪8‬‬
‫‪6‬‬
‫‪Lg_VMValue‬‬
‫‪4‬‬
‫)‪s(Lg_PMValue,3.17‬‬
‫‪8‬‬
‫‪4‬‬
‫‪2‬‬
‫‪7‬‬
‫‪5‬‬
‫‪3‬‬
‫‪Lg_PMValue‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫א – סך התאו‪‬ות עם ‪‬פגעים‬
‫‪40‬‬
‫)‪s(Lg_VSegLen,1.21‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪Lg_VSegLen‬‬
‫‪2‬‬
‫‪1‬‬
‫‪-2 0 2‬‬
‫‪-6‬‬
‫)‪s(Lg_VMValue,0.96‬‬
‫‪-2 0 2‬‬
‫‪-6‬‬
‫‪Lg_VMValue‬‬
‫)‪s(Lg_PMValue,0.93‬‬
‫‪8‬‬
‫‪6‬‬
‫‪8‬‬
‫‪6‬‬
‫‪4‬‬
‫‪Lg_PMValue‬‬
‫‪-2 0 2‬‬
‫‪-6‬‬
‫‪4‬‬
‫‪5‬‬
‫‪2‬‬
‫‪3‬‬
‫)‪s(Lg_VSegLen,2.57‬‬
‫‪8‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪7‬‬
‫‪5‬‬
‫‪3‬‬
‫‪1‬‬
‫‪Lg_VSegLen‬‬
‫ב – תאו‪‬ות חמורות‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,1.21‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪8‬‬
‫‪6‬‬
‫‪Lg_VMValue‬‬
‫‪4‬‬
‫)‪s(Lg_PMValue,4.68‬‬
‫‪4‬‬
‫‪2‬‬
‫‪7‬‬
‫‪5‬‬
‫‪3‬‬
‫‪Lg_PMValue‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪4‬‬
‫‪2‬‬
‫)‪s(Lg_VSegLen,0.96‬‬
‫‪5‬‬
‫‪3‬‬
‫‪1‬‬
‫‪Lg_VSegLen‬‬
‫ג – תאו‪‬ות הולכי רגל‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,3.22‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪6‬‬
‫‪8‬‬
‫‪6‬‬
‫‪Lg_VMValue‬‬
‫‪4‬‬
‫)‪s(Lg_PMValue,2.96‬‬
‫‪8‬‬
‫‪4‬‬
‫‪2‬‬
‫‪7‬‬
‫‪5‬‬
‫‪3‬‬
‫‪Lg_PMValue‬‬
‫‪1 2‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VSegLen,1.48‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫‪Lg_VSegLen‬‬
‫ד – תאו‪‬ות כלי רכב‬
‫הערות‪ - Lg_VMValue :‬לוגריתם ‪‬פח ת‪‬ועת כלי רכב; ‪ - Lg_PMValue‬לוגריתם ‪‬פח ת‪‬ועת הולכי רגל;‬
‫‪ - Lg_VsegLen‬לוגריתם אורך המקטע; בציר הא‪‬כי ‪ -‬הפו‪‬קציה החלקה לביטוי הקשר בין המשת‪‬ה המסביר‬
‫ותאו‪‬ות‪ ,‬עם לוגריתם של משת‪‬ה תלוי‪.‬‬
‫איור ‪ : 5.1.5‬הפו‪‬קציות החלקות שהותאמו לקשר בין ‪‬פחי הת‪‬ועה ואורך מקטע‬
‫לבין מספרי התאו‪‬ות במקטעים‪ ,‬באזור מע"ר תל‪ -‬אביב‬
‫‪41‬‬
‫אביב‬-‫ באזור מע"ר תל‬,‫ות במקטעי רחובות‬‫ מודלים לחיזוי תאו‬:5.1.10 ‫טבלה‬
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-8.71027
1.31220 -6.638 7.63e-11
Lg_PMValue
1.26643
0.26231
4.828 1.79e-06
I((Lg_PMValue >= 5) * (Lg_PMValue - 5)) -1.02460
0.32666 -3.137 0.00180
Lg_VMValue
0.36353
0.13036
2.789 0.00548
I((Lg_VMValue >= 6) * (Lg_VMValue - 6)) -0.26184
0.20990 -1.247 0.21277
Lg_VSegLen
0.42949
0.07525
5.708 1.87e-08
(Dispersion parameter 1.893)
‫ות חמורות‬‫ב – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-12.3631
1.5976 -7.739 4.81e-14
Lg_PMValue
0.6332
0.1540
4.111 4.53e-05
Lg_VMValue
0.9057
0.1794
5.050 6.02e-07
Lg_VSegLen
0.1037
0.2641
0.393 0.69463
I((Lg_VSegLen >= 3.5) * (Lg_VSegLen - 3.5))
1.5481
0.5078
3.049 0.00241
(Dispersion parameter 1.162)
‫ות הולכי רגל‬‫ג – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-10.75449
1.91103 -5.628 2.91e-08
Lg_PMValue
1.44926
0.38762
3.739 0.000204
I((Lg_PMValue >= 5) * (Lg_PMValue - 5)) -1.02862
0.44409 -2.316 0.020912
Lg_VMValue
0.24409
0.09373
2.604 0.009458
Lg_VSegLen
0.45239
0.08976
5.040 6.32e-07
(Dispersion parameter 1.324)
‫ות כלי רכב‬‫ד – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-8.58763
1.39464 -6.158 1.42e-09
Lg_PMValue
1.23063
0.27945
4.404 1.28e-05
I((Lg_PMValue >= 5) * (Lg_PMValue - 5)) -1.02793
0.34630 -2.968 0.00312
Lg_VMValue
0.33753
0.13753
2.454 0.01443
I((Lg_VMValue >= 6) * (Lg_VMValue - 6)) -0.24040
0.22095 -1.088 0.27706
Lg_VSegLen
0.42732
0.07981
5.354 1.26e-07
(Dispersion parameter 1.983)
:‫ה‬‫הצורה המתמטית של המודלים המסבירים הי‬
‫ות‬‫לסך התאו‬
Acctot = e
-8.71
· PMValue
1.27
· VMValue
0.364
· VSegLen
0.43
·
e -1.025* I2* (lg_PMValue - 5) · e -0.262* I1* (lg_VMValue - 6)
0=I2 ,Lg_PMValue >=5 ‫ כאשר‬1=I2 ;‫ אחרת‬0=I1 ,Lg_VMValue >= 6 ‫ כאשר‬1=I1 :‫כאשר‬
;‫אחרת‬
‫ות החמורות‬‫לתאו‬
AccHard = e -12.36 · PMValue 0.633 · VMValue 0.906 · VSegLen 0.104 · e
1.55* I3* (lg_VSegLen – 3.5)
;‫ אחרת‬0=I3 ,Lg_VSegLen >= 3.5 ‫ כאשר‬1=I3 :‫כאשר‬
‫ות הולכי רגל‬‫לתאו‬
AccPed = e -10.75 · PMValue 1.45 · VMValue 0.244 · VSegLen 0.45 · e -1.03* I2* (lg_PMValue - 5)
;‫ אחרת‬0=I2 ,Lg_PMValue >= 5 ‫ כאשר‬1=I2 :‫כאשר‬
‫ות כלי רכב‬‫לתאו‬
42
‫· ‪AccVeh = e -8.59 · PMValue 1.23 · VMValue 0.34 · VSegLen 0.427‬‬
‫)‪e -1.028* I2* (lg_PMValue - 5) · e -0.24* I1* (lg_VMValue - 6‬‬
‫כאשר‪ 1=I1 :‬כאשר ‪ 0=I1 ,Lg_VMValue >= 6‬אחרת; ‪ 1=I2‬כאשר ‪0=I2 ,Lg_PMValue >= 5‬‬
‫אחרת‪.‬‬
‫המשת‪‬ים במודלים הם‪:‬‬
‫‪ – Acctot‬סך התאו‪‬ות במקטע רחוב;‬
‫‪ – AccHard‬מספר תאו‪‬ות חמורות במקטע רחוב;‬
‫‪ – AccPed‬מספר תאו‪‬ות הולכי רגל במקטע רחוב;‬
‫‪ – AccVeh‬מספר תאו‪‬ות כלי רכב במקטע רחוב;‬
‫‪ – VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח ת‪‬ועת כלי הרכב;‬
‫‪ - PMValue‬פח ת‪‬ועת הולכי רגל במקטע; ‪ - Lg_PMValue‬לוגריתם של ‪‬פח ת‪‬ועת הולכי הרגל;‬
‫‪ - VSegLen‬אורך מקטע רחוב; ‪ - Lg_VSegLen‬לוגריתם של אורך מקטע רחוב‪.‬‬
‫סיכום‬
‫על סמך ‪‬תו‪‬י תל אביב ‪ -‬אזור מע"ר‪ ,‬ב‪‬ו מודלים מסבירים לקשר בין ‪‬פחי ת‪‬ועת כלי הרכב‪ ,‬פחי‬
‫ת‪‬ועת הולכי הרגל ואורך המקטע לבין תאו‪‬ות הדרכים‪ ,‬מ‪ 4-‬סוגים‪ .‬במודלים עבור כל סוגי‬
‫התאו‪‬ות‪ ,‬מספר התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת הולכי הרגל‪ ,‬ב‪‬פח ת‪‬ועת כלי הרכב ובאורך‬
‫המקטע‪ .‬ב‪‬וסף ‪‬מצאו ‪‬קודות שי‪‬וי כלהלן‪:‬‬
‫ במודלים לסך התאו‪‬ות‪ ,‬תאו‪‬ות הולכי רגל ותאו‪‬ות רכב‪ ,‬קצב העלייה בתאו‪‬ות מתמתן כאשר‬‫‪‬פח ת‪‬ועת הולכי הרגל עולה על ‪ 150‬הולכי רגל‪ ,‬בשעה;‬
‫ במודלים לסך התאו‪‬ות ולתאו‪‬ות רכב‪ ,‬קצב העלייה בתאו‪‬ות מתמתן כאשר ‪‬פח ת‪‬ועת כלי‬‫הרכב עולה על ‪ 400‬כלי רכב‪ ,‬בשעה;‬
‫ במודל לתאו‪‬ות החמורות‪ ,‬קצב העלייה בתאו‪‬ות מתחזק כאשר אורך המקטע עולה על ‪ 33‬מ'‪.‬‬‫השפעת ‪‬פחי הת‪‬ועה ואורך המקטע על סוגי תאו‪‬ות שו‪‬ים‪ ,‬ככלל‪ ,‬הייתה מובהקת‪.‬‬
‫‪ .5.1.7‬יתוח ‪‬תו‪‬י כפר סבא‬
‫)‪ (1‬סטטיסטיקה תיאורית‬
‫עבור כפר סבא ‪ -‬מרכז עיר‪ ,‬ותחו ‪ 243‬מקטעי רחובות‪ .‬בין ערכי המשת‪‬ים ‪ PSegLen‬ו‪VSegLen -‬‬
‫‪‬מצאה קורלציה גבוהה )‪ ;(65%‬לכן‪ ,‬בפיתוח המודלים ‪‬עשה שימוש במשת‪‬ה אחד‪.VSegLen ,‬‬
‫עבור מאפיין החזית המסחרית )‪ ,(ComFront‬המצבים של "‪ "1‬ו‪ "2"-‬היו לא שכיחים )‪ 5.3%‬ו‪-‬‬
‫‪ 9.0%‬מהמקטעים‪ ,‬בהתאמה(‪ ,‬כאשר רוב המקטעים )‪ 208‬או ‪ (86%‬הם ללא חזית מסחרית‪ .‬לכן‪,‬‬
‫עבור משת‪‬ה זה ‪‬וצר משת‪‬ה דיכוטומי ‪ ,I_ComFront‬עם ערכים‪ - 0 :‬אין‪ - 1 ,‬יש חזית מסחרית‬
‫ברחוב‪.‬‬
‫‪43‬‬
‫טבלה ‪ 5.1.11‬מציגה סטטיסטיקה תיאורית של ‪‬תו‪‬י כפר סבא‪ .‬יתן לראות כי תאו‪‬ות הדרכים‬
‫‪‬רשמו ב‪ 80 ,15 ,125-‬ו‪ 105-‬מקטעי הרחובות‪ ,‬לפי הסוגים של סך התאו‪‬ות‪ ,‬התאו‪‬ות החמורות‪,‬‬
‫תאו‪‬ות הולכי רגל ותאו‪‬ות רכב‪ ,‬בהתאמה‪.‬‬
‫טבלה ‪ :5.1.11‬סטטיסטיקה תיאורית של ‪‬תו‪‬י כפר סבא ‪ -‬מרכז עיר‬
‫משמעות המשתנה‬
‫סך התאונות עם נפגעים‬
‫תאונות חמורות‬
‫תאונות הולכי רגל‬
‫תאונות עם כלי רכב‬
‫מספר מקטעים עם סך התאונות עם נפגעים‬
‫מספר מקטעים עם תאונות חמורות‬
‫מספר מקטעים עם תאונות הולכי רגל‬
‫מספר מקטעים עם תאונות כלי רכב‬
‫נפח תנועת הולכי רגל‬
‫נפח תנועת כלי רכב‬
‫אורך מקטע במפת כלי רכב‬
‫משתנה‬
‫‪Acctot‬‬
‫‪AccHard‬‬
‫‪AccPed‬‬
‫‪AccVeh‬‬
‫‪I_Acctot‬‬
‫‪I_AccHard‬‬
‫‪I_AccPed‬‬
‫‪I_AccVeh‬‬
‫‪PMValue‬‬
‫‪VMValue‬‬
‫‪VSegLen‬‬
‫‪N‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪243‬‬
‫‪Sum‬‬
‫‪557‬‬
‫‪19‬‬
‫‪192‬‬
‫‪365‬‬
‫‪125‬‬
‫‪15‬‬
‫‪80‬‬
‫‪105‬‬
‫‪30758‬‬
‫‪24297‬‬
‫‪24534‬‬
‫‪Mean‬‬
‫‪2.3‬‬
‫‪0.1‬‬
‫‪0.8‬‬
‫‪1.5‬‬
‫‪0.5‬‬
‫‪0.1‬‬
‫‪0.3‬‬
‫‪0.4‬‬
‫‪126.6‬‬
‫‪100.0‬‬
‫‪101.0‬‬
‫‪Std Dev‬‬
‫‪3.8‬‬
‫‪0.3‬‬
‫‪1.5‬‬
‫‪2.8‬‬
‫‪0.5‬‬
‫‪0.2‬‬
‫‪0.5‬‬
‫‪0.5‬‬
‫‪135.2‬‬
‫‪160.6‬‬
‫‪72.9‬‬
‫‪Minimum‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪73.5‬‬
‫‪0.0‬‬
‫‪1.5‬‬
‫‪Maximum‬‬
‫‪19‬‬
‫‪2‬‬
‫‪10‬‬
‫‪17‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪893.1‬‬
‫‪1048.0‬‬
‫‪362.2‬‬
‫הערכים של ‪‬פחי ת‪‬ועה עבור מקטעי המחקר‪ ,‬באזור כפר סבא‪ ,‬היו כלהלן‪:‬‬
‫‪‬פח ת‪‬ועת הולכי רגל )‪ (PMValue‬בטווח בין ‪ 74‬עד ‪ ,893‬עם ממוצע ‪;127‬‬
‫‪‬פח ת‪‬ועת כלי רכב )‪ (VMValue‬בטווח בין ‪ 0‬עד ‪ ,1048‬עם ממוצע ‪.100‬‬
‫בעקבות בחי‪‬ת ה‪‬תו‪‬ים‪ ,‬הורדו ‪ 20‬מקטעים עם ערכים חריגים של אורך המקטע‪:‬‬
‫‪) Lg_VSegLen<=2.5‬עד ‪ 12‬מ'(‪.‬‬
‫)‪ (2‬בחי‪‬ת צורת הקשר בין המסבירים והתאו‪‬ות‬
‫איור ‪ ,5.1.6‬א'‪-‬ד'‪ ,‬מציג את צורת הקשר בן המשת‪‬ים המסבירים )‪‬פחי הת‪‬ועה‪ ,‬אורך המקטע(‬
‫לבין התאו‪‬ות‪ ,‬לפי ‪ 4‬סוגי התאו‪‬ות ה‪‬בח‪‬ים‪ .‬בעקבות הבדיקה האי‪-‬פרמטרית עבור כל אחד‬
