Profili territoriali dell'incidentalità in Piemonte

    a cura di Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo. e Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo. Ires Piemonte

    Si studiano le determinanti del fenomeno incidentale in Piemonte a livello comunale, nel periodo 2013-2016. Il lavoro ha due principali obiettivi: costruire una base informativa, aggiornabile, che integri i dati di incidentalità, di traffico e della struttura insediativa; ricavare dei profili descrittivi sintetici delle situazioni territoriali di incidentalità. L’approccio analitico proposto può essere utile per la gestione della sicurezza stradale e la progettazione di contromisure a livello locale.

    Perchè un’analisi territoriale del fenomeno incidentale?

    Gli incidenti stradali sono eventi, per definizione, unici, imprevedibili, casuali. A fronte di questa ineliminabile imprevedibilità, lo studio delle determinanti del fenomeno incidentale è un passo indispensabile per informare adeguati interventi di policy orientati a ridurne il rischio e la gravità.

    Il rischio incidentale è convenzionalmente definito come numero di incidenti e/o di infortunati negli incidenti in rapporto a una qualche misura dell’esposizione, ad esempio il volume di traffico o la popolazione residente. In letteratura questo rischio è associato a numerosi fattori riconducibili a tre principali tipi di determinanti (Hermans et al, 2008):

    • la componente umana innanzi tutto, che considera età e caratteristiche cognitive del guidatore, nonché le sue competenze e comportamenti di guida;
    • la tecnologia, che fa riferimento al tipo di veicoli coinvolti e alle dotazioni, passive e attive, dei dispositivi per la sicurezza;
    • il contesto territoriale, infine, che tiene conto delle caratteristiche geomorfologiche dell’area, degli usi del suolo, del tessuto insediativo e delle infrastrutture, dei flussi di traffico, dei servizi di trasporto e, più in generale, del tipo di popolazione e di attività economiche insediate nel territorio.

    L’analisi del contesto territoriale sta oggi suscitando un interesse crescente (Eksler e Lassare, 2008; Eksler, 2008, 2010). E questo per diverse ragioni:

    • è un background indispensabile per qualificare le criticità della rete infrastrutturale;
    • permette di cogliere la varietà del fenomeno incidentale nelle diverse aree sub-regionali;
    • può giocare, infine, un ruolo di piattaforma comunicativa per condividere informazioni sul fenomeno incidentale da parte dei cittadini, degli stakeholder e dei decisori.

    Non ultimo, come mostrato in un precedente lavoro dell’Ires Piemonte (Landini, Occelli e Scalzotto, 2018), ha l’indubbio vantaggio pratico di rendere disponibile, attraverso la georeferenziazione, uno strumento potente e flessibile per integrare le informazioni disponibili.

     

    La metodologia

    L'analisi fa riferimento agli incidenti stradali avvenuti in Piemonte tra il 2013 e il 2016.

    Essa si è articolate in due passi principali:

    1. costruzione di una base informativa integrata funzionale a descrivere la varietà delle situazioni territoriali;
    2. identificazione dei profili territoriali dell’incidentalità, attraverso un algoritmo di analisi di cluster.

     

    Per costruire la Base Informativa (BI) sono state considerate quattro diverse fonti di informazione:

    • DbAccidents (fonte: CSI – Twist) che contiene i dati sugli incidenti (localizzazione, circostanze, veicoli coinvolti, morti e feriti), dettagliati per coordinata geografica);
    • DbCensus (fonte: ISTAT) che contiene dati relativi agli aspetti insediativi (popolazione e addetti, edifici per tipologia, superficie edificata), a livello di sezione censuaria;
    • DbRoadNetwork (fonte: 5T - CSI) che contiene dati relativi alle caratteristiche geometriche delle strade e al traffico (flussi, velocità) per arco stradale. Poichè nel DB dei flussi di traffico solo circa un terzo dei segmenti è valorizzato, è stato necessario applicare una procedura di stima per calcolare i valori di flusso e di velocità per i segmenti incompleti;
    • DbMunicipalities (varie fonti nazionali/regionali/locali) costituito da un insieme di database che forniscono diverse descrittive a livello comunale (es. mobilità, uso del suolo, bilanci, trasporto pubblico).

    Utilizzando due funzioni GIS (l’intersezione e l’algoritmo di minima distanza) è stato possibile associare, attraverso il riferimento geografico, ciascun incidente (DbAccidents) ad uno specifico segmento stradale (DbRoadNetwork) e ad una specifica sezione censuaria (DbCensus) e quindi a tutte le varie informazioni contenute nei DbMunicipalities.

