fa تحلیل عوامل مکانی مؤثر بر تمرکز تصادفات در راه‌های برون‌شهری با استفاده از GIS و داده‌کاوی سامانه های اطلاعات مکانی GIS پژوهشي Research یکی از مشکلات اصلی حمل‌ونقل جاده‌ای در کشور، تصادفات است. جهت مدیریت و کاهش تصادفات در یک محور برون‌شهری لازم است که متولیان ایمنی راه اطلاعات کاملی از عوامل تأثیرگذار بر تصادفات آن محور در اختیار داشته باشند. با توجه به تحقیقات صورت گرفته، شناسایی انواع تصادفات یک محور و عوامل مؤثر بر وقوع آن‌ها یکی از راهکارهای مؤثر در کاهش تصادفات جاده‌ای برون‌شهری است. این مطالعه یک استراتژی تلفیقی را جهت بررسی انواع تصادفات و عوامل مکانی مؤثر بر تمرکز تصادفات در راه‌های دوخطه دوطرفه برون‌شهری با استفاده از تحلیل‌های مکانی و روش خوشه‌بندی تجمعی سلسه‌مراتبی بر پایه Mean-K، ارائه می‌نماید. روش پیشنهادی با ایجاد یک پایگاه داده مکانمند متشکل از داده‌های تصادفات و اطلاعات راه و محیط مجاور آن در محور قزوین- رشت (ایران) مورد بررسی و ارزیابی قرار می‌گیرد. نتایج نشان می‌دهد که دقت خوشه‌بندی داده‌های تصادفات به ‌روش پیشنهادی، 7/6 درصد بیش از روش تجمعی سلسه‌مراتبی و حدوداً 10 درصد بیشتر از روش Mean-K است. تحلیل خروجی روش پیشنهادی با استفاده از توابع مکانی و الگوریتم‌های استخراج الگوی داده‌کاوی ضمن بیان نوع و خصوصیات تصادفات محور در نواحی تمرکز تصادفات، تأثیرات طرح هندسی راه، ترافیک، توسعه شهری، کاربری‌ها و عوارض اطراف راه را بر تصادفات آشکار می‌سازد. Motor vehicle crashes is one of the main problems of road transportation network in Iran. Exploring the significant variables related to concentration of motor vehicle crashes is vitally important in reducing crashes on a highway corridor. This study integrates spatial analysis with a K-Mean-based Hierarchical Agglomerative Clustering method to identify the correlation between major crash types at the concentration points of crashes and explore the most spatial factors that may lead to crashes. An experiment is designed and conducted on Qazvin-Rasht highway corridor using real crash records and spatial factors related to roadway geometry and its proximity features. Results showed that clustering crash records using the proposed method is 6.7 percent better than hierarchical agglomerative clustering and approximately 10 percent better than k-mean clustering method. Moreover, analyzing the concentration points of crashes using spatial functions and discovery of patterns and rules data mining approach explored type and specification of each cluster's crashes and revealed the impact of road geometry, traffic, urban development, activities and land uses in the proximity of highway corridors on increasing the rate and severity of motor vehicle crashes. ایمنی راه, تصادف, سیستم‌های اطلاعات مکانی (GIS), خوشه‌بندی تجمعی سلسه‌مراتبی بر پایه Mean-K, الگوریتم Separate-and-Conquer Road Safety, Motor Vehicle Crashes, Geospatial Information Systems (GIS), K-Means based Hierarchical Agglomerative Clustering, Separate and Conquer Algorithm 87 102 http://jgst.issgeac.ir/browse.php?a_code=A-10-25-49&slc_lang=fa&sid=1 M. Effati میثم عفتی meysameffati@guilan.ac.ir 10031947532846001666 10031947532846001666 Yes گروه مهندسی عمران- دانشکده فنی- دانشگاه گیلان M. A. Rajabi محمد علی رجبی marajabi@ut.ac.ir 10031947532846001667 10031947532846001667 No گروه مهندسی نقشه‌برداری- پردیس دانشکده‌های فنی- دانشگاه تهران F. Hakimpour فرشاد حکیم پور fhakimpour@ut.ac.ir 10031947532846001668 10031947532846001668 No گروه مهندسی نقشه‌برداری- پردیس دانشکده‌های فنی- دانشگاه تهران Sh. Shabani شاهین شعبانی shabani@iust.ac.ir 10031947532846001669 10031947532846001669 No گروه مهندسی عمران راه و ترابری- دانشگاه پیام نور تهران