‫מסוגי התאו‪‬ות ‪‬מצא קשר מובהק עם המשת‪‬ים של ‪‬פח ת‪‬ועת כלי רכב ואורך המקטע; כמו כן‪,‬‬
‫עבור תאו‪‬ות הולכי רגל זוהתה השפעה של ‪‬פח ת‪‬ועת הולכי הרגל‪ .‬משת‪‬ים אלה שימשו‬
‫להתאמת המודלים הפרמטריים‪ ,‬בתוספת מאפיין של חזית מסחרית )במודלים עבור תאו‪‬ות‬
‫הולכי רגל ותאו‪‬ות כלי רכב(‪.‬‬
‫)‪ (3‬המודלים המסבירים‬
‫טבלה ‪ 5.1.12‬מציגה את המודלים המסבירים שהותאמו ל‪‬תו‪‬י כפר סבא‪ ,‬לפי סוגי התאו‪‬ות‪ .‬רמת‬
‫השו‪‬ות המוסברת ע"י המודלים הי‪‬ה כלהלן‪ 27.4% :‬עבור סך התאו‪‬ות‪ 30.1% ,‬עבור התאו‪‬ות‬
‫החמורות‪ 29.5% ,‬עבור תאו‪‬ות הולכי רגל‪ 24.2% ,‬עבור תאו‪‬ות כלי רכב‪.‬‬
‫לפי המודלים ‪‬יתן לראות כי‪:‬‬
‫ סך התאו‪‬ות עולה עם עליה ב‪‬פח ת‪‬ועת כלי רכב ובאורך המקטע‪ ,‬בטווח ה‪‬מוך של האורך‪ ,‬עד‬‫‪ 90‬מ'; כאשר מדובר באורך מקטע גדול יותר )מעל ‪ 90‬מ'(‪ ,‬קצב עליה במספר התאו‪‬ות מתמתן;‬
‫ מספר התאו‪‬ות החמורות עולה עם עליה ב‪‬פח ת‪‬ועת כלי רכב‪ ,‬כאשר להשפעת אורך המקטע‬‫‪‬מצא קשר משת‪‬ה‪ :‬בטווח ה‪‬מוך של האורך‪ ,‬עד ‪ 55‬מ'‪ ,‬מספר התאו‪‬ות יורד עם עליה באורך‬
‫המקטע‪ ,‬בעוד שבאורך מקטע גדול יותר )מעל ‪ 55‬מ'(‪ ,‬מספר התאו‪‬ות עולה עם עליה באורך‬
‫המקטע;‬
‫‪44‬‬
‫ מספר תאו‪‬ות הולכי רגל עולה עם עליה ב‪‬פח ת‪‬ועת כלי רכב‪ ,‬ב‪‬פח ת‪‬ועת הולכי הרגל ובאורך‬‫המקטע‪ .‬קצב גידול התאו‪‬ות עם עליה ב‪‬פח ת‪‬ועת כלי הרכב מתמתן כאשר ‪‬פח הת‪‬ועה עולה על‬
‫‪ 55‬כלי רכב בשעה‪ .‬עבור תאו‪‬ות הולכי רגל‪ ,‬וכחות החזית המסחרית מורידה את מספר‬
‫התאו‪‬ות;‬
‫ מספר תאו‪‬ות כלי רכב עולה עם עליה ב‪‬פח ת‪‬ועת כלי רכב ובאורך המקטע; כאשר מדובר‬‫באורך מקטע גדול יותר )מעל ‪ 100‬מ'(‪ ,‬קצב עליה במספר התאו‪‬ות מתמתן‪ .‬כמו כן‪ ,‬וכחות החזית‬
‫המסחרית מעלה במקצת את מספר התאו‪‬ות )השפעה לא מובהקת(‪.‬‬
‫השפעת ‪‬פחי הת‪‬ועה ואורך המקטע על כל סוגי התאו‪‬ות‪ ,‬ככלל‪ ,‬מובהקת‪.‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫)‪s(Lg_VMValue,1.99‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪Lg_VMValue‬‬
‫)‪s(Lg_PMValue,0.4‬‬
‫‪6‬‬
‫‪4‬‬
‫‪-2‬‬
‫‪6.0‬‬
‫‪5.0‬‬
‫‪Lg_PMValue‬‬
‫‪1‬‬
‫‪-1‬‬
‫‪-3‬‬
‫‪6.0‬‬
‫‪5.5‬‬
‫‪4.5‬‬
‫‪5.0‬‬
‫‪4.0‬‬
‫‪3.5‬‬
‫‪3.0‬‬
‫)‪s(Lg_VSegLen,2.06‬‬
‫‪6‬‬
‫‪4‬‬
‫‪2‬‬
‫‪0‬‬
‫‪6.5‬‬
‫‪5.5‬‬
‫‪4.5‬‬
‫‪2.5‬‬
‫‪Lg_VSegLen‬‬
‫א – סך התאו‪‬ות עם ‪‬פגעים‬
‫‪5‬‬
‫‪0‬‬
‫‪-5‬‬
‫‪-10‬‬
‫)‪s(Lg_VMValue,0.92‬‬
‫‪5‬‬
‫‪0‬‬
‫‪-5‬‬
‫‪-2‬‬
‫‪6.0‬‬
‫‪Lg_VMValue‬‬
‫‪5.0‬‬
‫)‪s(Lg_PMValue,0‬‬
‫‪-10‬‬
‫‪2‬‬
‫‪0‬‬
‫‪6.5‬‬
‫‪5.5‬‬
‫‪4.5‬‬
‫‪Lg_PMValue‬‬
‫‪5‬‬
‫‪0‬‬
‫‪-5‬‬
‫‪-10‬‬
‫ב – תאו‪‬ות חמורות‬
‫‪45‬‬
‫)‪s(Lg_VSegLen,0.92‬‬
‫‪6.0‬‬
‫‪5.5‬‬
‫‪5.0‬‬
‫‪4.5‬‬
‫‪4.0‬‬
‫‪Lg_VSegLen‬‬
‫‪3.5‬‬
‫‪3.0‬‬
‫‪2.5‬‬
5.0
5.5
6.0
2
0
-2
-4
s(Lg_VMValue,2.39)
2
0
-2
-4
s(Lg_PMValue,0.79)
4.5
6.5
-2
0
2
4
6
-2
0
2
Lg_VMValue
-4
s(Lg_VSegLen,0.92)
Lg_PMValue
2.5
3.0
3.5
4.0
4.5
5.0
5.5
6.0
Lg_VSegLen
4.5
5.0
5.5
6.0
1
-1
-3
s(Lg_VMValue,0.97)
1
-1
-3
s(Lg_PMValue,0)
‫ות הולכי רגל‬‫ג – תאו‬
6.5
-2
0
2
4
6
-1
1
Lg_VMValue
-3
s(Lg_VSegLen,2.07)
Lg_PMValue
2.5
3.0
3.5
4.0
4.5
5.0
5.5
6.0
Lg_VSegLen
‫ות כלי רכב‬‫ד – תאו‬
;‫ועת הולכי רגל‬‫פח ת‬ ‫ לוגריתם‬- Lg_PMValue ;‫ועת כלי רכב‬‫פח ת‬ ‫ לוגריתם‬- Lg_VMValue :‫הערות‬
‫ה המסביר‬‫קציה החלקה לביטוי הקשר בין המשת‬‫ הפו‬- ‫כי‬‫ לוגריתם אורך המקטע; בציר הא‬- Lg_VsegLen
.‫ה תלוי‬‫ עם לוגריתם של משת‬,‫ות‬‫ותאו‬
‫ועה ואורך המקטע‬‫פחי הת‬ ‫קציות החלקות שהותאמו לקשר בין‬‫ הפו‬: 5.1.6 ‫איו ר‬
‫ באזור כפר סבא‬,‫ות במקטעים‬‫לבין מספרי התאו‬
‫ באזור מרכז עיר כפר סבא‬,‫ות במקטעי רחובות‬‫ מודלים לחיזוי תאו‬:5.1.12 ‫טבלה‬
‫פגעים‬ ‫ות עם‬‫א – סך התאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-4.61951
1.35666 -3.405 0.000787
Lg_VMValue
0.47812
0.07425
6.439 7.51e-10
Lg_VSegLen
0.79626
0.30608
2.601 0.009915
I((Lg_VSegLen >= 4.5) * (Lg_VSegLen - 4.5)) -0.43745
0.52920 -0.827 0.409343
(Dispersion parameter 1.730)
‫ות חמורות‬‫ב – תאו‬
(Intercept)
Lg_VMValue
Lg_VSegLen
I((Lg_VSegLen >= 4) * (Lg_VSegLen - 4))
Estimate Std. Error t value Pr(>|t|)
-4.8532
2.8104 -1.727
0.0856
0.9754
0.2045
4.769 3.37e-06
-0.7206
0.7297 -0.987
0.3245
1.7964
1.0207
1.760
0.0798
(Dispersion parameter 0.727)
46
‫ות הולכי רגל‬‫ג – תאו‬
(Intercept)
Lg_PMValue
Lg_VMValue
I((Lg_VMValue >= 4) * (Lg_VMValue - 4))
Lg_VSegLen
as.factor(I_ComFront)1
Estimate Std. Error t value Pr(>|t|)
-9.1023
1.9405 -4.691 4.82e-06
0.8054
0.3842
2.096 0.037227
0.6405
0.1789
3.581 0.000423
-0.5652
0.3663 -1.543 0.124287
0.6236
0.1865
3.343 0.000976
-0.7803
0.4871 -1.602 0.110590
(Dispersion parameter 1.195)
‫ות כלי רכב‬‫ד – תאו‬
Estimate Std. Error t value Pr(>|t|)
(Intercept)
-5.20839
1.47220 -3.538 0.000493
Lg_VMValue
0.45291
0.09197
4.925 1.67e-06
Lg_VSegLen
0.86987
0.32538
2.673 0.008077
I((Lg_VSegLen >= 4.6) * (Lg_VSegLen - 4.6)) -0.79477
0.60391 -1.316 0.189542
as.factor(I_ComFront)1
0.07281
0.35606
0.204 0.838171
(Dispersion parameter 1.80)
:‫ה‬‫הצורה המתמטית של המודלים המסבירים הי‬
‫ות‬‫לסך התאו‬
Acctot = e -4.619 · VMValue 0.478 · VSegLen 0.796 · e -0.437* I1* (lg_VSegLen – 4.5)
;‫ אחרת‬0=I1 ,Lg_VSegLen >= 4.5 ‫ כאשר‬1=I1 :‫כאשר‬
‫ות החמורות‬‫לתאו‬
AccHard = e -4.853 · VMValue 0.975 · VSegLen -0.721 · e 1.796* I1* (lg_VSegLen - 4)
;‫ אחרת‬0=I1 ,Lg_VSegLen >= 4 ‫ כאשר‬1=I1 :‫כאשר‬
‫ות הולכי רגל‬‫לתאו‬
AccPed = e -9.102 · PMValue 0.805 · VMValue 0.640 · VSegLen 0.624 · eI ·
e -0.565* I1* (lg_VMValue - 4)
,Lg_VMValue >= 4 ‫ כאשר‬1=I1 ;‫ אחרת‬0=I ,‫ עבור מקטעים עם חזית מסחרית‬-0.780=I :‫כאשר‬
;‫ אחרת‬0=I1
‫ות כלי רכב‬‫לתאו‬
AccVeh = e -5.208 · VMValue 0.453 · VSegLen 0.87 · e -0.795* I1* (lg_VSegLen – 4.6) · eI
,Lg_VSegLen >= 4.6 ‫ כאשר‬1=I1 ;‫ אחרת‬0=I ,‫ עבור מקטעים עם חזית מסחרית‬0.073=I :‫כאשר‬
.‫ אחרת‬0=I1
:‫ים במודלים הם‬‫המשת‬
;‫ות במקטע רחוב‬‫ – סך התאו‬Acctot
;‫ות חמורות במקטע רחוב‬‫ – מספר תאו‬AccHard
;‫ות הולכי רגל במקטע רחוב‬‫ – מספר תאו‬AccPed
;‫ות כלי רכב במקטע רחוב‬‫ – מספר תאו‬AccVeh
;‫ועת כלי הרכב‬‫פח ת‬ ‫ לוגריתם של‬- Lg_VMValue ;‫ועת כלי רכב במקטע‬‫פח ת‬ – VMValue
;‫ועת הולכי רגל במקטע‬‫פח ת‬ – PMValue
47
‫‪ - VSegLen‬אורך מקטע רחוב; ‪ – Lg_VSegLen‬לוגריתם אורך מקטע רחוב‪.‬‬
‫סיכום‬
‫על סמך ‪‬תו‪‬י כפר סבא ‪ -‬מרכז עיר‪ ,‬ב‪‬ו מודלים מסבירים לקשר בין ‪‬פחי ת‪‬ועת כלי הרכב‪ ,‬אורך‬
‫המקטע וקיום החזית המסחרית לבין תאו‪‬ות הדרכים‪ ,‬מ‪ 4-‬סוגים‪ .‬סה"כ‪ ,‬המודלים עבור כל סוגי‬
‫התאו‪‬ות מראים קשר ישיר בין עליה ב‪‬פח ת‪‬ועת כלי הרכב ואורך המקטע לבין עליה בתאו‪‬ות‪.‬‬
‫במודל עבור תאו‪‬ות הולכי רגל ‪‬מצא קשר ישיר גם בין עליה ב‪‬פח ת‪‬ועת הולכי הרגל לבין עליה‬
‫בתאו‪‬ות‪ .‬השפעת ‪‬פחי הת‪‬ועה ואורך המקטע על התאו‪‬ות‪ ,‬ככלל‪ ,‬מובהקת‪.‬‬
‫לגבי החזית המסחרית‪ ,‬השפעתה על התאו‪‬ות ‪‬מצאה‪ ,‬בעיקר‪ ,‬עבור תאו‪‬ות הולכי רגל‪ ,‬כאשר‬
‫‪‬וכחות החזית המסחרית מזוהה עם ירידה בתאו‪‬ות‪.‬‬
‫‪ .5.1.8‬סיכום‬
‫טבלה ‪ 5.1.13‬מציגה סיכום לממצאי המודלים שהותאמו לאזורים השו‪‬ים‪ ,‬מבחי‪‬ת השפעת‬
‫מאפיי‪‬י המקטעים על התרחשות התאו‪‬ות‪ .‬לכל אזור עירו‪‬י‪ ,‬מובאים המאפיי‪‬ים המשפיעים‬
‫במודלים ל‪‬יבוי התאו‪‬ות‪ ,‬כאשר לכל מאפיין ש‪‬שאר במודלים מתואר השי‪‬וי הצפוי בתאו‪‬ות‬
‫כתלות בעליה בערך המאפיין‪ .‬אם לא צוין סוג תאו‪‬ה‪ ,‬הקשר המובא בטבלה מתייחס לכל סוגי‬
‫התאו‪‬ות‪ .‬מאידך‪ ,‬כאשר צורת הקשר תקפה לגבי סוגי תאו‪‬ות ‪‬בחרים בלבד‪ ,‬סוגי תאו‪‬ות אלה‬
‫מפורטים בטבלה‪.‬‬
‫טבלה ‪ :5.1.13‬סיכום לממצאי המודלים שהותאמו לתאו‪‬ות באזורים עירו‪‬יים שו‪‬ים‬
‫מאפיי‪‬ים משפיעים במודלים ל‪‬יבוי התאו‪‬ות‪:‬‬
‫השי‪‬וי הצפוי בתאו‪‬ות כתלות בעליה בערך המאפיין‬
‫‪‬וכחות החזית‬
‫אורך‬
‫‪‬פח ת‪‬ועת הולכי הרגל‬
‫‪‬פח ת‪‬ועת כלי הרכב‬
‫אזור‬
‫המסחרית‬
‫המקטע‬
‫עירו‪‬י‬
‫מספר התאו‪‬ות‬
‫‪-‬‬‫‪-‬‬‫עליה בתאו‪‬ות;‬
‫עולה‬
‫אשדוד ‪ -‬התמת‪‬ות בקצב העלייה‬
‫שכו‪‬ה א' ב‪‬פח ת‪‬ועה מעל ‪ 400‬כלי‬
‫רכב‪ ,‬בשעה‬
‫מספר התאו‪‬ות‬
‫בסך‬
‫עליה בתאו‪‬ות;‬
‫עליה בתאו‪‬ות;‬
‫עולה‬
‫התאו‪‬ות‪,‬‬
‫בתאו‪‬ות החמורות‪:‬‬
‫בסך התאו‪‬ות‪ ,‬תאו‪‬ות‬
‫תאו‪‬ות‬
‫הולכי רגל‪:‬‬
‫הולכי רגל‪ :‬קצב עלייה‬
‫ב‪‬פח ת‪‬ועה עד ‪ 55‬כלי‬
‫עליה‬
‫רכב בשעה‪ ,‬מגמת ירידה בתאו‪‬ות עם עליה ב‪‬פח‬
‫בת ים‬
‫בתאו‪‬ות‬
‫ת‪‬ועת הולכי רגל מתמתן‬
‫בתאו‪‬ות‬
‫כאשר ‪‬פח הולכי הרגל‬
‫עולה על ‪ 300‬הולכי רגל‬
‫בשעה‬
‫בסך התאו‪‬ות‪,‬‬
‫בתאו‪‬ות החמורות‪ ,‬תאו‪‬ות עליה‬
‫עליה בתאו‪‬ות;‬
‫תאו‪‬ות רכב‪:‬‬
‫בתאו‪‬ות‬
‫הולכי רגל‪ :‬עליה בתאו‪‬ות‬
‫עליה;‬
‫תל‪-‬אביב‬
‫בתאו‪‬ות‬
‫פלור‪‬טין‬
‫החמורות‪,‬‬
‫תאו‪‬ות הולכי‬
‫רגל‪ :‬ירידה‬
