交通事故の空間分布パターンの分析
⼭ ⽥ 晴 利
公益財団法⼈ 交通事故総合分析センター 常務理事 研究部⻑
1 はじめに
交通事故 発⽣場所 経度・緯度 ータを⽤い ,交通事故 分布パターン 分析を⾏ . 分析対象 ,次 ふ ー あ .
• 交通事故 多発箇所(ホッ ・ ッ ) 分布パターン 重⼤事故(死亡・重傷事故) パターン 間 差 あ う .
• 交通事故 集中 い 場所 あ う ,あ .
最初 分布パターン 分析 ,交通事故総合分析 ンター(以下,ITARDA 記 )
設定 ITARDA区間(詳細 い 後述 )を 抽出 事故多発箇所 死
亡・重傷事故 発⽣箇所 分布パターン 同 ⾒ う を統計的 分析 .
⼆番⽬ 交通事故 集中 い 場所 タ ン 分析 ,1 km ッ ュ 集 計 交通事故件数を⽤い ,事故 集中的 発⽣ い ッ ュ ( ター) を⾒出 を試 .
2 交通事故の分布パターンの分析
死亡事故,重傷事故 び多発箇所 空間的 分布パターン 間 差 あ う を統計 的 検証 を⽬的 ,点パターン 分析⼿法を⽤い .
分析 使う ータ ,2013年 発⽣ ⼈⾝事故 う ,⼀般幹線道路(⼀般国道, 主要地⽅道,⼀般都道府県道) 発⽣ 事故を⽤い .⾼速道路,⾃動⾞専⽤道,市町村道, 農林道,駐⾞場・広場等 発⽣ 事故 除外 . ,事故多発箇所 ⼀般幹線道路
発⽣ 事故を 選定 い あ .
分析 対象 ,東京都市圏 京阪神都市圏 ⼆ あ .東京都市圏 三鷹市を
中⼼ 半径30 km エ を,京阪神都市圏 守⼝市を中⼼ 半径50 km エ
を 分析対象 .
事故多発箇所 分析 「 タ ダ区間」を⽤い . タ ダ区間 ,幹線道路 ネッ ワー を 単路 ネッ ワー 分 ,単路 い ン を ⻑ 約300 m 区 間 再分割 あ ,従来 道路管理者 交通事故 分析 広 ⽤い い . 区間 数 単路 約60万,交差点 約24.8万 あ .
,年間4件以上 事故 発⽣ い 区間(単路,交差点)を多発箇所 抽 出 . ,抽出 当 単路 交差点を区別 い い.多発箇所 数 全国
16,856箇所 .
多発箇所 場所を表 代表点 ,交差点 い タ 道路地図(DRM) 交差 点 代表ノー を⽤い .
単路 い ,始点 終点 経度・緯度を平均 単路 中⼼点 単路を代表 .実 際 単路 ⻑ を持 線要素 あ ,以下 分析 中⼼点 代表 い .
死亡事故・重傷事故 発⽣位置 い ,事故原票 付与 経度・緯度 値を使 . 分析 対象 東京都市圏,京阪神都市圏 い ,経度・緯度 値 ⾼い精度 計測
い 確認 い ,経度・緯度 値 修正 ⾏ い い.
最初 ,東京都市圏 京阪神都市圏 交通事故を対象 カーネ 密度推定(KDE: Kernel Density Estimation)を⾏ 結果を図1 図2 ⽰ .
図1 東京都市圏 カーネ 密度推定結果(2013年事故):左 死亡事故,中 重傷事故, 右 多発箇所
カーネ 密度推定 結果 ,次 結論を導 .
• 東京都市圏 死亡事故 東京 都⼼ い ⾼い密度 発⽣ ,周辺 ⾏ い密度 低 .
• ⼀⽅,重傷事故 東京都⼼ 密度 低 , 埼⽟県 南部 密度 ⾼ い
. 東京都 重傷事故件数 周辺 県 ⽐べ著 低い あ . ,東 京都 重傷事故件数 他県 ⽐べ少 い原因 現時点 不明 あ .