    Per definire i profili territoriali, è stata utilizzato l’algoritmo di analisi di cluster (K-means), che ha permesso di raggruppare i comuni piemontesi, sulla base di una selezione delle variabili contenute nella BI, relative a:

    • incidenti, misurata con le variabili: rischio incidentale (vittime/popolazione); indice di lesività (vittime / incidenti), quota vittime in ambito urbano;
    • infrastrutture e traffico, misurata con le variabili: densità della rete viaria, quota traffico sulle strade extraurbane incidentate, quota trasporto pubblico locale (TPL);
    • struttura insediativa, misurata con le variabili: quota edificato non residenziale, quota edificato alto superiori ai 3 piani, quota di sezioni censuarie ad alta intensità abitativa (>1.500 ab/km2).

    Tutte le variabili si riferiscono al livello comunale e risultano dall’aggregazione dei dati individuali contenuti nella BI.

     

    I risultati: profili incidentali dei comuni piemontesi

    L’analisi di cluster ha restituito cinque tipologie (o gruppi) di comuni definite sulla base della distribuzione e intensità degli incidenti stradali e dei fattori territoriali che possono influenzare il loro verificarsi.

    La distribuzione territoriale dei gruppi, Figura 1, suggerisce che esiste un legame tra profili incidentali e morfologia insediativa di cui si è tenuto conto nell’attribuzione dei nomi.

    Nel seguito è fornita una sintetica descrizione dei gruppi sulla base delle variabili utilizzate nell’analisi (Tabella 1).

    • Periferico (11% dei comuni): situato in aree periferiche e/o interstiziali del territorio regionale, ha valori bassi di infrastrutturazione e di criticità incidentale, in termini sia di rischio e numero di infortunati (feriti più morti) rispetto alla popolazione, sia di livello di infortunio (numero feriti e di morti) per 100 incidenti. Molto rilevante la quota di infortunati in ambito urbano. La quota di mobilità che usa il trasporto pubblico locale (TPL) è superiore alla media regionale.
    • Periferico a Rischio Elevato (RE) (32% dei comuni): situato in aree poco densamente abitate, ha una bassa infrastrutturazione ma un’alta criticità incidentale in termini sia di rischio sia di in-fortunio. Traffico e incidenti si concentrano soprattutto in ambito extra-urbano. Anche in questo gruppo, la quota di mobilità che usa il TPL è superiore alla media regionale. Pur concentrando poco meno del 5% degli incidenti che avvengono nella regione, la quota di morti è quasi tre volte più elevata (14%).
    • Hinterland (11% dei comuni): si colloca soprattutto lungo le direttrici più importanti. Ha una modesta infrastrutturazione, ma la presenza di strade a scorrimento veloce è maggiore che negli altri gruppi. Infortunati e volume di traffico si concentrano soprattutto in area extra-urbana.
    • Poli Urbanizzati (16% dei comuni): Include i centri regionali più popolosi. Ha valori elevati di infrastrutturazione e di densità dell’edificato. In questo gruppo si concentra il 78% degli incidenti e il 51% dei morti. Il rischio di incidentalità e di infortunio hanno valori contenuti. Quasi tre infortuni su quatto sono causati da sinistri in ambito urbano.
    • Periurbani (30% dei comuni): situato in prossimità dei comuni maggiori, ha un profilo di infrastrutturazione simile a quello medio regionale, associato però a livello di rischio (numero di infortunati rispetto alla popolazione) superiore. La quota di infortunati è quasi egualmente distribuita tra ambito urbano ed extra-urbano.

      

    Figura 1 – La distribuzione della tipologia di profili territoriali dell’incidentalità nel territorio regionale

    (*) RE = Rischio Elevato

    Fonte : elaborazione IRES su dati ISTAT, TOC e Regione Piemonte

     

     

    Tabella 1 – Le variabili utilizzate per la costruzione dei profili territoriali

     

     A livello sub-regionale, molti comuni delle province di Torino, Novara, Biella e VCO appartengono ai gruppi Poli Urbanizzati e Periurbani; insieme questi tipi caratterizzano oltre il 50% dei loro comuni. Il gruppo Periferico a Rischio Elevato si concentra soprattutto nelle province di Asti, Cuneo, Alessandria. Il gruppo Hinterland è maggiormente presente a Vercelli e Novara ed è assente nella provincia di Biella.

    Oltre ad aiutare a profilare le situazioni territoriali, la base informativa integrata permette di investigare in modo agevole il fenomeno incidentale a livello di singolo tratto di stradale. Alcuni esempi di questo tipo di analisi sono illustrati in un recente lavoro dell’Ires (Occelli e Sciullo, 2018).