‫תל‪-‬אביב‬
‫אבן‬
‫גבירול‬
‫בסך התאו‪‬ות‪ ,‬תאו‪‬ות‬
‫הולכי רגל‪ ,‬תאו‪‬ות כלי‬
‫רכב‪ :‬עליה בתאו‪‬ות;‬
‫בסך התאו‪‬ות‪ ,‬תאו‪‬ות‬
‫הולכי רגל‪ ,‬תאו‪‬ות כלי‬
‫רכב‪:‬‬
‫‪48‬‬
‫עליה‬
‫בתאו‪‬ות‬
‫מספר‬
‫התאו‪‬ות‪,‬‬
‫ככלל‪ ,‬יורד‬
‫ב‪‬פח ת‪‬ועה עד ‪ 150‬כלי‬
‫רכב בשעה‪ ,‬עליה ב‪‬פח‬
‫ת‪‬ועת כלי הרכב קשורה‬
‫לירידה בתאו‪‬ות;‬
‫בתאו‪‬ות החמורות‪:‬‬
‫עליה בתאו‪‬ות‪ ,‬בכל‬
‫טווח ה‪‬פחים‬
‫עליה בתאו‪‬ות;‬
‫בסך התאו‪‬ות‪ ,‬תאו‪‬ות‬
‫רכב‪ :‬התמת‪‬ות בקצב‬
‫תל‪-‬אביב‬
‫מע"ר‬
‫כפר סבא‬
‫מע"ר‬
‫העלייה בתאו‪‬ות ב‪‬פח‬
‫ת‪‬ועה מעל ‪ 400‬כלי רכב‪,‬‬
‫בשעה‬
‫עליה בתאו‪‬ות‬
‫עליה בתאו‪‬ות;‬
‫בתחום עד ‪ 150‬הולכי רגל‬
‫בשעה‪ ,‬קשר חזק יותר בין‬
‫עליה ב‪‬פח הולכי הרגל לבין‬
‫עליה בתאו‪‬ות;‬
‫בתאו‪‬ות החמורות‪ :‬עליה‬
‫בתאו‪‬ות‪ ,‬בכל טווח‬
‫ה‪‬פחים‬
‫עליה בתאו‪‬ות;‬
‫בסך התאו‪‬ות‪ ,‬תאו‪‬ות‬
‫הולכי רגל‪ ,‬תאו‪‬ות רכב‪:‬‬
‫עליה‬
‫בתאו‪‬ות;‬
‫‪--‬‬
‫בתאו‪‬ות‬
‫החמורות‪:‬‬
‫התמת‪‬ות בקצב העלייה‬
‫בתאו‪‬ות ב‪‬פח ת‪‬ועת הולכי התחזקות‬
‫בקצב‬
‫רגל מעל ‪ 150‬הולכי רגל‪,‬‬
‫העלייה‬
‫בשעה‬
‫בתאו‪‬ות‬
‫כאשר אורך‬
‫המקטע‬
‫מעל ‪ 33‬מ'‬
‫עליה‬
‫תאו‪‬ות הולכי רגל‪ :‬עליה‬
‫בתאו‪‬ות‬
‫בתאו‪‬ות‬
‫תאו‪‬ות הולכי‬
‫רגל‪ :‬מספר‬
‫התאו‪‬ות יורד‬
‫‪‬יתן לראות שבאופן עקבי‪ ,‬בכל האזורים העירו‪‬יים ש‪‬ותחו במחקר‪ ,‬מצא קשר ישיר בין עליה‬
‫ב‪‬פח ת‪‬ועת כלי הרכב ועליה בתאו‪‬ות‪ .‬כמו כן‪ ,‬ברוב האזורים ‪‬מצא קשר ישיר בין עליה ב‪‬פח‬
‫ת‪‬ועת הולכי הרגל ועליה בתאו‪‬ות‪ .‬באזורים מסוימים וסוגי תאו‪‬ות ‪‬בחרים‪ ,‬הקשר בין ‪‬פחי‬
‫הת‪‬ועה והתאו‪‬ות לא היה אחיד‪ ,‬כאשר קיימים תחומים של ערכי ה‪‬פחים בהם קצב העלייה‬
‫בתאו‪‬ות מתמתן או מתחזק‪ .‬לדוגמא‪ ,‬באזורים אשדוד שכו‪‬ה א' ותל‪-‬אביב מע"ר‪ ,‬מצאה‬
‫התמת‪‬ות בקצב עלית התאו‪‬ות כאשר ‪‬פח ת‪‬ועת כלי הרכב עולה על ‪ 400‬כלי רכב בשעה‪.‬‬
‫ברוב האזורים‪ ,‬מצא קשר ישיר בין אורך מקטע הרחוב לבין מספרי התאו‪‬ות‪ .‬לעומת זאת‪,‬‬
‫השפעת ‪‬וכחות החזית המסחרית לא הייתה עקבית בכל האזורים‪ .‬בחלק מן האזורים )כגון‪:‬‬
‫אשדוד‪ ,‬בת ים‪ ,‬תל‪-‬אביב פלור‪‬טין ‪ -‬בסך התאו‪‬ות‪ ,‬תאו‪‬ות רכב( ‪‬וכחות החזית המסחרית הייתה‬
‫מזוהה עם עליה בתאו‪‬ות‪ .‬מאידך‪ ,‬באזורים כגון‪ :‬תל‪-‬אביב אבן גבירול‪ ,‬כפר סבא ‪ -‬וכחות החזית‬
‫המסחרית התקשרה עם ירידה בתאו‪‬ות‪.‬‬
‫‪.5.2‬‬
‫הערכת רמת סיכון מוחלטת ויחסית של מקומות לתאו‪‬ות דרכים‬
‫חלק זה מוקדש ל‪‬יתוח מפורט של ההתפלגות המרחבית של ‪‬פחי הת‪‬ועה ורמת סיכון של הולכי‬
‫רגל וכלי רכב‪ ,‬וזאת תוך התחשבות ברמת הסיכון היחסית לתאו‪‬ות הדרכים ב‪‬וסף לרמת הסיכון‬
‫המוחלטת בה התרכז ה‪‬יתוח בסעיף ‪ .5.1‬כפי שהוברר עד כה‪ ,‬כאשר מדובר על רמת סיכון‬
‫מוחלטת לתאו‪‬ות דרכים קיים קשר חיובי )ישיר( בין גידול ב‪‬פחי ת‪‬ועת הולכי רגל וכלי הרכב‬
‫לעלייה בכמות תאו‪‬ות הדרכים‪ .‬ואולם‪ ,‬כאשר רמת הסיכון ‪‬בח‪‬ת במו‪‬חים יחסיים )בהתחשב‬
‫ב‪‬פחי הת‪‬ועה( מתברר שככלל‪ ,‬גידול ב‪‬פחי הת‪‬ועה אי‪‬ו מגדיל את רמת הסיכון היחסית להולך‬
‫רגל או כלי רכב להיקלע לתאו‪‬ת דרכים‪.‬‬
‫‪49‬‬
‫הערכת רמת הסיכון היחסית לתאו‪‬ות דרכים מורכבת משלושה משת‪‬ים‪ :‬פח ת‪‬ועה במקטע‬
‫רחוב‪ ,‬סך התאו‪‬ות במקטע רחוב ואורך מקטע הרחוב‪ .‬עבור הולכי הרגל‪ ,‬סיכון יחסי חושב באופן‬
‫הבא‪:‬‬
‫‪Acc‬‬
‫‪PMValue ⁄PSegLen‬‬
‫= סיכון יחסי‬
‫כאשר ‪ vi‬מייצג את מקטע הרחוב ה‪‬בחן; ‪ PAcc‬מייצג את סך תאו‪‬ות הולכי רגל במקטע;‬
‫‪ PMValue‬מייצג את ‪‬פח ת‪‬ועת הולכי הרגל החזוי; ‪ PSegLen‬מייצג את אורך המקטע‪.‬‬
‫עבור כלי הרכב‪ ,‬סיכון יחסי חושב באופן הבא‪:‬‬
‫‪Acc‬‬
‫‪VMValue ⁄VSegLen‬‬
‫= סיכון יחסי‬
‫כאשר ‪ vi‬מייצג את מקטע הרחוב ה‪‬בחן; ‪ VAcc‬מייצג את סך תאו‪‬ות כלי הרכב במקטע;‬
‫‪ VMValue‬מייצג את ‪‬פח ת‪‬ועת כלי הרכב החזוי; ‪ VSegLen‬מייצג את אורך המקטע‪.‬‬
‫להלן תיאור סטטיסטי ומיפוי של ‪‬פחי ת‪‬ועה ורמות סיכון בכל אחד מאזורי המחקר‪.‬‬
‫‪ .5.2.1‬אשדוד‬
‫במרכז העירו‪‬י באשדוד קיים שו‪‬י בין סוגי הת‪‬ועות )הולכי רגל וכלי רכב(‪ ,‬הן באופן ההתפלגות‬
‫במרחב והן ב‪‬פח הת‪‬ועה הכללי‪ ,‬כאשר באופן ממוצע במקטע רחוב יש‪‬ם פי ‪ 2.7‬כלי רכב מהולכי‬
‫רגל‪ .‬הקשר החלש בין ‪‬פחי הת‪‬ועות )‪ (r=0.155, p<0.05‬בא לידי ביטוי גם מבחי‪‬ה מרחבית‬
‫)איור ‪ .(5.2.1‬מרבית הולכי הרגל ‪‬עים ברחובות הפ‪‬ימיים של המרכז העירו‪‬י בעוד ‪‬פח ת‪‬ועת כלי‬
‫הרכב מתרכז ברחובות הראשיים ברמת העיר )ראה איור ‪ .(5.2.7‬הבח‪‬ה זו ‪‬יתן לייחס לגישת‬
‫התכ‪‬ון המודר‪‬י שעל פיה הוקמה העיר‪.‬‬
‫ככלל קיים הבדל בין סוגי הת‪‬ועות לרמות סיכון‪ .‬בעוד ש‪‬פח ת‪‬ועת הולכי הרגל אי‪‬ו קשור‬
‫משמעותית לדרגות הסיכון‪ ,‬פח ת‪‬ועת כלי הרכב קשור באופן חיובי בי‪‬ו‪‬י לדרגת סיכון מוחלט‬
‫לתאו‪‬ות בש‪‬י סוגי הת‪‬ועות )‪ .(r=0.284/5, p<0.01‬וגם במו‪‬חים יחסיים‪ ,‬מצא כי השפעת הולכי‬
‫הרגל ז‪‬יחה אך עליה ב‪‬פח ת‪‬ועת כלי הרכב מגדילה את הסיכון היחסי של הולך רגל להיקלע‬
‫לתאו‪‬ה )‪) (r=0.194, p<0.01‬טבלה ‪.(5.2.1‬‬
‫מבחי‪‬ה מרחבית‪ ,‬יתן לראות שמרבית המקטעים בעלי סיכון מוחלט בי‪‬ו‪‬י וגבוה ‪‬מצאו גם‬
‫כבעלי סיכון יחסי בי‪‬ו‪‬י וגבוה‪ ,‬הן בת‪‬ועת הולכי רגל )‪ (r=0.628, p<0.01‬והן בת‪‬ועת כלי רכב‬
‫)‪ .(r=0.622, p<0.01‬ב‪‬וסף‪ ,‬המקטעים ש‪‬מצאו כבעלי סיכון מוחלט ויחסי בי‪‬ו‪‬י וגבוה להולכי‬
‫רגל‪ ,‬מצאו גם כמסוכ‪‬ים לכלי רכב בדרגות סיכון דומות )סיכון יחסי‪ ;r=0.890, p<0.01 ,‬סיכון‬
‫מוחלט‪ .(r=0.719, p<0.01 ,‬מכאן ‪‬יתן ללמוד כי אזורים בעלי סיכון לכלי רכב ‪‬מצאים כבעלי‬
‫סיכון להולכי רגל‪ ,‬הן באופן מוחלט והן באופן יחסי‪ .‬מבחי‪‬ה מרחבית‪ ,‬אזורים ה‪‬מצאים בסיכון‬
‫‪50‬‬
‫יחסי גבוה )בשתי הת‪‬ועות( ‪‬מצאים בדרך כלל במקטעים קצרים הסמוכים לצמתים )איור ‪.(5.2.1‬‬
‫לעומת זאת‪ ,‬מרבית האזורים הפ‪‬ימיים הפחות מרכזיים ברשת )איור ‪ ,(5.2.7‬הם בטוחים יותר‪,‬‬
‫הן מבחי‪‬ת סיכון מוחלט והן מבחי‪‬ת סיכון יחסי עבור שתי סוגי הת‪‬ועות‪.‬‬
‫טבלה ‪ :5.2.1‬מתאם )פירסון( בין פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( באשדוד‬
‫סיכון‬
‫יחסי‬
‫הולכי רגל‬
‫סיכון‬
‫יחסי‬
‫כלי רכב‬
‫יחס בין כלי‬
‫רכב להולכי‬
‫רגל‬
‫נפח תנועת‬
‫הולכי רגל‬
‫חזוי‬
‫‪1‬‬
‫*‪.155‬‬
‫‪-0.024‬‬
‫‪0.02‬‬
‫‪-0.01‬‬
‫‪0.014‬‬
‫**‪-.210‬‬
‫נפח תנועת כלי רכב חזוי‬
‫*‪.155‬‬
‫‪1‬‬
‫**‪.285‬‬
‫**‪.284‬‬
‫**‪.194‬‬
‫‪0.094‬‬
‫**‪.835‬‬
‫סיכון מוחלט הולכי רגל‬
‫‪-0.024‬‬
‫**‪.285‬‬
‫‪1‬‬
‫**‪.719‬‬
‫**‪.628‬‬
‫**‪.454‬‬
‫**‪.279‬‬
‫סיכון מוחלט כלי רכב‬
‫‪0.02‬‬
‫**‪.284‬‬
‫**‪.719‬‬
‫‪1‬‬
‫**‪.610‬‬
‫**‪.622‬‬
‫**‪.243‬‬
‫סיכון יחסי הולכי רגל‬
‫‪-0.01‬‬
‫**‪.194‬‬
‫**‪.628‬‬
‫**‪.610‬‬
‫‪1‬‬
‫**‪.890‬‬
‫*‪.140‬‬
‫סיכון יחסי כלי רכב‬
‫‪0.014‬‬
‫‪0.094‬‬
‫**‪.454‬‬
‫**‪.622‬‬
‫**‪.890‬‬
‫‪1‬‬
‫‪0.033‬‬
‫**‪-.210‬‬
‫**‪.835‬‬
‫**‪.279‬‬
‫**‪.243‬‬
‫*‪.140‬‬
‫‪0.033‬‬
‫‪1‬‬
‫נפח תנועת הולכי רגל חזוי‬
‫יחס בין כלי רכב להולכי רגל‬
‫נפח תנועת‬
‫כלי רכב‬
‫חזוי‬
‫סיכון‬
‫מוחלט‬
‫הולכי רגל‬
‫סיכון‬
‫מוחלט כלי‬
‫רכב‬
‫‪** Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪* Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪51‬‬
‫איור ‪ : 5.2.1‬התפלגות ‪‬פח י ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי‬
‫רגל )תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( באשדוד‬
‫‪.5.2.2‬‬
‫בת ים‬
‫במרכז העיר בת ים יש‪‬ם באופן ממוצע במקטע רחוב פי ‪ 2.1‬כלי רכב מהולכי רגל‪ .‬בין ‪‬פחי‬
‫הת‪‬ועות קיים קשר בעוצמה בי‪‬ו‪‬ית‪ -‬גבוהה )‪ .(r=0.498, p<0.01‬פחי הת‪‬ועה מצויים בקשר‬
‫חיובי חלש עם הסיכון המוחלט לתאו‪‬ות כלי הרכב )‪ (r=0.207-254, p<0.01‬ובקשר בי‪‬ו‪‬י חיובי‬
‫עם הסיכון המוחלט של תאו‪‬ות הולכי רגל )‪) (r=0.336-369, p<0.01‬טבלה ‪ .(5.2.2‬ככלל‪ ,‬אזורים‬
‫המסוכ‪‬ים לכלי רכב ‪‬וטים להיות מסוכ‪‬ים גם להולכי רגל )הן באופן מוחלט והן באופן יחסי(‪.‬‬
‫מבחי‪‬ה מרחבית )איור ‪ ,(5.2.2‬פחי הת‪‬ועה של הולכי הרגל מתרכזים בדרך כלל ברחובות‬
‫פ‪‬ימיים מרכזיים באזור )ראה איור ‪ (5.2.7‬בעוד ת‪‬ועת כלי הרכב ‪‬וטה להתרכז בשולי האזור‬
‫)שדרות יוספטל למשל( ובצירים מרכזים החותכים אותו לאורכו ולרוחבו )למשל רחוב בלפור‬
‫וירושלים(‪ .‬ב‪‬וסף על כך‪ ,‬יתן לראות כי מרבית האזורים הפ‪‬ימיים‪ ,‬ה‪‬מצאים כפחות מרכזיים‬
‫‪52‬‬
‫ברשת‪ ,‬הם בטוחים יותר‪ ,‬הן מבחי‪‬ת סיכון מוחלט והן מבחי‪‬ת סיכון יחסי עבור ש‪‬י סוגי‬
‫הת‪‬ועות‪ .‬לעומת זאת‪ ,‬האזורים בעלי הסיכון המוחלט הגבוה מתפרסים לאורך הרחובות‬
‫המרכזיים ברשת הדרכים‪ .‬קיים הבדל גם בין רמת הסיכון היחסי לרמת הסיכון מוחלט לגבי ש‪‬י‬
‫סוגי הת‪‬ועות ‪ -‬הסיכון המוחלט ‪‬וטה להתפרס בצורה ‪‬רחבת הן במרכז והן בשוליים‪ ,‬גם לאורך‬
‫מקטעים ארוכים יחסית‪ .‬לעומת זאת‪ ,‬מרבית האזורים בעלי סיכון יחסי גבוה‪ ,‬ובמיוחד כאשר‬
‫מדובר על סיכון יחסי גבוה להולכי רגל‪ ,‬מצויים במקטעים קצרים‪ ,‬סמוכים לצמתים או בתוכם‪,‬‬
‫לרוב בשולי האזור‪.‬‬