• 多発箇所 や 東京都⼼ 密度 ⾼い ,密度 ⾼い地域 東⻄ 広 い う え .
• 東京都市圏 ⽐べ ,京阪神都市圏 死亡事故,重傷事故,多発箇所 間 分布パ
図2 京阪神都市圏 カーネ 密度推定結果(2013年事故):左 死亡事故,中 重傷事故, 右 多発箇所
ターン 差 ⼩ い.
• 死亡事故,重傷事故,多発箇所い 場合 ,⼤阪市 京都市 密度 ⾼ い .
次 ー 付 点過程 分析を⾏う.以下 ,死亡事故 重傷事故 パターン 差 あ う ,死亡事故 多発箇所 パターン 差 あ う , 重傷事故 多発箇所 パターン 差 あ う いう3 分析を⾏ 結果を⽰ .分析 統計 R
L関数を使 .
L関数 K関数 計算 . K関数 ー i 点 あ ⼀
定 距離r内 あ ー j 点 数を 計算 . わ ,
Cross Kij(r) = λjE [Kij(r)] (1) 書 . ,λj ー j 点 平均的 密度(単位⾯積あ 点 数),Kij(r) ー i 点 あ ⼀定 距離r内 あ ー j 点 数 ,E[·] 期 待値を表 .
L関数 次式 定義 . Cross Lij(r) =
√Cross Kij(r)
π . (2)
ー i 点 パターン j 点 パターン 独⽴ , L関数 理論的 値 r 与え . わ ,距離r 線形関数 .
,Brunsdon and Comber2) L関数 値を ッ 包絡線 ⽐較
,「究極 多重⽐較」 避 べ い .
包絡線を使 検定 代わ ⽅法 考案 DCLF検定 MAD検定 あ . DCLF を考案 Diggle, Cressie, Loosmore and Ford 頭⽂字 あ . ,MAD
Maximum Absolute Deviation(乖離 絶対値 最⼤値)を表 ,Repley3) 考案
. ータ 対 ⼀ 統計量を算出 ,多重⽐較 問題を避
.
検定 対象 帰無仮説H0 ,「距離t ∈[tmin, tmax] い 計算 観測 ータ 統計量(G K) ui 値 仮定 空間過程 ンダ ⽣成
値 異 い い」 いう あ .
以上 記述を踏 え ,東京都市圏 京阪神都市圏を対象 事故多発箇所,死亡事故発⽣箇 所 び重傷事故発⽣箇所 分布パターン 間 統計的 有意 差 あ う を検定
. ー 付 点過程 分析を⾏ 結果 次 結論 導 .
• 東京都市圏
– 死亡事故 重傷事故,死亡事故 多発箇所, 重傷事故 多発箇所 空間パタ ーン 統計的 有意 差 あ (い 場合 p <0.01).
– 結論 ,先 ⽰ カーネ 密度推定 結果 予想 結果 あ .
• 京阪神都市圏
– 京阪神都市圏 い ,死亡事故 重傷事故,死亡事故 多発箇所,重傷事故 多発箇所 分布パターン 間 統計的 有意 差 あ (い 場合 p <0.01).
– カーネ 密度推定 結果 , 結論 やや意外 あ .
3 メッシュ単位の交通事故多発クラスター分析
本節 ,1 km ッ ュ単位 集計 ⼈⾝事故件数を対象 事故多発 ッ ュ タ ン を分析 結果を⽰ . 「 タ ン 」 い い ,事故件数 多い( 少 い) ッ ュ 地理空間的 集 い を意味 . ,交通 事故 場合 事故件数 少 い ッ ュ 重要 い ,事故件数 多い ッ ュ 着
⽬ 分析を⾏ . ,平⽇ 休⽇ 分布パターン 差 あ 可能性 あ ,平⽇ 休⽇ 事故を別々 分析 .休⽇ ,⽇曜⽇,祝⽇ 正⽉三 ⽇ .
分析 対象 ,前節 同 2013年 発⽣ ⼈⾝交通事故 う ⼀般幹線道路 発⽣ 事故 あ .