     

    Conclusioni: evidenze e prossimi passi

    Lo studio ha permesso di investigare a fondo i problemi operativi che esistono per predisporre e far evolvere nel tempo una base informativa a supporto dell’analisi incidentale in Piemonte. L’approccio proposto ha ovviamente carattere sperimentale e, in quanto tale, ha ampi margini di miglioramento.

    Innanzi tutto, affinare l’analisi ad una granularità tale da consentire di individuare i tratti stradali (e cluster di segmenti) maggiormente critici può essere molto utile nella gestione della sicurezza delle infrastrutture stradali e la progettazione di interventi a livello locale.

    In un’ottica user centered e tenuto conto dei vincoli di bilancio delle amministrazioni pubbliche, sarebbe poi opportuno che il percorso migliorativo prestasse attenzione a abbassare le barriere all’utilizzo di metodologie di analisi di questo genere, aumentando la competenza degli utenti nell’usare dotazioni hardware e software già disponibili o comunque liberamente accessibili.

    Per quanto riguarda l’arricchimento della base informativa, infine, si ritiene prioritario provvedere a integrare i seguenti dataset:

    • i dati sanitari necessari a identificare la gravità dell’infortunio incidentale. Si tratta di dar seguito al progetto pilota della Regione Piemonte, previsto nel Piano Statistico Nazionale. Questa operazione è necessaria per determinare i costi sociali del fenomeno e affinare gli indicatori di criticità incidentale della rete;
    • i dati economico-finanziari riguardanti i progetti di miglioramento infrastrutturale e di manutenzione (straordinaria e ordinaria) della rete. Si tratta di un prerequisito indispensabile per realizzare appropriati bilanci costi-benefici degli interventi di messa in sicurezza della rete stradale ;
    • i dati relativi alle multe elevate dalle Forze dell’Ordine e/o dai dispositivi di controllo sui vari tratti di strada. È questa un’operazione che può essere utile non solo per monitorare l’impatto degli interventi a supporto della sicurezza stradale, ma anche per identificare, preventivamente, tratti di strada potenzialmente più a rischio.

     

    Bibliografia

    Bleˇcic, I., Cecchini, A, & Trunfio, G.A. (2018). Towards Automatic Assessment of Perceived Walkability, in Gervasi, O., Murgante, B., Misra, S., Stankova, E., Torre, C.M., Ana Maria Rocha, A.M., Taniar, D., Apduhan, B.O., Tarantino, E., & Ryu ,Y. (Eds.) Computational Science and Its Applications – ICCSA 2018 (Part 3 pp. 351–365). Springer https://doi.org/10.1007/978-3-319-95168-3_24

    Eksler, V. (2010). Measuring and understanding road safety performance at local territorial level. Safety Science, 48, 1197–1202.

    Eksler, V., & Lassarre S. (2008). Evolution of road risk disparities at small-scale level: Example of Belgium. Journal of Safety Research, 39, 417–427.

    Hermans, E., Van den Bosscheb, F., & Wets, G. (2008). Combining road safety information in a performance index. Accident Analysis and Prevention, 40, 1337–1344.

    Kotsakos, D., Trajcevsi, G., Gunopulos, D., & Aggarwal, C. (2014). Time-Series Data Clustering. In Aggarwal C., & Reddy, C. (eds.) DATA CLUSTERING - Algorithms and Applications, Taylor & Francis, Boca Raton (FL), 357 - 375.

    Landini, S., Occelli, S., & Scalzotto, L. (2017). Quanto è sicuro il Piemonte? Uno sguardo alla situazione dell’incidentalità stradale a metà del decennio. Retrieved from http://archive.digibess.eu/islandora/object/librib:911652/datastream/PDF/content/librib%20911652.pdf

    McAndrews, C., Beyer, K., Guse, C.E., Layde, P. (2016). How do the definitions of urban and rural matter for transportation safety? Re-interpreting transportation fatalities as an outcome of regional development processes. Accident Analysis and Prevention, 97, 231-241.

    Occelli S., Sciullo A. (2018) Profili territoriali dell’incidentalità stradale in Piemonte, Ires Piemonte

    World Health Organization (2004). World report on road traffic injury prevention. http://www.who.int/violence_injury_prevention/road_traffic/activities/training_manuals/en/

    World Health Organization (2006). Risk factors for road traffic injuries. In Road Safety Training Manual.http://www.who.int/violence_injury_prevention/publications/road_traffic/ world_report/

    Copyright © 2018 Politiche Piemonte. Tutti i diritti riservati.