‫טבלה ‪ :5.2.2‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בבת ים‬
‫נפח תנועת‬
‫הולכי רגל‬
‫חזוי‬
‫נפח תנועת הולכי רגל חזוי‬
‫נפח תנועת‬
‫כלי רכב‬
‫חזוי‬
‫סיכון‬
‫מוחלט‬
‫הולכי רגל‬
‫סיכון‬
‫מוחלט‬
‫כלי רכב‬
‫סיכון‬
‫יחסי‬
‫הולכי רגל‬
‫סיכון‬
‫יחסי כלי‬
‫רכב‬
‫יחס בין כלי‬
‫רכב להולכי‬
‫רגל‬
‫‪1‬‬
‫**‪.498‬‬
‫**‪.336‬‬
‫**‪.207‬‬
‫‪-0.046‬‬
‫‪-0.033‬‬
‫**‪-.163‬‬
‫נפח תנועת כלי רכב חזוי‬
‫**‪.498‬‬
‫‪1‬‬
‫**‪.369‬‬
‫**‪.254‬‬
‫‪-0.026‬‬
‫‪-0.064‬‬
‫**‪.521‬‬
‫סיכון מוחלט הולכי רגל‬
‫**‪.336‬‬
‫**‪.369‬‬
‫‪1‬‬
‫**‪.493‬‬
‫*‪.091‬‬
‫‪0.043‬‬
‫**‪.116‬‬
‫סיכון מוחלט כלי רכב‬
‫**‪.207‬‬
‫**‪.254‬‬
‫**‪.493‬‬
‫‪1‬‬
‫‪0.003‬‬
‫*‪.091‬‬
‫**‪.107‬‬
‫סיכון יחסי הולכי רגל‬
‫‪-0.046‬‬
‫‪-0.026‬‬
‫*‪.091‬‬
‫‪0.003‬‬
‫‪1‬‬
‫**‪.355‬‬
‫‪0.017‬‬
‫סיכון יחסי כלי רכב‬
‫‪-0.033‬‬
‫‪-0.064‬‬
‫‪0.043‬‬
‫*‪.091‬‬
‫**‪.355‬‬
‫‪1‬‬
‫‪-0.047‬‬
‫יחס בין כלי רכב להולכי רגל‬
‫**‪-.163‬‬
‫**‪.521‬‬
‫**‪.116‬‬
‫**‪.107‬‬
‫‪0.017‬‬
‫‪-0.047‬‬
‫‪1‬‬
‫‪** Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪* Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪53‬‬
‫איור ‪ : 5.2.2‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בבת ים‬
‫‪ .5.2.3‬תל אביב‪ -‬פלור‪‬טין‬
‫באזור זה באופן ממוצע במקטע רחוב יש‪‬ם פי ‪ 1.5‬כלי רכב מהולכי רגל‪ .‬מבחי‪‬ה מרחבית ‪‬יתן‬
‫לומר שיש‪‬ו קשר בי‪‬ו‪‬י ומובהק בין שתי הת‪‬ועות )‪ ,(r=0.348, p<0.01‬ובמיוחד ברחובות עם ‪‬פח‬
‫הת‪‬ועה הבי‪‬ו‪‬י וה‪‬מוך )איור ‪ .(5.2.3‬בעוד שת‪‬ועת הולכי רגל ‪‬וטה להתמקם בחלק הצפון מזרחי‪,‬‬
‫‪‬פחי הת‪‬ועה הבי‪‬ו‪‬יים והגדולים של כלי הרכב מתרכזים בשולי האזור ובציר רוחב מרכזי החוצה‬
‫את האזור )דרך שלמה(‪ .‬גם באזור זה‪ ,‬בדומה לאזור המע"ר‪ ,‬המאפיין הבולט ביותר של ‪‬פחי‬
‫הת‪‬ועה של הולכי הרגל הוא קירבה למקומות מסחר ולאזור הב‪‬וי בצפיפות )ראה ‪‬ספח ‪.(8.1‬‬
‫‪54‬‬
‫בין ‪‬פחי הת‪‬ועה לסיכון המוחלט לתאו‪‬ות דרכים יש קשר בעוצמה בי‪‬ו‪‬ית ) ‪r=0.344-357,‬‬
‫‪) (p<0.01‬בעיקר בחלק הצפון מזרחי( וקשר חלש‪-‬בי‪‬ו‪‬י לסיכון המוחלט עבור כלי הרכב‬
‫)‪) (r=0.159-288, p<0.01‬טבלה ‪ .(5.2.3‬האזורים בעלי הסיכון המוחלט הגבוה של הולכי הרגל‬
‫מובח‪‬ים בהשוואה לת‪‬ועת כלי הרכב‪ .‬הם כוללים את החלק הצפון מזרחי )אזור המסחר( ואת‬
‫הצירים התוחמים את האזור ממזרח )רחוב שוקן ועלייה( ומצפון )דרך יפו ורחוב אילת(‪ ,‬וב‪‬וסף‬
‫את הציר המרכזי החותך את האזור לרוחבו )דרך שלמה( )איור ‪.(5.2.3‬‬
‫בין סיכון לכלי רכב לסיכון הולכי רגל קיים קשר בעיקר במו‪‬חים של סיכון יחסי ) ‪r=0.423-694‬‬
‫‪ ,(p<0.01‬כאשר קיים קשר חלש בין הסיכון המוחלט לסיכון היחסי לגבי כל אחת מהת‪‬ועות‬
‫)‪) (r=0.128-129, p<0.01‬טבלה ‪ .(5.2.3‬קשר זה בא לידי ביטוי בעיקר באזורים בעלי סיכון בי‪‬ו‪‬י‪.‬‬
‫יחד עם זאת‪ ,‬יתן לראות כי מרבית האזורים הבטוחים )סיכון ‪‬מוך( מבחי‪‬ה מוחלטת הי‪‬ם גם‬
‫בטוחים מבחי‪‬ה יחסית לגבי כל אחת מהת‪‬ועות ב‪‬פרד )איור ‪ ,(5.2.3‬במיוחד ברחובות פ‪‬ימיים‬
‫בעלי דרגת מרכזיות ‪‬מוכה )איור ‪ .(5.2.7‬יתן לראות כי הרחובות התוחמים את האזור במזרח‬
‫ובצפון )שוקן‪ ,‬עלייה‪ ,‬דרך יפו ואילת(‪ ,‬זוכים לסיכון יחסי בדרגה בי‪‬ו‪‬ית עבור שתי סוגי הת‪‬ועות‪.‬‬
‫מוקדי הסיכון היחסי הגבוה להולכי רגל ‪‬מצאים במקטעים קצרים בסמוך לצמתים או בתוכם‪,‬‬
‫במרכז האזור )בעיקר על דרך שלמה( ובחלק הצפון מזרחי )אזור המסחר(‪ ,‬בעוד שמוקדי הסיכון‬
‫הגבוה לכלי הרכב ‪‬מצאים במקטעים ‪‬קודתיים וקצרים בדרך שלמה ובמספר מקטעים‪ ,‬חלקם‬
‫קצרים בסמוך לצמתים‪ ,‬בחלק הצפו‪‬י מזרחי‪.‬‬
‫טבלה ‪ :5.2.3‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בתל אביב‪ -‬פלור‪‬טין‬
‫נפח תנועת‬
‫כלי רכב‬
‫חזוי‬
‫סיכון‬
‫מוחלט‬
‫הולכי רגל‬
‫סיכון‬
‫מוחלט כלי‬
‫רכב‬
‫סיכון‬
‫יחסי‬
‫הולכי רגל‬
‫סיכון‬
‫יחסי כלי‬
‫רכב‬
‫יחס בין כלי‬
‫רכב להולכי‬
‫רגל‬
‫נפח תנועת‬
‫הולכי רגל‬
‫חזוי‬
‫‪1‬‬
‫**‪.348‬‬
‫**‪.344‬‬
‫**‪.159‬‬
‫‪-0.03‬‬
‫‪-0.048‬‬
‫**‪-.193‬‬
‫נפח תנועת כלי רכב חזוי‬
‫**‪.348‬‬
‫‪1‬‬
‫**‪.357‬‬
‫**‪.288‬‬
‫‪0.022‬‬
‫‪-0.027‬‬
‫**‪.648‬‬
‫סיכון מוחלט הולכי רגל‬
‫**‪.344‬‬
‫**‪.357‬‬
‫‪1‬‬
‫**‪.423‬‬
‫**‪.128‬‬
‫‪0.06‬‬
‫‪0.084‬‬
‫סיכון מוחלט כלי רכב‬
‫**‪.159‬‬
‫**‪.288‬‬
‫**‪.423‬‬
‫‪1‬‬
‫‪0.036‬‬
‫**‪.129‬‬
‫**‪.204‬‬
‫סיכון יחסי הולכי רגל‬
‫‪-0.03‬‬
‫‪0.022‬‬
‫**‪.128‬‬
‫‪0.036‬‬
‫‪1‬‬
‫**‪.694‬‬
‫‪0.054‬‬
‫סיכון יחסי כלי רכב‬
‫‪-0.048‬‬
‫‪-0.027‬‬
‫‪0.06‬‬
‫**‪.129‬‬
‫**‪.694‬‬
‫‪1‬‬
‫‪0.009‬‬
‫יחס בין כלי רכב להולכי רגל‬
‫**‪-.193‬‬
‫**‪.648‬‬
‫‪0.084‬‬
‫**‪.204‬‬
‫‪0.054‬‬
‫‪0.009‬‬
‫‪1‬‬
‫נפח תנועת הולכי רגל חזוי‬
‫‪** Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪55‬‬
‫איור ‪ : 5.2.3‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( ב אזור פלור‪‬טין תל אביב‬
‫‪ .5.2.4‬תל אביב‪ -‬אבן גבירול‬
‫התפלגות ת‪‬ועות הולכי רגל וכלי הרכב באזור זה שו‪‬ות בהיקפן ‪ -‬באופן ממוצע במקטע רחוב‬
‫יש‪‬ם פי ‪ 3.7‬כלי רכב מהולכי רגל – ועם קשר חיובי חלש בי‪‬יהן )‪ .(r=0.266, p<0.01‬ת‪‬ועת הולכי‬
‫הרגל מתפרסת יותר בחלק המערבי )ממערב לרח' אבן גבירול( הוותיק עם מאפיי‪‬ים "קדם‬
‫מודר‪‬יים" ואילו ת‪‬ועת כלי הרכב מתפרסת יותר בחלק המזרחי החדש "המודר‪‬י" )איור ‪.(5.2.4‬‬
‫שתי הת‪‬ועות מתפרסות בצורה שו‪‬ה גם בתוך האזור ‪ -‬כלי רכב ברחובות בשולי האזור והולכי‬
‫רגל ברחובות פ‪‬ימיים פחות מרכזיים )איור ‪ .(5.2.7‬פחי הת‪‬ועה של הולכי הרגל ‪‬וטים להתרכז‬
‫בקירבה למסחר; באזור זה התגלה קשר חזק ומובהק בין תוצאות המודל למקטעים בהם ‪‬ערכו‬
‫‪56‬‬
‫ספירות הת‪‬ועה )הולכי רגל‪ ;r=0.848, p<0.01 -‬כלי רכב‪) .(r=0.888, p<0.01 -‬לפירוט ראו ‪‬ספח‬
‫‪.(8.1‬‬
‫ל‪‬פחי הת‪‬ועה קשר חיובי לרמת סיכון מוחלט לתאו‪‬ות דרכים )‪(r=0.391-451, p<0.01‬‬
‫המתבטא באופן ברור ב‪‬פחי הת‪‬ועה הגדולים ברחובות המרכזיים ארלוזורוב ואבן גבירול‪ ,‬ובאופן‬
‫מובחן‪ -‬להולכי הרגל ברחוב דיז‪‬גוף ולכלי הרכב בדרך ‪‬מיר )איור ‪ .(5.2.4‬קשר זה בא לידי ביטוי‬
‫גם ב‪‬פחי הת‪‬ועה ה‪‬מוכים ברחובות הפ‪‬ימיים‪ ,‬שהם בדרך כלל בעלי סיכון מוחלט ‪‬מוך‪.‬‬
‫ככלל יש התאמה בין רמות הסיכון להולכי רגל וכלי רכב ‪ -‬קשר חזק בין סיכון מוחלט וסיכון יחסי‬
‫לכלי רכב לסיכון מוחלט ויחסי להולכי רגל )‪) (r=0.682-795, p<0.01‬טבלה ‪ .(5.2.4‬יחד עם זאת‪,‬‬
‫עיון במפה )איור ‪ (5.2.4‬מלמד גם על שו‪‬י בדגם המרחבי של מקטעי רחוב מסוכ‪‬ים לכלי רכב‬
‫למקטעי רחוב מסוכ‪‬ים להולכי רגל‪ ,‬ובמיוחד כאשר מדובר על סיכון יחסי‪ .‬כך גם לגבי האזורים‬
‫הבטוחים‪ .‬יתירה מכך‪ ,‬מבחי‪‬ת הסיכון היחסי‪ ,‬מע‪‬יין לראות שבאזור המערבי )מערבית לרחוב‬
‫אבן גבירול(‪ ,‬המאופיין ב‪‬פחי ת‪‬ועה גדולים של הולכי רגל‪ ,‬מצא כי יש‪‬ם מקטעים רבים בעלי‬
‫סיכון יחסי גבוה לכלי רכב‪ .‬מ‪‬גד‪ ,‬באזור המזרחי המאופיין ב‪‬פח כלי רכב גבוה יחסית‪ ,‬מצאים‬
‫מוקדי הסיכון היחסי הגבוהים של הולכי הרגל )איור ‪ .(5.2.4‬אזורים אלו‪ ,‬ראים ממוקדים‬
‫במקטעים קצרים יחסית ובאזורים ממוקדים בתפרוסתם עבור שתי סוגי הת‪‬ועות‪ .‬כמו כן‪ ,‬יתן‬
‫לראות כי מרבית האזורים בעלי הסיכון היחסי הבי‪‬ו‪‬י ‪‬מצאים ברחובות מרכזיים בעיר‪ ,‬ומרבית‬
‫האזורים בעלי הסיכון היחסי ה‪‬מוך‪ ,‬מצאים לרוב ברחובות הפ‪‬ימיים ה‪‬מצאים כפחות מרכזיים‬
‫ברשת הרחובות )איור ‪.(5.2.7‬‬
‫טבלה ‪ : 5.2.4‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי‬
‫רגל )תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בתל אביב‪ -‬אבן גבירול‬
‫נפח תנועת‬
‫הולכי רגל‬
‫חזוי‬
‫נפח תנועת הולכי רגל חזוי‬
‫נפח תנועת‬
‫כלי רכב‬
‫חזוי‬
‫סיכון‬
‫מוחלט‬
‫הולכי רגל‬
‫סיכון‬
‫מוחלט‬
‫כלי רכב‬
‫סיכון‬
‫יחסי‬
‫הולכי רגל‬
‫סיכון יחסי‬
‫כלי רכב‬
‫יחס בין כלי‬
‫רכב להולכי‬
‫רגל‬
‫‪1‬‬
‫**‪.266‬‬
‫**‪.405‬‬
‫**‪.391‬‬
‫‪0.05‬‬
‫‪0.012‬‬
‫*‪-.097‬‬
‫נפח תנועת כלי רכב חזוי‬
‫**‪.266‬‬
‫‪1‬‬
‫**‪.451‬‬
‫**‪.413‬‬
‫‪0.037‬‬
‫‪-0.058‬‬
‫**‪.145‬‬
‫סיכון מוחלט הולכי רגל‬
‫**‪.405‬‬
‫**‪.451‬‬
‫‪1‬‬
‫**‪.682‬‬
‫*‪.106‬‬
‫‪0.025‬‬
‫‪0.014‬‬
‫סיכון מוחלט כלי רכב‬
‫**‪.391‬‬
‫**‪.413‬‬
‫**‪.682‬‬
‫‪1‬‬
‫‪0.058‬‬
‫*‪.120‬‬
‫‪0.003‬‬
‫סיכון יחסי הולכי רגל‬
‫‪0.05‬‬
‫‪0.037‬‬
‫*‪.106‬‬
‫‪0.058‬‬
‫‪1‬‬
‫**‪.795‬‬
‫‪-0.003‬‬
‫סיכון יחסי כלי רכב‬
‫‪0.012‬‬
‫‪-0.058‬‬
‫‪0.025‬‬
‫*‪.120‬‬
‫**‪.795‬‬
‫‪1‬‬
‫‪-0.036‬‬
‫יחס בין כלי רכב להולכי רגל‬
‫*‪-.097‬‬
‫**‪.145‬‬
‫‪0.014‬‬
‫‪0.003‬‬
‫‪-0.003‬‬
‫‪-0.036‬‬
‫‪1‬‬
‫‪** Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪* Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪57‬‬
‫איור ‪ : 5.2.4‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( באזור אבן גבירול בתל אביב‬
‫‪ .5.2.5‬תל אביב‪ -‬מע"ר‬
‫ת‪‬ועות הולכי רגל וכלי רכב ‪‬בדלות באזור‪ .‬באופן ממוצע במקטע רחוב יש‪‬ם פי ‪ 2.6‬כלי רכב‬