,⼀般道路 存在 い ッ ュ 分析 対象 外 . う ッ ュ
交通事故 発⽣ い 考え あ .
以下 ,兵庫県を対象 タ ン 分析を⾏ 結果をR コー ⽰ . コー Brunsdon and Comber2) Chang4)を い . ,以下 ⽰ コー
,出⼒結果 コ ン ,RStudio 実装 い rmarkdownを利⽤ を
XƎLATEX 変換 結果を ,作成 .
# 必要 パッ ー を読 込 library(GISTools) library(spdep) library(rgdal) library(maptools)
library(ggplot2) library(grid)
# 1 km ッ ュ を読 込
proj4UTM53N <-
"+proj=utm +zone=53 +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +units=m +no_defs" CRS_UTM53N <- CRS(proj4UTM53N)
Hyogo_1km_UTM53N <- readShapePoly("Hyogo_1kmMesh_UTM53N.shp", proj4string=CRS_UTM53N)
ゴン 事故件数,道路延⻑ 属性を格納 あ csv を読 込
.事故件数 ⼀般道路 発⽣ 件数を平⽇,休⽇別 集計 値 い . ,道路地 図 読 込ん ッ ュ毎 道路延⻑ 国道(croad_length),主要地⽅道(local1_length),
⼀般都道府県道(general_length),細道路(thin_length)別 記録 い . ゴン 属性 ータを ゴン ェー 属性 付与 .
# csv を読 込
Hyogo_acc2013_G <- read.csv("Hyogo_final.csv", header=T)
# 属性 ータ 付与
Hyogo_1km_UTM53N@data <- merge(x=Hyogo_1km_UTM53N@data, y=Hyogo_acc2013_G, by="CODE", all.x=T)
ッ ュ毎 ⼀般道路 総延⻑ 値を計算 ,総延⻑ ッ ュ 分析対象 除外
.⼀般道路 総延⻑ ッ ュ 1658あ .
# ッ ュ内 道路延⻑を計算 attach(Hyogo_1km_UTM53N@data)
Hyogo_1km_UTM53N@data$GRoad_Total <- croad_length + local1_length + general_length + thin_length detach(Hyogo_1km_UTM53N@data)
# GRoad_Total = 0 ッ ュを検索
r0_index <- Hyogo_1km_UTM53N@data$GRoad_Total == 0 sum(r0_index)
## [1] 1658
# ⼀般道路 総延⻑ 0 ッ ュを除外
Hyogo_1km_UTM53N_R <- Hyogo_1km_UTM53N[!r0_index,] length(Hyogo_1km_UTM53N_R@data$CODE)
## [1] 6807
# ェー を書 出
writePolyShape(Hyogo_1km_UTM53N_R, "Hyogo_1kmM_UTM53N_acc_withR")
上 書 出 ェー を う⼀度読 込ん ,ggplot2 作図 ⽤い
.読 込ん ェー 属性名 ⼀部短縮 い 注意 必要 あ . ェー 属性名 10⽂字 制限 い あ .
# ェー を読 込
# い 変数名 短 変換 い 注意
Pref_1kmM_acc <- readShapePoly("Hyogo_1kmM_UTM53N_acc_withR.shp", proj4string=CRS_UTM53N)
# id番号を付与
Pref_1kmM_acc$id <- rownames(Pref_1kmM_acc@data)
ggplot2 ッ ータ ータ ー い い い. , ェー
ータ ー い ,ggplot2パッ ー fortify()関数を使 ェー
を ータ ー 変換 . ,fortify()関数 ゴン ータを変換
属性 ータ 変換 い , ゴン 属性 ータを結合 .
