У статті запропоновано інформаційно-аналітичну методику ранжування дорожніх сегментів вулично-дорожньої мережі на основі інтеграції геопросторових даних транспортного режиму та аварійності. Актуальність дослідження зумовлена необхідністю виявлення ділянок міської мережі, для яких характерне поєднання підвищеного транспортного навантаження, несприятливих умов руху та високої річної аварійності. Об’єктом дослідження є вулично-дорожня мережа м. Тернополя, а предметом – методи та засоби опрацювання геопросторових даних. Вхідний набір даних (завантаження і середня швидкість руху вранці й увечері, а також річний показник аварійності) сформовано на основі натурних обстежень транспортних потоків у межах розроблення Плану сталої міської мобільності. Для забезпечення порівнюваності даних застосовано мін-макс нормування. Запропоновано індекс конгестивності, що враховує завантаження та швидкість руху, а також інтегральний індекс ризику, який поєднує характеристики транспортного режиму та аварійності. На основі розрахованих показників виконано ранжування дорожніх сегментів, виділено найпроблемніші та пріоритетні для управлінського втручання ділянки, а також оцінено зв’язок між аварійністю та характеристиками руху за допомогою коефіцієнта рангової кореляції Спірмена. Результати показали слабкий прямий зв’язок між аварійністю та завантаженням, помірний прямий зв’язок між аварійністю та індексами конгестивності, а також помірний обернений зв’язок між аварійністю та швидкістю руху. Практична цінність роботи полягає у можливості використання розробленого підходу для підтримки прийняття рішень у сфері організації дорожнього руху, підвищення безпеки та розвитку муніципальних систем транспортного моніторингу.
1. Cabinet of Ministers of Ukraine. (n.d.). National Transport Strategy of Ukraine for the period until 2030. https://publications.chamber.ua/2017/Infrastructure/UDD/National_Transport_Strategy_2030.pdf
2. Popovych, P., Maiak, M., Rozum, R., Buryak, M., Berezka, K., Koval, Y., & Myshko, S. (2023). Study of the state of transport infrastructure of the city of Ternopol. Central Ukrainian Scientific Bulletin. Technical Sciences, 7(38, Part 2), 243–249. https://doi.org/10.32515/2664-262X.2023.7(38).2.243-249
3. Popovych, P., Rozum, R., Murovanyi, I., Buryak, M., Berezka, K., Petrynyuk, N., & Loik, I. (2023). Road traffic safety research in Ternopol. Central Ukrainian Scientific Bulletin. Technical Sciences, 7(38, Part 2), 250–256. https://doi.org/10.32515/2664-262X.2023.7(38).2.250-256
4. Ternopil City Council. (2022). Draft decision on approval of the Sustainable Urban Mobility Plan of the Ternopil Urban Territorial Community. https://ternopilcity.gov.ua/sesiya/proekti-rishen-sesii/proekti-rishen-sesii-tmr/57868.html
5. Ternopil Urban Territorial Community. (2025). Strategy for the development of the Ternopil Urban Territorial Community until 2027 (with a perspective until 2034). Ternopil Urban Territorial Community. https://ternopilcity.gov.ua/app11/Стратегія%20Тернопіль%2005052025.pdf
6. Berezka, K., Shevchuk, O., Zakharchuk, O., Falovych, N., & Siran, R. (2024). Conceptual basis of modernization of transport infrastructure of medium cities in Ukraine. Advances in Mechanical Engineering and Transport, 1(22), 369–377. https://doi.org/10.36910/automash.v1i22.1380
7. He, F., Yan, X., Liu, Y., & Ma, L. (2016). A traffic congestion assessment method for urban road networks based on speed performance index. Procedia Engineering, 137, 425–433. https://doi.org/10.1016/j.proeng.2016.01.277
8. Rouky, N., Bousouf, A., Benmoussa, O., & Fri, M. (2024). A spatiotemporal analysis of traffic congestion patterns using clustering algorithms: A case study of Casablanca. Decision Analytics Journal, 10, Article 100404. https://doi.org/10.1016/j.dajour.2024.100404
9. De la Cruz-Nicolás, E., Estrada-Esquivel, H., Martínez-Rebollar, A., Pliego-Martínez, O. A., & Clemente, E. (2024). Index for assessing the performance level of vehicular traffic on urban streets. Urban Science, 8(4), Article 204. https://doi.org/10.3390/urbansci8040204
10. Mohammed, S., Alkhereibi, A. H., Abulibdeh, A., Jawarneh, R. N., & Balakrishnan, P. (2023). GIS-based spatiotemporal analysis for road traffic crashes in support of sustainable transportation planning. Transportation Research Interdisciplinary Perspectives, 20, Article 100836. https://doi.org/10.1016/j.trip.2023.100836
11. Hashimoto, S., Yoshiki, S., Saeki, R., Mimura, Y., Ando, R., & Nanba, S. (2016). Development and application of traffic accident density estimation models using kernel density estimation. Journal of Traffic and Transportation Engineering (English Edition), 3(3), 262–270. https://doi.org/10.1016/j.jtte.2016.01.005
12. Sipos, T., Mekonnen, A. A., & Szabó, Z. (2021). Spatial econometric analysis of road traffic crashes. Sustainability, 13(5), Article 2492. https://doi.org/10.3390/su13052492
13. Iranmanesh, M., Seyedabrishami, S., & Moridpour, S. (2022). Identifying high crash risk segments in rural roads using ensemble decision tree-based models. Scientific Reports, 12, Article 20024. https://doi.org/10.1038/s41598-022-24476-z
14. Wang, C., Quddus, M. A., & Ison, S. G. (2009). Impact of traffic congestion on road accidents: A spatial analysis of the M25 motorway in England. Accident Analysis & Prevention, 41(4), 798–808. https://doi.org/10.1016/j.aap.2009.04.002
15. Zheng, L., & Sayed, T. (2020). A novel approach for real time crash prediction at signalized intersections. Transportation Research Part C: Emerging Technologies, 117, Article 102683. https://doi.org/10.1016/j.trc.2020.102683