‫מהולכי רגל עם מתאם חיובי חלש בי‪‬הן )‪ . (r=0.179, p<0.01‬מבחי‪‬ה מרחבית‪ ,‬וטים ‪‬פחי כלי‬
‫הרכב להתרכז בשולי האזור‪ ,‬בעיקר באזור המזרחי והצפו‪‬י‪ .‬לעומת זאת‪ ,‬בגלל אופיו של המע"ר‬
‫‪‬יכרת קירבה של ת‪‬ועת הולכי הרגל למקומות מסחר )ראה ‪‬ספח ‪ ,(8.1‬ובמידה מסוימת משיכה‬
‫לצירים מרכזיים )בעיקר בחלק המערבי ברחוב אל‪‬בי( )איורים ‪ 5.2.5‬ו‪.(5.2.7 -‬‬
‫הסיכון המוחלט לתאו‪‬ות דרכים מצוי במתאם עם ‪‬פחי הת‪‬ועה של הולכי הרגל ) ‪r=248-277,‬‬
‫‪ (p<0.01‬רק בין הסיכון המוחלט של שתי הת‪‬ועות‪ .‬יחד עם זאת‪ ,‬בולטת באזור זה ההשפעה של‬
‫ריבוי כלי רכב )היחס כלי רכב‪/‬הולכי רגל( על הסיכון היחסי של הולכי הרגל )‪(r=850, p<0.01‬‬
‫)טבלה ‪.(5.2.5‬‬
‫‪58‬‬
‫באזור קיימת אי‪-‬התאמה בין סיכון מוחלט לסיכון יחסי‪ .‬ככלל‪ ,‬מוקדי הסיכון היחסי הגבוה עבור‬
‫הולכי הרגל מרוכזים בעיקר בחלק המזרחי )רחוב רוטשילד ומזרחה(‪ ,‬במרבית המקרים‪,‬‬
‫במקטעים קצרים הסמוכים לצמתים או בתוכם‪ ,‬לרוב בסמוך לשימושי קרקע מעורבים‪ .‬לעומת‬
‫זאת‪ ,‬מוקדי הסיכון היחסי עבור כלי רכב מתפרסים בצורה פחות מוגדרת )איור ‪.(5.2.5‬‬
‫טבלה ‪ : 5.2.5‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי‬
‫רגל )תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בתל אביב‪ -‬מע"ר‬
‫נפח תנועת‬
‫כלי רכב‬
‫חזוי‬
‫סיכון‬
‫מוחלט‬
‫הולכי רגל‬
‫סיכון‬
‫מוחלט כלי‬
‫רכב‬
‫סיכון‬
‫יחסי‬
‫הולכי רגל‬
‫סיכון‬
‫יחסי כלי‬
‫רכב‬
‫יחס בין כלי‬
‫רכב להולכי‬
‫רגל‬
‫נפח תנועת‬
‫הולכי רגל‬
‫חזוי‬
‫‪1‬‬
‫**‪.179‬‬
‫**‪.277‬‬
‫**‪.248‬‬
‫‪-0.04‬‬
‫‪0.009‬‬
‫**‪-.154‬‬
‫נפח תנועת כלי רכב חזוי‬
‫**‪.179‬‬
‫‪1‬‬
‫‪0.061‬‬
‫‪0.033‬‬
‫‪-0.028‬‬
‫‪-0.045‬‬
‫**‪.172‬‬
‫סיכון מוחלט הולכי רגל‬
‫**‪.277‬‬
‫‪0.061‬‬
‫‪1‬‬
‫**‪.652‬‬
‫‪0.002‬‬
‫‪0.044‬‬
‫‪-0.047‬‬
‫סיכון מוחלט כלי רכב‬
‫**‪.248‬‬
‫‪0.033‬‬
‫**‪.652‬‬
‫‪1‬‬
‫‪-0.026‬‬
‫*‪.103‬‬
‫‪-0.072‬‬
‫סיכון יחסי הולכי רגל‬
‫‪-0.04‬‬
‫‪-0.028‬‬
‫‪0.002‬‬
‫‪-0.026‬‬
‫‪1‬‬
‫‪-0.007‬‬
‫**‪.850‬‬
‫סיכון יחסי כלי רכב‬
‫‪0.009‬‬
‫‪-0.045‬‬
‫‪0.044‬‬
‫*‪.103‬‬
‫‪-0.007‬‬
‫‪1‬‬
‫‪-0.03‬‬
‫**‪-.154‬‬
‫**‪.172‬‬
‫‪-0.047‬‬
‫‪-0.072‬‬
‫**‪.850‬‬
‫‪-0.03‬‬
‫‪1‬‬
‫נפח תנועת הולכי רגל חזוי‬
‫יחס בין כלי רכב להולכי רגל‬
‫‪** Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪* Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪59‬‬
‫איור ‪ : 5.2.5‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( באזור מע"ר תל אביב‬
‫‪ .5.2.6‬כפר סבא‬
‫מרכז העיר כפר סבא ייחודי בדומי‪‬טיות של ת‪‬ועת הולכי הרגל ‪ -‬באופן ממוצע במקטע רחוב‬
‫יש‪‬ם פי ‪ 1.2‬הולכי רגל מת‪‬ועת כלי רכב‪ .‬יחד עם זאת‪ ,‬שתי הת‪‬ועות מתרכזות במספר מצומצם‬
‫של רחובות מרכזיים )בולט בעיקר רחוב וויצמן החוצה את רוחבו של המרכז ומושך אליו את ‪‬פחי‬
‫הת‪‬ועה הגדולים ביותר(‪ .‬קשר זה בין הת‪‬ועות מתבטא גם במתאם בעוצמה חזקה ) ‪r=0.769,‬‬
‫‪) (p<0.01‬טבלה ‪.(5.2.6‬‬
‫בין ‪‬פחי הת‪‬ועה לבין רמת הסיכון סיכון המוחלט לתאו‪‬ות דרכים קיים מתאם חיובי עבור ש‪‬י‬
‫סוגי הת‪‬ועות )‪ (r=0.252-404, p<0.01‬וכך גם המתאם בין הסיכון המוחלט לתאו‪‬ות כלי רכב‬
‫לסיכון המוחלט לתאו‪‬ות הולכי רגל )‪) (r=0.486, p<0.01‬טבלה ‪ .(5.2.6‬יוצא איפוא‪ ,‬שיש‪‬ם‬
‫אזורים בהם קיימת ת‪‬ועה אי‪‬ט‪‬סיבית שמלווה ברמת סיכון מוחלט גבוהה )איור ‪ .(5.2.6‬ת‪‬ועת‬
‫‪60‬‬
‫רכב רבה מלווה בעלייה בסיכון מוחלט לתאו‪‬ות כלי רכב ות‪‬ועת הולכי רגל מלווה בעלייה בסיכון‬
‫המוחלט לתאו‪‬ות בהן מעורבים הולכי רגל‪ .‬אזורים בעלי סיכון מוחלט גבוה )איור ‪(5.2.6‬‬
‫משתרעים לרוב ברחובות המרכזיים ברשת הדרכים )איור ‪ ,(5.2.7‬הן במרכז והן בשולי האזור‪.‬‬
‫מ‪‬גד‪ ,‬הרחובות הפ‪‬ימיים )שהי‪‬ם פחות מרכזיים( ‪‬ראים כבטוחים יותר עבור שתי סוגי הת‪‬ועות‪.‬‬
‫רמת הסיכון המוחלט ורמת הסיכון היחסי לגבי כל ת‪‬ועה גם כן מצויות במתאם חיובי אם כי‬
‫חלש יותר‪.‬‬
‫בין אזורים בעלי סיכון מוחלט לאזורים בעלי סיכון היחסי עבור הולכי הרגל קיים קשר חלש‬
‫)‪ ,(r=0.265, p<0.01‬אך באשר לת‪‬ועת כלי רכב הקשר בין רמות הסיכון חלש מאוד ולא מובהק‪.‬‬
‫יחד עם זאת ‪‬יתן לראות כי מרבית האזורים הבטוחים מבחי‪‬ה מוחלטת הי‪‬ם גם בטוחים‬
‫מבחי‪‬ה יחסית )עבור ש‪‬י סוגי הת‪‬ועות באופן ‪‬פרד(‪ .‬כמו כן ‪‬יתן להבחין כי אין קשר בין מוקדי‬
‫הסיכון היחסי של כלי רכב למוקדי הסיכון היחסי של הולכי הרגל‪ .‬להבדיל מהאזורים בעלי סיכון‬
‫מוחלט גבוה‪ ,‬האזורים בעלי הסיכון היחסי הגבוה ממוקדים יותר וכוללים מקטעים קצרים‬
‫יחסית ללא דגם מרחבי ברור ומובחן )איור ‪.(5.2.6‬‬
‫טבלה ‪ :5.2.6‬מתאם )פירסון( בין ‪‬פחי ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בכפר סבא‬
‫נפח תנועת‬
‫הולכי רגל‬
‫חזוי‬
‫נפח תנועת‬
‫כלי רכב‬
‫חזוי‬
‫סיכון‬
‫מוחלט‬
‫הולכי רגל‬
‫‪1‬‬
‫**‪.769‬‬
‫**‪.404‬‬
‫**‪.279‬‬
‫נפח תנועת כלי רכב חזוי‬
‫**‪.769‬‬
‫‪1‬‬
‫**‪.252‬‬
‫**‪.318‬‬
‫‪-0.002‬‬
‫סיכון מוחלט הולכי רגל‬
‫**‪.404‬‬
‫**‪.252‬‬
‫‪1‬‬
‫**‪.486‬‬
‫**‪.265‬‬
‫‪0.019‬‬
‫סיכון מוחלט כלי רכב‬
‫**‪.279‬‬
‫**‪.318‬‬
‫**‪.486‬‬
‫‪1‬‬
‫‪0.11‬‬
‫‪0.125‬‬
‫**‪.311‬‬
‫סיכון יחסי הולכי רגל‬
‫‪-0.024‬‬
‫‪-0.002‬‬
‫**‪.265‬‬
‫‪0.11‬‬
‫‪1‬‬
‫‪0.054‬‬
‫‪0.054‬‬
‫סיכון יחסי כלי רכב‬
‫‪-0.032‬‬
‫‪-0.052‬‬
‫‪0.019‬‬
‫‪0.125‬‬
‫‪0.054‬‬
‫‪1‬‬
‫‪-0.072‬‬
‫יחס בין כלי רכב להולכי רגל‬
‫**‪.187‬‬
‫**‪.663‬‬
‫*‪.159‬‬
‫**‪.311‬‬
‫‪0.054‬‬
‫‪-0.072‬‬
‫‪1‬‬
‫נפח תנועת הולכי רגל חזוי‬
‫סיכון‬
‫מוחלט‬
‫כלי רכב‬
‫סיכון‬
‫יחסי‬
‫הולכי רגל‬
‫סיכון‬
‫יחסי כלי‬
‫רכב‬
‫יחס בין כלי‬
‫רכב להולכי‬
‫רגל‬
‫‪-0.024‬‬
‫‪-0.032‬‬
‫**‪.187‬‬
‫‪-0.052‬‬
‫**‪.663‬‬
‫*‪.159‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪*. Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪61‬‬
‫איור ‪ : 5.2 . 6‬התפלגות ‪‬פח ת‪‬ועה ורמות סיכון לתאו‪‬ות כלי רכב ותאו‪‬ות הולכי רגל‬
‫)תאו‪‬ות דרכים שבהן מעורבים הולכי רגל( בכפר סבא‬
‫‪62‬‬
‫איור ‪ : 5.2.7‬התפ לגות דרגות מרכזיות באזורי המחקר‬
‫‪63‬‬
‫‪ .5.2.7‬סיכום‬
‫ב‪‬יתוח ‪‬תו‪‬י הת‪‬ועה והתאו‪‬ות בששת המרכזים העירו‪‬יים ש‪‬בח‪‬ו במחקר זה התגלה שהקשר‬
‫בין ‪‬פחי הת‪‬ועה לרמת הסיכון היחסית הוא לרוב חלש מאד ולא מובהק‪ .‬המשמעות היא‪,‬‬
‫שלהבדיל מרמת הסיכון המוחלטת ש‪‬מצאה במתאם חיובי עם הגידול ב‪‬פחי הת‪‬ועה )סעיף ‪,(5.1‬‬
‫רמת הסיכון היחסית אי‪‬ה משת‪‬ה ככלל כאשר ‪‬פחי הת‪‬ועה משת‪‬ים‪ .‬דהיי‪‬ו‪ ,‬מבחי‪‬ת הולך‬
‫הרגל או ה‪‬והג בכלי רכב רמת הסיכון לתאו‪‬ת דרכים אי‪‬ה משת‪‬ה כאשר הוא ‪‬ע במקטעי‬
‫רחובות שבהם ‪‬פחי ת‪‬ועה שו‪‬ים‪ .‬מבחי‪‬ת הפרט הבוחר מסלול ת‪‬ועה בעיר‪ ,‬ברגל או ברכב‪ ,‬רמת‬
‫הסיכון לתאו‪‬ת דרכים אי‪‬ה תלויה ב‪‬פח הת‪‬ועה במסלול ש‪‬בחר‪.‬‬
‫השוואה בין רמות הסיכון המוחלטת והיחסית בהקשר לכל סוג של תאו‪‬ות מלמדת שקיים הבדל‬
‫בין שתי רמות הסיכון ‪ -‬מצא קשר חיובי מובהק אך חלש במרבית האזורים הן לגבי הולכי רגל‬
‫והן לגבי כלי רכב )להוציא את האזור המרכזי באשדוד שבו המתאם )‪ (r‬עומד בהתאמה על ‪ 0.63‬ו‪-‬‬
‫‪ .(0.62‬דהיי‪‬ו‪ ,‬ההתחשבות ברמת הסיכון היחסית מש‪‬ה את מפת הסיכון‪ .‬מקומות שבהם יש‬
‫תאו‪‬ות רבות יותר אי‪‬ם בהכרח מסוכ‪‬ים יותר מ‪‬קודת במבט של הפרט המעריך את סיכויו‬
‫להיקלע לתאו‪‬ה‪ ,‬ובכך חשיבותה‪.‬‬
‫רמת הסיכון המוחלטת הכללית של תאו‪‬ות כלי רכב גבוהה יותר מאשר רמת הסיכון המוחלטת‬
‫של תאו‪‬ות שמעורבים בהן הולכי הרגל‪ ,‬אך גם התפרסותן המרחבית שו‪‬ה‪ .‬רמת הסיכון של כלי‬
‫הרכב ‪‬וטה להתפרס באזורים ‪‬רחבים יותר מאשר מוקדי הסיכון עבור הולכי הרגל‪ .‬עיון‬
‫בהתפלגות המרחבית של רמות הסיכון באזורי המחקר )איורים ‪ (5.2.1-5.2.6‬מלמד שמקטעי‬
‫רחובות בעלי רמת סיכון מוחלטת גבוהה לתאו‪‬ות כלי רכב משתרעים לאורך צירים מרכזיים‬
‫ברשת הדרכים‪ ,‬הן של האזור עצמו והן של כלל העיר )איור ‪ .(5.2.7‬ב‪‬וסף לכך‪ ,‬כאשר רמת הסיכון‬
‫לתאו‪‬ות כלי רכב היא ברמה בי‪‬ו‪‬ית וגבוהה היא ‪‬וטה להתפרס ברציפות על פ‪‬י מקטעים‬
‫סמוכים לאורך צירים‪ .‬טייה זו בולטת במיוחד במע"ר תל אביב וכפר סבא‪ .‬לעומת זאת רמת‬
‫הסיכון המוחלטת של הולכי רגל מתפרסת באופן מקוטע‪ ,‬וכאמור על פ‪‬י מרחב מצומם‪.‬‬
‫להבדיל מרמת הסיכון‪ ,‬התפלגות רמת הסיכון היחסית הן של הולכי הרגל והן של כלי רכב היא‬
‫מקוטעת ו‪‬קודתית‪ .‬מקטעי רחובות בעלי סיכון יחסי גבוה לתאו‪‬ות דרכים‪ ,‬מרוכזים במקבצים‬
‫במקומות שו‪‬ים במרחב‪ .‬במקרה של הולכי הרגל‪ ,‬מרביתם המוחלט של המקטעים בעלי סיכון‬
‫יחסי גבוה מאופיי‪‬ים במקטעים קצרים בסמוך לצמתים או בתוכם‪ .‬מע‪‬יין יחד עם זאת לראות‬
‫שבהתפלגות שתי רמות הסיכון‪ ,‬מרבית המקטעים ש‪‬מצאו כבעלי סיכון ‪‬מוך )‪ 0‬תאו‪‬ות(‪ ,‬מצאו‬
‫ברחובות פ‪‬ימיים יחסית בעלי אי‪‬טגרציה ‪‬מוכה יחסית לשאר המקומות ברשת הדרכים‬
‫המאופיי‪‬ים ב‪‬פח ת‪‬ועה ‪‬מוך‪ .‬טייה זו בולטת יותר במקרה של רמת סיכון יחסית של תאו‪‬ות‬
‫שבהן מעורבים הולכי הרגל‪.‬‬
‫כיצד קשורות רמות הסיכון של ש‪‬י סוגי התאו‪‬ות – תאו‪‬ות כלי רכב בלבד ותאו‪‬ות בהן מעורבים‬