# ータ ー 変換
Pref_1kmM_pre <- fortify(Pref_1kmM_acc)
## Regions defined for each Polygons
# 属性 ータを付与
Pref_1kmM_attr <- merge(x=Pref_1kmM_pre, y=Pref_1kmM_acc@data, by="id", all.x=T)
# 不要 ータ ー を消去 rm(Pref_1kmM_pre)
必要 ータ 準備 ,平⽇・休⽇別 事故件数 コ 図を描 . ゴン( ッ ュ) 描画 ,ggplotパッ ー geom_polygon()関数を使い,引
数color “grey60”を指定 .group=CODE 指定 ,同 番号を ータを
ッ ュ毎 ひ い (CODE ッ ュ番号 あ ).fill ⾊分 使う 属性情報を与え ( 事故件数).
ゴン ⾊分 scale_fill_continuous() 与え い . 連続値をbreak 与え 値 区切 ⾊分 指定を .low high ⼆ 引数 ⾊を指定 , 事故件数 ⾼いほ ⾊ 濃 う .name 与え ⽂字列 凡例 表⽰ . coord_equal()関数 縦横⽐を固定 関数 あ .
平⽇ 事故件数 コ 図を描 .結果 図3 ⽰ . 図 ,神⼾市, 芦屋市,尼崎市 線状 事故 多い ッ ュ 集中 い . 姫路市,明⽯市 事故 多い ッ ュ 認 . 以外 地域 事故 件数 わ 少 い.
# 軸 何 表⽰ い う 関数を定義
# R ッ ッ ッ を参考 (W Chang著,オ ー・ パン) theme_clean <- function(base_size=12) {
theme_grey(base_size) %+replace%
theme(axis.title = element_blank(), axis.text = element_blank(), panel.background = element_blank(), panel.grid = element_blank(), axis.ticks = element_blank(), panel.margin = unit(0, "lines"),
plot.margin = unit(c(0, 0, 0, 0), "lines"), complete = TRUE
) }
# コ 図(平⽇ 事故件数) ggplot(Pref_1kmM_attr) +
geom_polygon(aes(long, lat, group=CODE, fill=NUM_ACC_WO), color="grey60") +
scale_fill_continuous(low="#fefefe", high="#dd6600",
breaks=c(10, 20, 30, 40, 50, 75, 100), name="事故件数") + labs(title="1 km ッ ュ 交通事故件数\n兵庫県 2013年:平⽇,⼀般道路") + coord_equal() + theme_clean()
休⽇ 事故件数 コ 図を描 .結果 図4 ⽰ .事故件数 多い , 平⽇ 場合 同 地域 あ ,事故件数 平⽇ ⽐べ少 い .
Brunsdon and Comber や ⽅2) 従 , ッ ュ 間 事故件数 空間的 分布を分 析 .事故 特定 ッ ュ( 集合) 集中 い う を検証 ⽬的 あ .
う 分析 使わ , ーカ ・ ンI,Ord G統計量 あ , Ord G統計量を使 . 次式 定義 .
Gi=
∑n
j=1zjvij(d)
∑n j=1zj
. (3)
,vij(d) ゴンi j ン 間 距離 d未満 値1を, う い 値0を 関数 あ ,zi 関⼼ あ 観測量( 事故件数) あ .上 式 わ う ,G統計量 観測量 値 負 値を 場合 利⽤ い.
図3 兵庫県 ⼀般道路 ⼈⾝事故件数(2013年,平⽇,1 km ッ ュ)
以下 「各 ゴン 観測値を ンダ 並べ替え 得 仮想的 ータ 同 様 確 い」 いう仮説 い ュ ー ョンを⾏い, 結果 p値を求
いう⼿順を .
, 場合 多重⽐較 問題 残 補正 必要 あ . ,FDR法
(False Discovery Rate)を使 補正 .
平⽇ 事故 い 分析 使 R コー を以下 掲 .計算結果 い ,平⽇ 休⽇双⽅ 結果を提⽰ .
2 km以内 あ ッ ュを近傍 ゴン ⾒ ( わ ,式(3) d = 2 km), 距離を 近傍 ッ ュ を作 .