‫הולכי רגל? במרבית המקרים ‪‬מצא קשר בי‪‬ו‪‬י עד חזק‪ ,‬בין הסיכון המוחלט עבור כלי רכב לבין‬
‫הסיכון המוחלט עבור הולכי רגל‪ ,‬כלומר‪ ,‬אין הבדל גדול בין סוגי התאו‪‬ות‪ .‬יחד עם זאת‪ ,‬כפי‬
‫שיפורט בהמשך יש‪‬ם מקומות מסוכ‪‬ים במיוחד לגבי כל אחד מסוגי התאו‪‬ות‪ .‬בדומה לרמת‬
‫הסיכון המוחלטת‪ ,‬רמות הסיכון היחסית לתאו‪‬ות כלי רכב ולתאו‪‬ות הולכי רגל ‪‬מצאות‬
‫במתאם חיובי בי‪‬ו‪‬י וגבוהה‪ ,‬אך רק בארבעה מתוך ששת האזורים ש‪‬בדקו‪ .‬בש‪‬י האזורים‬
‫‪64‬‬
‫האחרים‪ ,‬במע"ר תל אביב ובמרכז כפר סבא‪ ,‬אין קשר בין שתי רמות הסיכון‪ ,‬ככל ה‪‬ראה בגלל‬
‫התפלגות שו‪‬ה של הולכי רגל וכלי רכב‪.‬‬
‫‪.5.3‬‬
‫איתור אתרי תורפה ברשת הדרכים‬
‫איתור ‪‬קודות תורפה ‪‬עשה בשיטת באייס אמפירי )‪ (empirical Bayes‬על סמך חישוב של "מספר‬
‫תאו‪‬ות אופיי‪‬י באתר" ע"י שקלול של הערך המ‪‬ובא באמצעות המודל ומספר התאו‪‬ות ש‪‬צפו‬
‫בפועל‪.‬‬
‫תהליך איתור אתרי התורפה ברשת הדרכים כולל את השלבים הבאים‪:‬‬
‫)‪ (1‬הערכת מספר תאו‪‬ות צפוי )אופיי‪‬י( באתר מסוים ‪-‬‬
‫מספר התאו‪‬ות הצפוי באתר מסוים מוערך בשיטת באייס אמפירי‪ ,‬ע"י שקלול של מספר‬
‫התאו‪‬ות ש‪‬צפה באתר זה בעבר ומספר התאו‪‬ות הצפוי באתרים מסוג זו )המוערך ע"י מודל‬
‫סטטיסטי(‪ .‬כלומר‪:‬‬
‫‪m = (w · SP) + (1-w) · X‬‬
‫כאשר‪:‬‬
‫‪ - m‬מספר תאו‪‬ות אופיי‪‬י לאתר זה;‬
‫‪ - X‬מספר תאו‪‬ות ש‪‬רשמו באתר זה‪;3‬‬
‫‪ - w‬מקדם שקלול‪; w=k/ [k + SP] :‬‬
‫‪ – k‬אמד ל‪-‬גודל השו‪‬ות במודל שהותאם )ערך ההפוך ל‪;(dispersion parameter-‬‬
‫‪ - SP‬מספר תאו‪‬ות צפוי באתרים מסוג זה )החזוי באמצעות המודל הסטטיסטי(‪.‬‬
‫)‪ (2‬הערכת הפוט‪‬ציאל לשיפור בטיחותי באתר מסוים ‪-‬‬
‫הפוט‪‬ציאל לשיפור בטיחותי )‪ (PI- Potential for Improvement‬באתר מסוים מוערך כהפרש בין‬
‫מספר התאו‪‬ות האופיי‪‬י לאתר )‪ (m‬לבין מספר התאו‪‬ות הצפוי באתרים מסוג זו )‪ .(SP‬כלומר‪:‬‬
‫‪PI = m - SP‬‬
‫)‪ (3‬דירוג אתרים ובחירת מקומות תורפה ‪-‬‬
‫‪ 3‬בהקשר ה‪‬וכחי‪ ,‬הן מספר התאו‪‬ות ש‪‬רשמו באתר והן מספר התאו‪‬ות החזוי באמצעות המודל‬
‫מתייחסים לאותה התקופה – ‪ 5‬ש‪‬ים‪ .‬לכן‪ ,‬ב‪‬וסחאות לא מבוצע תיקון לפי מספר ש‪‬ים בהערכה‪.‬‬
‫‪65‬‬
‫דירוג אתרים מבוצע לפי סדר יורד של הפוט‪‬ציאל לשיפור בטיחותי )‪ .(PI‬אתרים עם ערכים‬
‫חיוביים של המדד מתאפיי‪‬ים בפוט‪‬ציאל מסוים לשיפור בטיחותי‪ .‬ככל שערך המדד גבוה יותר‪,‬‬
‫האתר מתאים יותר להיקרא "מקום תורפה"‪.‬‬
‫לשם דוגמא‪ ,‬בטבלה ‪ 5.3.1‬מוצגים ערכי פוט‪‬ציאל לשיפור בטיחותי של מקטעים באזור אשדוד‬
‫)מקטעים עם סך התאו‪‬ות גבוה מהרגיל(‪ ,‬לאחר דירוג האתרים לפי סדר יורד של ה‪ .PI-‬בטבלה‬
‫‪‬יתן לזהות אתרים עם ערכים מרביים של ‪ – PI‬הפוט‪‬ציאל לשיפור בטיחותי )מודגשים בצבע‬
‫אדום(‪ ,‬דהיי‪‬ו עם מספרי תאו‪‬ות בפועל אשר גבוהים בהרבה לעומת הצפוי בהתאם ל‪‬פחי‬
‫הת‪‬ועה‪ .‬לעומת זאת‪ ,‬בתחתית הטבלה מופיעים אתרים עם מספר תאו‪‬ות בפועל אשר ‪‬מוך‬
‫לעומת הצפוי בהתאם ל‪‬פחי הת‪‬ועה‪.‬‬
‫טבלה ‪ :5.3.1‬ערכי פוט‪‬ציאל לשיפור בטיחותי )‪ (PI‬של מקטעים באזור אשדוד‬
‫פוט‪‬ציאל‬
‫לשיפור‬
‫בטיחותי‬
‫‪PI‬‬
‫‪11.19‬‬
‫‪11.19‬‬
‫‪10.38‬‬
‫‪10.33‬‬
‫‪10.33‬‬
‫‪6.15‬‬
‫‪6.14‬‬
‫‪6.09‬‬
‫‪4.68‬‬
‫‪4.66‬‬
‫‪4.50‬‬
‫‪4.38‬‬
‫‪2.64‬‬
‫‪1.97‬‬
‫‪1.92‬‬
‫‪1.66‬‬
‫‪1.32‬‬
‫‪0.75‬‬
‫‪0.75‬‬
‫מספר‬
‫תאו‪‬ות‬
‫אופיי‪‬י‬
‫לאתר‬
‫‪m‬‬
‫‪13.78‬‬
‫‪13.80‬‬
‫‪12.63‬‬
‫‪11.51‬‬
‫‪13.04‬‬
‫‪8.82‬‬
‫‪8.82‬‬
‫‪8.88‬‬
‫‪6.94‬‬
‫‪6.95‬‬
‫‪7.12‬‬
‫‪7.20‬‬
‫‪3.65‬‬
‫‪2.85‬‬
‫‪3.26‬‬
‫‪3.55‬‬
‫‪2.32‬‬
‫‪1.37‬‬
‫‪1.37‬‬
‫מקדם‬
‫שקלול‬
‫‪w‬‬
‫‪0.17‬‬
‫‪0.16‬‬
‫‪0.19‬‬
‫‪0.30‬‬
‫‪0.16‬‬
‫‪0.16‬‬
‫‪0.16‬‬
‫‪0.16‬‬
‫‪0.19‬‬
‫‪0.18‬‬
‫‪0.16‬‬
‫‪0.15‬‬
‫‪0.34‬‬
‫‪0.37‬‬
‫‪0.28‬‬
‫‪0.21‬‬
‫‪0.34‬‬
‫‪0.46‬‬
‫‪0.46‬‬
‫מספר‬
‫תאו‪‬ות‬
‫חזוי‬
‫במודל‬
‫‪SP‬‬
‫‪AccTot‬‬
‫‪2.59‬‬
‫‪2.61‬‬
‫‪2.25‬‬
‫‪1.18‬‬
‫‪2.72‬‬
‫‪2.67‬‬
‫‪2.68‬‬
‫‪2.79‬‬
‫‪2.26‬‬
‫‪2.29‬‬
‫‪2.62‬‬
‫‪2.81‬‬
‫‪1.00‬‬
‫‪0.88‬‬
‫‪1.34‬‬
‫‪1.89‬‬
‫‪1.00‬‬
‫‪0.61‬‬
‫‪0.61‬‬
‫‪lg_VMValue‬‬
‫‪6.9‬‬
‫‪7.0‬‬
‫‪6.2‬‬
‫‪5.5‬‬
‫‪7.2‬‬
‫‪7.1‬‬
‫‪7.1‬‬
‫‪7.4‬‬
‫‪6.2‬‬
‫‪6.3‬‬
‫‪7.0‬‬
‫‪7.4‬‬
‫‪5.4‬‬
‫‪5.3‬‬
‫‪5.7‬‬
‫‪5.9‬‬
‫‪5.4‬‬
‫‪5.2‬‬
‫‪5.2‬‬
‫חזית‬
‫מסחרית‬
‫למודל‬
‫‪I‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0.237‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0.237‬‬
‫‪0.237‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0.237‬‬
‫‪0‬‬
‫‪0‬‬
‫מספר‬
‫התאו‪‬ות‬
‫ש‪‬צפו‬
‫‪X‬‬
‫‪16‬‬
‫‪16‬‬
‫‪15‬‬
‫‪16‬‬
‫‪15‬‬
‫‪10‬‬
‫‪10‬‬
‫‪10‬‬
‫‪8‬‬
‫‪8‬‬
‫‪8‬‬
‫‪8‬‬
‫‪5‬‬
‫‪4‬‬
‫‪4‬‬
‫‪4‬‬
‫‪3‬‬
‫‪2‬‬
‫‪2‬‬
‫כלי‬
‫‪‬פח‬
‫רכב‬
‫‪VMValue‬‬
‫‪1039‬‬
‫‪1091‬‬
‫‪479‬‬
‫‪244‬‬
‫‪1362‬‬
‫‪1242‬‬
‫‪1254‬‬
‫‪1596‬‬
‫‪495‬‬
‫‪525‬‬
‫‪1127‬‬
‫‪1662‬‬
‫‪222‬‬
‫‪205‬‬
‫‪302‬‬
‫‪371‬‬
‫‪222‬‬
‫‪190‬‬
‫‪190‬‬
‫‪‬וכחות‬
‫חזית‬
‫מסחרית‬
‫‪ComFront‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪2‬‬
‫‪2‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫‪0‬‬
‫זיהוי‬
‫אתר‬
‫‪FID‬‬
‫‪234‬‬
‫‪233‬‬
‫‪237‬‬
‫‪238‬‬
‫‪211‬‬
‫‪0‬‬
‫‪1‬‬
‫‪187‬‬
‫‪236‬‬
‫‪172‬‬
‫‪213‬‬
‫‪214‬‬
‫‪25‬‬
‫‪26‬‬
‫‪29‬‬
‫‪7‬‬
‫‪24‬‬
‫‪33‬‬
‫‪34‬‬
‫‪ .5.3.1‬איתור אתרי תורפה‬
‫)‪ (1‬אשדוד‬
‫המודל המסביר לסך התאו‪‬ות‪:‬‬
‫‪Acctot = e -9.36 · VMValue 1.69 · e -1.51* I1* (lg_VMValue - 6) · eI‬‬
‫כאשר‪ 0.237=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_VMValue >= 6‬‬
‫‪ 0=I1‬אחרת; ‪ – VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח‬
‫ת‪‬ועת כלי הרכב‪.‬‬
‫המודל חוזה את מספר התאו‪‬ות בחמש ש‪‬ים‪.0.514=k ,dispersion parameter=1.947 .‬‬
‫התפלגות מרחבית של תוצרי המודל מוצגת באיור ‪.5.3.1‬‬
‫‪66‬‬
‫איור ‪ : 5.3.1‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באשדוד‬
‫)‪ (2‬בת ים‬
‫המודל המסביר לסך התאו‪‬ות‪:‬‬
‫‪· VSegLen‬‬
‫‪0.45‬‬
‫‪· VMValue‬‬
‫)‪-0.46* I1* (lg_PMValue – 5.8‬‬
‫‪· e‬‬
‫‪0.532‬‬
‫‪· PMValue‬‬
‫‪-5.28‬‬
‫‪Acctot = e‬‬
‫‪· eI‬‬
‫‪0.118‬‬
‫כאשר‪ 0.193=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר ‪,Lg_PMValue >= 5.8‬‬
‫‪ 0=I1‬אחרת; ‪ – VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ – PMValue‬פח ת‪‬ועת הולכי הרגל‬
‫במקטע; ‪ - Lg_PMValue‬לוגריתם של ‪‬פח ת‪‬ועת הולכי הרגל; ‪ – VSegLen‬אורך המקטע‪.‬‬
‫המודל חוזה את מספר התאו‪‬ות בחמש ש‪‬ים‪ .0.48=k ,dispersion parameter=2.08 .‬התפלגות‬
‫מרחבית של תוצרי המודל מוצגת באיור ‪.5.3.2‬‬
‫איור ‪ : 5.3.2‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי בבת ים‬
‫‪67‬‬
‫)‪ (3‬תל‪-‬אביב פלור‪‬טין‬
‫המודל המסביר לסך התאו‪‬ות‪:‬‬
‫‪· VSegLen 0.30 · eI‬‬
‫)‪-1.14* I1* (lg_VMValue - 6‬‬
‫‪·e‬‬
‫‪1.195‬‬
‫‪· VMValue‬‬
‫‪-6.36‬‬
‫‪Acctot = e‬‬
‫כאשר‪ 0.181=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר => ‪Lg_VMValue‬‬
‫‪ 0=I1 ,6‬אחרת; ‪ - VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח‬
‫ת‪‬ועת כלי הרכב; ‪ – VSegLen‬אורך המקטע‪.‬‬
‫המודל חוזה את מספר התאו‪‬ות בחמש ש‪‬ים‪ .0.40=k ,dispersion parameter=2.49 .‬התפלגות‬
‫מרחבית של תוצרי המודל מוצגת באיור ‪.5.3.3‬‬
‫איור ‪ : 5.3.3‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באזור‬
‫פלור‪‬טין תל אביב‬
‫)‪ (4‬תל‪-‬אביב אבן גבירול‬
‫המודל המסביר לסך התאו‪‬ות‪:‬‬
‫· ‪Acctot = e -11.63 · PMValue 1.91 · VMValue -0.068 · VSegLen 0.779 · eI‬‬
‫)‪e -1.632* I2* (lg_PMValue - 5) · e 0.607* I1* (lg_VMValue - 5‬‬
‫כאשר‪ -0.374=I :‬עבור מקטעים עם חזית מסחרית‪ 0=I ,‬אחרת; ‪ 1=I1‬כאשר => ‪Lg_VMValue‬‬
‫‪ 0=I1 ,5‬אחרת; ‪ 1=I2‬כאשר ‪ 0=I2 ,Lg_PMValue >= 5‬אחרת;‪ – VMValue‬פח ת‪‬ועת כלי‬
‫רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח ת‪‬ועת כלי הרכב; ‪ – PMValue‬פח ת‪‬ועת‬
‫הולכי רגל במקטע; ‪ - Lg_PMValue‬לוגריתם של ‪‬פח ת‪‬ועת הולכי הרגל; ‪ – VSegLen‬אורך‬
‫מקטע רחוב‪.‬‬
‫המודל חוזה את מספר התאו‪‬ות בחמש ש‪‬ים‪ .0.74=k ,dispersion parameter=1.35 .‬התפלגות‬
‫מרחבית של תוצרי המודל מוצגת באיור ‪.5.3.4‬‬
‫‪68‬‬
‫א יור ‪ : 5.3.4‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באזור אבן‬
‫גבירול תל אביב‬
‫)‪ (5‬תל‪-‬אביב מע"ר‬
‫המודל המסביר לסך התאו‪‬ות‪:‬‬
‫· ‪Acctot = e -8.71 · PMValue 1.27 · VMValue 0.364 · VSegLen 0.43‬‬
‫)‪e -1.025* I2* (lg_PMValue - 5) · e -0.262* I1* (lg_VMValue - 6‬‬
‫כאשר‪ 1=I1 :‬כאשר ‪ 0=I1 ,Lg_VMValue >= 6‬אחרת; ‪ 1=I2‬כאשר ‪0=I2 ,Lg_PMValue >=5‬‬
‫אחרת;‬
‫‪ – VMValue‬פח ת‪‬ועת כלי רכב במקטע; ‪ - Lg_VMValue‬לוגריתם של ‪‬פח ת‪‬ועת כלי הרכב;‬
‫‪ – PMValue‬פח ת‪‬ועת הולכי רגל במקטע; ‪ - Lg_PMValue‬לוגריתם של ‪‬פח ת‪‬ועת הולכי‬
‫הרגל; ‪ – VSegLen‬אורך מקטע רחוב‪.‬‬
‫המודל חוזה את מספר התאו‪‬ות בחמש ש‪‬ים‪ .0.529=k ,dispersion parameter=1.89 .‬התפלגות‬
‫מרחבית של תוצרי המודל מוצגת באיור ‪.5.3.5‬‬
‫‪69‬‬
‫איור ‪ : 5.3.5‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי באזור מע"ר‬
‫תל אביב‬
‫)‪ (6‬כפר סבא‬
‫המודל המסביר לסך התאו‪‬ות‪:‬‬
‫)‪Acctot = e -4.619 · VMValue 0.478 · VSegLen 0.796 · e -0.437* I1* (lg_VSegLen – 4.5‬‬
‫כאשר‪ 1=I1 :‬כאשר ‪ 0=I1 ,Lg_VSegLen >= 4.5‬אחרת; ‪ – VMValue‬פח ת‪‬ועת כלי רכב‬
‫במקטע; ‪ – VSegLen‬אורך מקטע רחוב; ‪ – Lg_VSegLen‬לוגריתם של אורך מקטע רחוב‪.‬‬
‫המודל חוזה את מספר התאו‪‬ות בחמש ש‪‬ים‪ .0.578=k ,dispersion parameter=1.73 .‬התפלגות‬
‫מרחבית של תוצרי המודל מוצגת באיור ‪.5.3.6‬‬
‫איור ‪ : 5.3.6‬התפלגות מרחבית של ערכי הפוט‪‬ציאל לשיפור בטיחותי בכפר סבא‬
‫‪70‬‬
‫‪ .6‬מסק‪‬ות‬
‫ייחדו של המחקר בהתחשבות ב‪‬פחי הת‪‬ועה כדי להעריך רמות סיכון לתאו‪‬ות דרכים‪ .‬המודלים‬
‫שיושמו במחקר זה לחיזוי ‪‬פחי ת‪‬ועה של הולכי רגל ושל כלי רכב איפשרו בפעם הראשו‪‬ה‬
‫בישראל להבחין בין ש‪‬י סוגים של רמת סיכון‪ :‬רמת סיכון מוחלטת‪ ,‬שאליה מופ‪‬ית בדרך כלל‬
‫תשומת הלב‪ ,‬ורמת סיכון יחסית שמלמדת על הסיכוי של הולך הרגל או ה‪‬וסע בכלי רכב להיקלע‬
‫לתאו‪‬ת דרכים‪.‬‬
‫התוצאות מלמדות שרמת סיכון מוחלטת לתאו‪‬ות דרכים עולה עם הגידול ב‪‬פחי ת‪‬ועת הולכי‬
‫רגל וכלי הרכב‪ .‬תוצאות אלה עולות בק‪‬ה אחד עם מחקרים קודמים ש‪‬ערכו בארץ ובעולם‪ .‬כמו‬
‫כן‪ ,‬מצא קשר ישיר בין אורך מקטע הרחוב לבין מספרי התאו‪‬ות‪ .‬לעומת זאת‪ ,‬השפעת הפעילות‬
‫המסחרית לא הייתה עקבית בכל האזורים‪ .‬בחלקם הפעילות המסחרית הייתה מלווה בעליה‬
‫בתאו‪‬ות ובחלקם עם ירידה בתאו‪‬ות‪.‬‬
‫ואולם‪ ,‬כאשר רמת הסיכון ‪‬בח‪‬ת במו‪‬חים יחסיים בהתחשב ב‪‬פחי הת‪‬ועה‪ ,‬מתברר שככלל‪,‬‬
‫עלייה ב‪‬פחי הת‪‬ועה אי‪‬ה מגדילה את רמת הסיכון היחסית להולך רגל או כלי רכב להיקלע‬
‫לתאו‪‬ת דרכים )רק באשדוד ‪‬מצא קשר מובהק‪ ,‬אך חלש‪ ,‬בין עלייה ב‪‬פח ת‪‬ועת כלי רכב לרמת‬
‫סיכון יחסית של הולכי רגל(‪ .‬דהיי‪‬ו‪ ,‬מבחי‪‬ת הפרט הבוחר מסלול ת‪‬ועה בעיר‪ ,‬ברגל וברכב‪ ,‬רמת‬
‫הסיכון לתאו‪‬ת דרכים אי‪‬ה תלויה ב‪‬פח הת‪‬ועה במסלול ש‪‬בחר‪.‬‬
‫השוואה בין מיפוי רמות הסיכון – המוחלטת והיחסית – הן של הולכי רגל והן של כלי רכב‬
‫מלמדת שהתחשבות ברמת הסיכון היחסית מש‪‬ה את מפת הסיכון‪ :‬מקומות שבהם יש תאו‪‬ות‬
‫רבות יותר אי‪‬ם בהכרח מסוכ‪‬ים יותר במו‪‬חים יחסיים ממקומות שיש בהם פחות תאו‪‬ות‬
‫דרכים‪ .‬המשמעות היא שבחי‪‬ת רמות הסיכון באזורי המחקר מוכיחה שההתרכזות רק ברמת‬
‫סיכון מוחלטת שהיתה ‪‬הוגה עד כה "הסתירה" מקומות שרמת הסיכון היחסית גבוהה בהם‪.‬‬
‫ההתייחסות לרמת הסיכון היחסית שופכת אור אם כן על אותם מקומות שבהם רמת הסיכון‬
‫היחסית גבוהה ושחלקם מהווים אתרי תורפה מבחי‪‬ה בטיחותית‪ .‬יתירה מכך‪ ,‬ממצאי המחקר‬
‫מלמדים שרבים המקרים שבהם רמת הסיכון היחסית גבוהה הן לתאו‪‬ות שבהן מעורבים רק כלי‬
‫רכב והן לתאו‪‬ות שבהן מעורבים גם הולכי רגל‪ .‬בכך משלימה הגישה המוצעת כאן את גישת‬
‫ההסתכלות המסורתית על רמת סיכון מוחלטת‪ .‬ככזאת‪ ,‬היא עשויה לסייע למתכ‪‬י ת‪‬ועה‬
‫ובטיחות בהב‪‬ת הסיבות לתאו‪‬ות דרכים בכלל‪ ,‬ולתאו‪‬ות בהן מעורבים הולכי רגל בפרט‪,‬‬
‫ול‪‬קיטת פעולות מתאימות כדוגמת שילוב ‪‬כון בין ‪‬פח ת‪‬ועת הולכי רגל ל‪‬פח ת‪‬ועת כלי רכב‪.‬‬
‫היכולת להעריך רמת סיכון יחסית לתאו‪‬ות דרכים המתחשבת בהסתברות לפגיעה בהולך הרגל‪,‬‬
‫ב‪‬וסע ברכב או בכלי הרכב‪ ,‬בכל מקום גיאוגרפי עשויה להיות חיו‪‬ית לע‪‬ף הביטוח בהערכת גובה‬
‫פוליסת ביטוח המחושב ברמת הפרט‪.‬‬
‫‪71‬‬
‫ מקורות‬.7
‫ועה‬‫ ת‬,‫ועת כלי רכב בעיר‬‫פח ת‬ ‫ה טופולוגי של רשת רחובות והתפלגות‬‫ מב‬.(2011) .‫אומר י‬
.41-37 '‫ עמ‬,99 '‫ מס‬,‫ותחבורה‬
‫ דו"ח מדעי‬.‫י‬‫ועת הולכי הרגל במרחב העירו‬‫פח ת‬ ‫ מודל חיזוי להערכת‬.(2013) .‫ רופא י‬,.‫אומר י‬
.‫מסכם שהוכן עבור הרשות הלאומית לבטיחות בדרכים‬
‫ות תשתית לשיפור בטיחותם של‬‫ פתרו‬.(‫א‬2009) .‫ פיסחוב פ‬,.‫דל ל‬‫ ה‬,.‫ כרמל ר‬,.‫ גיטלמן ו‬,.‫בלשה ד‬
‫אור לחקר הבטיחות‬ ‫ מרכז רן‬,S/2/2009 :'‫ דו"ח מחקר מס‬.‫אי הארץ‬‫הולכי הרגל בת‬
.‫יון‬‫ טכ‬,‫בדרכים‬
‫ה בטיחותית של‬‫ בחי‬.(‫ב‬2009) . ‫ בק‬,.‫ פיסחוב פ‬,.‫ דובא א‬,.‫ו ש‬‫טי‬‫ טול‬,.‫ רוט י‬,.‫ גיטלמן ו‬,.‫בלשה ד‬
‫אור לחקר‬ ‫ מרכז רן‬.‫יים עם שימושי קרקע מעורבים‬‫יות מפורטות של רחובות עירו‬‫תוכ‬
.‫יון‬‫ טכ‬,‫הבטיחות בדרכים‬
‫ות תשתית לשיפור‬‫ פיתוח פתרו‬.(2013) .‫ מוריק ס‬,.‫ פיסחוב פ‬,.‫ כרמל ר‬,.‫דל ל‬‫ ה‬,.‫גיטלמן ו‬
.‫יון‬‫ טכ‬,‫אור לחקר הבטיחות בדרכים‬ ‫ מרכז רן‬.‫בטיחות הולכי רגל קשישים בערים בארץ‬
‫ן‬‫ות מגורים בישראל ואפיו‬‫ות הדרכים בשכו‬‫ היקף תאו‬.(1983) .‫ ע‬,‫ אלגרישי‬,.‫ א‬,‫מן‬‫ איז‬,.‫ א‬,‫כץ‬
.‫ המכון לחקר התחבורה‬,83/28 ‫ דו"ח מחקר‬.‫בהשוואה לרחובות בשאר אזורי העיר‬
‫ הלשכה‬,1572 ‫ פרסום‬.‫ סיכומים כלליים‬:‫ חלק א‬,2013 ‫פגעים‬ ‫ות דרכים עם‬‫ תאו‬.(2014) ‫למ"ס‬
.‫המרכזית לסטטיסטיקה‬
Bhatia, R., and Wier M. ( 2011). ‘Safety in Numbers’ Re-Examined: Can We Make
Valid or Practical Inferences from Available Evidence?” Accident Analysis &
Prevention 43(1):235–40. Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/B6V5S-51066KD1/2/fbd9ff304c9454f7cad04ba9fcbf97ee).
Clifton, K. J., and Kreamer-Fults K. (2007). “An Examination of the Environmental
Attributes Associated with Pedestrian–vehicular Crashes near Public Schools.”
Accident Analysis & Prevention, 39(4):708–15. Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/B6V5S-4MK614M2/2/b1a0e45258718254560d3958330e07ba).
Desyllas, J., Duxbury E., Ward J., and Smith A. (2003). “Demand modeling of large
cities: an applied example from London”, UCL Centre for Advanced Spatial
Analysis.
Dissanayake, D., Aryaija J., and Priyantha Wedagama D. M. (2009). “Modelling the
Effects of Land Use and Temporal Factors on Child Pedestrian Casualties.”
Accident Analysis & Prevention 41(5):1016–24. Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/B6V5S-4WN83PW5/2/06e26f65b1af2944b8fa543a5c8f0fb7).
Dumbaugh, E., Li W., and Joh K. (2013).“The Built Environment and the Incidence
of Pedestrian and Cyclist Crashes” URBAN DESIGN International 18 (3) 217–
228.
72
Dumbaugh, E., and Rae R. (2009). “Safe Urban Form: Revisiting the Relationship
Between Community Design and Traffic Safety.” Journal of the American
Planning Association 75 (3): 309.
Elvik, R. (2009). “The Non-Linearity of Risk and the Promotion of Environmentally
Sustainable Transport.” Accident Analysis & Prevention 41(4):849–55. Retrieved
April 19, 2015 (http://www.sciencedirect.com/science/article/B6V5S-4W7YF4X1/2/33384c62e231287d8348e92eb8b6c506).
Elvik, R., and Vaa T. (2004). The handbook of road safety measures. Elsevier.
Ewing, R., and Dumbaugh E. (2009). “The Built Environment and Traffic Safety: A
Review of Empirical Evidence.” Journal of Planning Literature 23 (4): 347–367.
Geyer, G., Raford N., and Ragland D. (2006). "The Continuing Debate about Safety
in Numbers – Data from Oakland, CA", Transportation Research Board 85th
Annual Meeting.
Gitelman, V., Balasha D., Carmel R., Hendel L., and Pesahov F. (2012)
"Characterization of pedestrian accidents and an examination of infrastructure
measures to improve pedestrian safety in Israel". Accident Analysis and
Prevention 44 (2012) 63-73.
Ha, H. H., and Thill J. C. (2011). “Analysis of Traffic Hazard Intensity: A Spatial
Epidemiology Case Study of Urban Pedestrians.” Computers, Environment and
Urban Systems 35(3):230–40. Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/B6V9K-522SR8S1/2/0a0fd5c66019d785e37f69378d7a49b5).
Hillier, B. (1996). “Space is the Machine”, Cambridge University Press, Cambridge.
Hillier, B., and Iida S. (2005). "Network effects and psychological effects: a theory of
urban movement", 5th International Space Syntax Symposium in Delft.
Hillier, B., Penn, A., Hanson, J., Grajewski, T., and Xu, J. (1993). “Natural
Movement: Or, Configuration and Attraction in Urban Pedestrian Movement”,
Environment and Planning B: Planning and Design 1993: Vol. 20.
Jacobsen, P.L. (2003). "Safety in numbers: more walkers and bicyclists, safer
walking" and bicycling. Injury Prevention, 9 (3), 205–209.
Jacobsen, P. L. (2006). “Why We Fight about Black Spots.” Injury prevention :
journal of the International Society for Child and Adolescent Injury Prevention
12(6):356–57. Retrieved April 19, 2015
(http://www.scopus.com/inward/record.url?eid=2-s2.033846123942&partnerID=tZOtx3y1).
Jiang, B., Zhao S., and Yin J. (2008). "Self-organized natural roads for predicting
traffic flow: a sensitivity study", Journal of Statistical Mechanics: Theory and
Experiment, July, P07008.
73
Jiang, B. (2009). "Ranking space for predicting human movement in an urban
environment", International Journal of Geographical Information Science, Vol.
23.7, pp. 823–837.
Jiang, B., and Liu C. (2009), "Street-based Topological Representations and Analysis
for Predicting Traffic Flow in GIS", International Journal of Geographic
Information, Vol. 23, No.9 1119–1137.
Lam, W. W. Y., Yao, S., and Loo B. P. Y. (2014). “Pedestrian Exposure Measures: A
Time-Space Framework.” Travel Behaviour and Society 1(1):22–30. Retrieved
February 24, 2014
(http://www.sciencedirect.com/science/article/pii/S2214367X13000057).
Leden, L. (2002). "Pedestrian risk decrease with pedestrian flow. A case study based
on data from signalized intersections in Hamilton, Ontario", Accident Analysis
and Prevention, Volume 34, pp. 457-464.
Lee, C., and Abdel-Aty M. (2005). “Comprehensive Analysis of Vehicle–pedestrian
Crashes at Intersections in Florida.” Accident Analysis & Prevention, 37(4):775–
86. Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/B6V5S-4G7NFBS1/2/6fa48261391694175f62f9ba4fc51789).
Lerman, Y., and Omer I. (2013). "The Effects of Configurational and Functional
Factors on the Spatial Distribution of Pedestrians", Geospatial Thinking, Lecture
Notes in Geoinformation and Cartography, Springer, Berlin – Heidelberg.
Liu, X., and Griswold J. (2009). Pedestrian Volume Modeling: A Case Study of San
Francisco,” Association of Pacific Coast Geographers Yearbook, Volume 71.
Marshall, W. E., and Garrick N. W. (2010)."Street network types and road safety: a
study of 24 California cities", Urban Design International, Vol. 15.3.
Molino, J. A., Kennedy J., Johnson P., Beuse P., Emo A., and Do A. (2009).
“Pedestrian and Bicyclist Exposure to Risk: Methodology for Estimation in an
Urban Environment.” Transportation Research Record: Journal of the
Transportation Research Board 2140(-1):145–56. Retrieved April 19, 2015
(http://www.scopus.com/inward/record.url?eid=2-s2.076749098932&partnerID=tZOtx3y1).
Morency, P., Gauvin L., Plante C., Fournier M., and Morency C. (2012).
"Neighborhood Social Inequalities in Road Traffic Injuries: The Influence of
Traffic Volume and Road Design.” American Journal of Public Health
102(6):1112–19. Retrieved April 19, 2015
(http://www.scopus.com/inward/record.url?eid=2-s2.084862510008&partnerID=tZOtx3y1).
Nie, K., Wang Z., Du Q., Ren F., and Tian Q. (2015). “A Network-Constrained
Integrated Method for Detecting Spatial Cluster and Risk Location of Traffic
74
Crash: A Case Study from Wuhan, China.” Sustainability 7(3):2662–77.
Retrieved April 19, 2015 (http://www.scopus.com/inward/record.url?eid=2-s2.084926357144&partnerID=tZOtx3y1).
Noland, R. B.,. Klein N. J., and Tulach N. K. (2013). “Do Lower Income Areas Have
More Pedestrian Casualties?” Accident; analysis and prevention 59(null):337–45.
Retrieved September 11, 2013 (http://dx.doi.org/10.1016/j.aap.2013.06.009).
Omer, I. (2006). "Evaluating accessibility using house-level data: a spatial equity
perspective", Computers, Environment and Urban Systems, 30, pp. 245-274.
Ozbil, A., Peponis J., and Stone B. (2011). "Understanding the link between street
connectivity, land use and pedestrian flows", Urban Design International Vol. 16,
2, 125–141.
Ozer, O., and Kubat A.S. (2007). “Walking initiatives: a quantitative movement
analysis”, 6th International Space Syntax Symposium in Istanbul.
Penn, A. (2003). "Space Syntax and Spatial Cognition Or Why the Axial Line?",
Environment and Behavior, 35 (1), 30-65.
Penn A., Hillier B., Banister D., and Xu J. (1998). "Configurational modeling of
urban movement networks", Environment and Planning B: Planning and Design,
25, 59 – 84.
Pulugurtha, S. S., Krishnakumar V. K., and Nambisan S. S. (2007). “New Methods to
Identify and Rank High Pedestrian Crash Zones: An Illustration.” Accident
Analysis & Prevention, 39(4):800–811. Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/B6V5S-4MV1H561/2/9f32016d7e75fadfbbe72b3f815baa02).
Raford, N. (2003). “Looking Both Ways: Space Syntax for Pedestrian Exposure
Forecasting and Collision Risk Analysis”, Proceedings of the Fourth
International Space Syntax Symposium, London, England.
Raford, N. and Ragland D. R. (2004). "Space syntax: An innovative pedestrian
volume modeling tool for pedestrian safety", Transportation Research Record:
Journal of the Transportation Research Board Vol. 1878:66–74.
Raford N. and Ragland D. R. (2006). "Pedestrian Volume Modeling for Traffic Safety
and Exposure Analysis: Case of Boston, Massachusetts". Transportation
Research Board 85th Annual Meeting.
Read, S. (1999). "Space syntax and the Dutch city", Environment and Planning B:
Planning and Design, 26, 251–264.
Sauter, D. (2010). "Measuring walking: Towards internationally standardised
monitoring methods", Pedestrians' Quality Needs, Part B4, Documentation –
measuring walking.
75
Scoppa, M., French S., and Peponis J. (2009). "The effects of street connectivity upon
the distribution of local vehicular traffic in metropolitan Atlanta", 7th
International Space Syntax Symposium in Stockholm.
Schneider, R. J., Henry T., Mitman M. F., Stonehill L., and Koehler J. (2012).
“Development and Application of a Pedestrian Volume Model in San Francisco,
California.” Transportation Research Record: Journal of the Transportation
Research
Board
2299(-1):65–78.
Retrieved
April
19,
2015
(http://www.scopus.com/inward/record.url?eid=2-s2.084871725416&partnerID=tZOtx3y1).
Shinar, D. (2012). “Safety and Mobility of Vulnerable Road Users: Pedestrians,
Bicyclists, and Motorcyclists.” Accident Analysis & Prevention 44(1):1–2.
Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/pii/S0001457510004082).
Turner, A. (2007). "From axial to road-centre lines: a new representation for space
syntax and a new model of route choice for transport network analysis",
Environment and Planning B: Planning and Design, 34, 539-555.
Truong, L. T., and Somenahalli S. V. C. (2011). “Using GIS to Identify PedestrianVehicle Crash Hot Spots and Unsafe Bus Stops.” Journal of Public
Transportation 14(1):99–114. Retrieved April 19, 2015
(http://www.scopus.com/inward/record.url?eid=2-s2.084863806178&partnerID=tZOtx3y1).
Ukkusuri, S., Miranda-Moreno L.F., Ramadurai G., and Isa-Tavarez J. (2012). The
role of built environment on pedestrian crash frequency. Safety Science 50
(2012): 1141-1151.
Wedagama, D.M.P., Bird R.N., and Metcalfe A.V. (2006). The influence of urban
land-use on non-motorised transport casualties. Accident Analysis and Prevention
38 (2006): 1049-1057.
Wei, V. F., and Lovegrove G. (2012). “Sustainable Road Safety: A New (?)
Neighbourhood Road Pattern That Saves VRU Lives.” Accident; analysis and
prevention 44(1):140–48. Retrieved April 11, 2015
(http://www.sciencedirect.com/science/article/pii/S0001457510003829).
Wier, M., Weintraub J., Humphreys E. H., Seto E., and Bhatia R. (2009). “An AreaLevel Model of Vehicle-Pedestrian Injury Collisions with Implications for Land
Use and Transportation Planning.” Accident Analysis & Prevention 41(1):137–
45. Retrieved April 19, 2015
(http://www.sciencedirect.com/science/article/B6V5S-4TVB0W65/2/0e920a88c787489cff79e102afdec57d).
Xie, Z., and Yan J. (2013). “Detecting Traffic Accident Clusters with Network Kernel
Density Estimation and Local Spatial Statistics: An Integrated Approach.”
Journal of Transport Geography 31:64–71. Retrieved March 20, 2015
76
(http://www.scopus.com/inward/record.url?eid=2-s2.084879292528&partnerID=tZOtx3y1).
Yu, H., Liu P., Chen J., and Wang H. (2014). “Comparative Analysis of the Spatial
Analysis Methods for Hotspot Identification.” Accident Analysis & Prevention
66:80–88. Retrieved February 14, 2014
(http://www.sciencedirect.com/science/article/pii/S0001457514000219).
77
‫‪ .8‬ספחים‬
‫טבלה ‪ :8.1‬יתוח המתאם בין ‪‬פחי ת‪‬ועה מדודים ושימושי קרקע לכמות תאו‪‬ות הדרכים‬
‫לסוגיהן‬
‫נפח‬
‫תנועת‬
‫הולכי‬
‫רגל‬
‫עיר‪ /‬אזור‬
‫נפח‬
‫תנועת‬
‫הולכי רגל‬
‫נפח‬
‫תנועת‬
‫כלי רכב‬
‫שימושי‬
‫קרקע‬
‫מעורבים‬
‫סה"כ‬
‫תאונות‬
‫קטע‬
‫סה"כ‬
‫תאונות‬
‫צומת‬
‫תאונות‬
‫חמורות ‪-‬‬
‫קטע‬
‫תאונות‬
‫חמורות‬
‫‪-‬צומת‬
‫אשדוד‬
‫‪1‬‬
‫‪0.168‬‬
‫‪0.415‬‬
‫‪-0.261‬‬
‫‪-0.21‬‬
‫‪-0.19‬‬
‫‪-0.02‬‬
‫בת ים‬
‫‪1‬‬
‫**‪.558‬‬
‫**‪.607‬‬
‫‪0.095‬‬
‫‪-0.162‬‬
‫‪0.043‬‬
‫‪-0.047‬‬
‫כפר סבא‬
‫‪1‬‬
‫*‪.426‬‬
‫**‪.665‬‬
‫*‪.464‬‬
‫*‬
‫**‪.580‬‬
‫תל אביב‪-‬‬
‫אבן‬
‫גבירול‬
‫תל אביב‪-‬‬
‫מע"ר‬
‫תל אביב‪-‬‬
‫פלורנטין‬
‫אשדוד‬
‫נפח‬
‫תנועת‬
‫כלי רכב‬
‫מעורבים‬
‫‪0.185‬‬
‫‪-0.125‬‬
‫‪0.001‬‬
‫‪-0.174‬‬
‫**‪.546‬‬
‫**‪.585‬‬
‫‪0.287‬‬
‫*‪.448‬‬
‫‪1‬‬
‫**‪.533‬‬
‫**‪.716‬‬
‫‪0.275‬‬
‫**‪.536‬‬
‫‪0.241‬‬
‫**‪.415‬‬
‫*‪.314‬‬
‫**‪.540‬‬
‫‪0.171‬‬
‫**‪.472‬‬
‫‪1‬‬
‫*‪.354‬‬
‫**‪.494‬‬
‫*‪.436‬‬
‫‪0.24‬‬
‫‪0.034‬‬
‫‪0.104‬‬
‫**‪.489‬‬
‫*‪.434‬‬
‫*‪.403‬‬
‫‪0.149‬‬
‫‪1‬‬
‫**‪.371‬‬
‫**‪.444‬‬
‫‪-0.077‬‬
‫**‪.439‬‬
‫‪.b‬‬
‫‪0.275‬‬
‫‪-0.095‬‬
‫**‪.579‬‬
‫‪-0.069‬‬
‫*‪.337‬‬
‫‪0.168‬‬
‫‪1‬‬
‫‪0.022‬‬
‫‪0.279‬‬
‫*‪.530‬‬
‫‪-0.062‬‬
‫**‪.770‬‬
‫‪0.308‬‬
‫‪-0.06‬‬
‫‪0.255‬‬
‫*‪.543‬‬
‫בת ים‬
‫**‪.558‬‬
‫‪1‬‬
‫‪0.342‬‬
‫‪-0.089‬‬
‫‪-0.065‬‬
‫‪-0.116‬‬
‫‪0.191‬‬
‫‪-0.068‬‬
‫‪-0.049‬‬
‫‪-0.078‬‬
‫‪-0.07‬‬
‫כפר סבא‬
‫*‪.426‬‬
‫‪1‬‬
‫*‪.451‬‬
‫*‪.430‬‬
‫**‪.613‬‬
‫‪-0.102‬‬
‫‪0.186‬‬
‫‪0.151‬‬
‫‪0.301‬‬
‫*‪.439‬‬
‫**‪.717‬‬
‫**‪.533‬‬
‫‪1‬‬
‫*‪.302‬‬
‫‪0.269‬‬
‫**‪.654‬‬
‫‪-0.041‬‬
‫**‪.566‬‬
‫‪0.111‬‬
‫**‪.598‬‬
‫*‪.311‬‬
‫**‪.590‬‬
‫*‪.354‬‬
‫‪1‬‬
‫‪0.2‬‬
‫‪-0.035‬‬
‫‪0.192‬‬
‫‪0.075‬‬
‫‪0.188‬‬
‫‪-0.038‬‬
‫*‪.369‬‬
‫‪-0.032‬‬
‫‪0.105‬‬
‫**‪.371‬‬
‫‪1‬‬
‫‪0.187‬‬
‫‪0.268‬‬
‫‪0.247‬‬
‫‪.b‬‬
‫**‪.402‬‬
‫‪0.095‬‬
‫**‪.411‬‬
‫‪0.267‬‬
‫‪0.152‬‬
‫אשדוד‬
‫‪0.415‬‬
‫‪0.022‬‬
‫‪1‬‬
‫‪-0.179‬‬
‫‪-0.28‬‬
‫‪-0.167‬‬
‫‪-0.115‬‬
‫‪-0.167‬‬
‫‪-0.21‬‬
‫‪-0.157‬‬
‫‪-0.242‬‬
‫בת ים‬
‫**‪.607‬‬
‫‪0.342‬‬
‫‪1‬‬
‫‪-0.048‬‬
‫‪0.196‬‬
‫‪-0.024‬‬
‫‪0.163‬‬
‫‪0.098‬‬
‫‪0.241‬‬
‫‪-0.139‬‬
‫‪0.139‬‬
‫**‪.665‬‬
‫*‪.451‬‬
‫‪1‬‬
‫‪0.261‬‬
‫*‪.447‬‬
‫‪-0.18‬‬
‫‪-0.019‬‬
‫‪0.257‬‬
‫‪0.298‬‬
‫‪0.186‬‬
‫**‪.464‬‬
‫תל אביב‪-‬‬
‫אבן‬
‫גבירול‬
‫תל אביב‪-‬‬
‫מע"ר‬
‫תל אביב‪-‬‬
‫פלורנטין‬
‫כפר סבא‬
‫שימושי‬
‫קרקע‬
‫‪-0.112‬‬
‫‪0.144‬‬
‫תאונות‬
‫הולכי‬
‫רגל ‪-‬‬
‫קטע‬
‫‪-0.18‬‬
‫תאונות‬
‫הולכי‬
‫רגל ‪-‬‬
‫צומת‬
‫‪-0.325‬‬
‫תאונות‬
‫עם כלי‬
‫רכב ‪-‬‬
‫קטע‬
‫‪-0.268‬‬
‫תאונות‬
‫עם כלי‬
‫רכב ‪-‬‬
‫צומת‬
‫‪-0.147‬‬
‫תל אביב‪-‬‬
‫אבן‬
‫גבירול‬
‫תל אביב‪-‬‬
‫מע"ר‬
‫תל אביב‪-‬‬
‫פלורנטין‬
‫**‪.716‬‬
‫*‪.302‬‬
‫‪1‬‬
‫*‪.370‬‬
‫*‬
‫‪0.225‬‬
‫‪0.106‬‬
‫‪0.219‬‬
‫**‪.382‬‬
‫*‪.305‬‬
‫‪0.261‬‬
‫‪0.169‬‬
‫**‪.494‬‬
‫‪0.2‬‬
‫‪1‬‬
‫‪0.239‬‬
‫‪0.174‬‬
‫‪-0.021‬‬
‫‪0.19‬‬
‫‪0.237‬‬
‫‪0.268‬‬
‫‪0.23‬‬
‫‪0.118‬‬
‫**‪.444‬‬
‫‪0.187‬‬
‫‪1‬‬
‫‪-0.016‬‬
‫‪0.154‬‬
‫‪.b‬‬
‫‪0.002‬‬
‫‪-0.022‬‬
‫‪0.111‬‬
‫‪-0.014‬‬
‫‪0.158‬‬
‫‪** Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪* Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪b Cannot be computed because at least one of the variables is constant.‬‬
‫‪78‬‬