図4 兵庫県 ⼀般道路 ⼈⾝事故件数(2013年,休⽇,1 km ッ ュ)
# 近接 ッ ュを求
# 距離を2 km 設定 (距離 単位 m 2000を指定 )
# style="B" バ 意味 near.dist <- 2000
near.poly <- dnearneigh(coordinates(Pref_1kmM_acc), 0, near.dist) near.poly.lw <- nb2listw(near.poly, style="B")
ッ ュ毎 事故件数を使 local G 値を計算 . acc.mesh.work <- Pref_1kmM_acc@data$NUM_ACC_WO
accm.localG.work <- localG(acc.mesh.work, near.poly.lw)
summary(accm.localG.work)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -1.00100 -0.87220 -0.74950 0.08101 -0.40710 19.12000
計算 local G 値をコ 図 表 (図5 図6). 描い い 「標準
化 」local G 値 あ ( わ ,平均 0,分散 1 い ).local G 値
⼤ い ,事故件数 ⼤ ッ ュ ほぼ同 地域 あ ,事故件数 ッ ュ 間 差異 強調 い .
図5 兵庫県Local G 値(2013年,平⽇,1 km ッ ュ)
図6 兵庫県Local G 値(2013年,休⽇,1 km ッ ュ)
# ggplot2を使 描画
# ggplot2 描画 使う ータ ー Pref_1kmM_attr 上 計算
# accm.localG.work 値を左結合
# 結合 キー 変数id , ター 変換 い うI()を使 与え
# acc.localG.work local G ,数値 変換
df.accm.work <- data.frame(id=I(rownames(Pref_1kmM_acc@data)), localG_work=as.numeric(accm.localG.work))
Pref_1kmM_attr <- merge(x=Pref_1kmM_attr, y=df.accm.work, by="id", all.x=T)
# 平⽇ 事故 い ,標準化 Local G コ 図を描
# 中間 値( ) う 値 変化 い を⽰ い ,
# scale_fill_gradient2()関数を使う ggplot(Pref_1kmM_attr) +
geom_polygon(aes(long, lat, group=CODE, fill=localG_work), color="grey60") +
scale_fill_gradient2(low="#0000ff", mid="#fff8dc", high="#ff4500", midpoint=0, guide="colourbar", name="local G") + labs(title="1 km ッ ュ local G\n兵庫県 2013年:平⽇,⼀般道路") + coord_equal() + theme_clean()
次 計算 local G 値 い ,正規性 検定を⾏う.前 述べ う ,
ッ ュ 事故件数を任意 並べ替え 状態 等 い確率 ⽣ 仮定 ,2万 回 ュ ー ョンを⾏ , 結果を ッ ュ毎 QQ ッ 図 描い . ,
ッ ュ 数 多数あ , べ ッ ュ い QQ ッ を載
い ,図 省略 .平⽇,休⽇い 場合 分布 右側 正規分布 外 ,
裾 ⻑い分布 い わ .
結果 正規性 前提 成 ⽴ い を意味 . 検定 分布 右側を使
う ,上述 ュ ー ョン結果を p値を求 .
わ ,2万回 ュ ー ョン い ,実際 事故 ータ 計算 local G 値 上 何パー ン 位置 あ を求 , FDR法を⽤い 補正を⾏う 修正
p値を求 .
ュ ー ョン結果を⽤い , ッ ュ別 local G統計量 統計的 検定を⾏い, 結果をコ 図 表 (図7 図8).
MC.localG.pvals <- (colSums(sweep(simulate.G, 2, accm.localG.work, ">=")) + 1) / (nrow(simulate.G) + 1)
adjust.p <- p.adjust(MC.localG.pvals, method="fdr")
# 分位数を与え .分位数 p値をカ ゴ ー分 . break.points <- c(0, 0.001, 0.01, 0.05, 0.10, 1) p.category <- cut(adjust.p, break.points,
labels=c("0.1% Signif", "1% Signif", "5% Signif", "10% Signif", "Insign"), include.lowest=T)
# 各カ ゴ ー カ ーパ ッ (離散的)を作
cat.palette <- colorRampPalette(c("#ff4500", "#ffdab9", "#ffffff"))(5)
# 各 ッ ュ カ ゴ ーを ータ ー 左結合
df.accm.pval <- data.frame(id=I(rownames(Pref_1kmM_acc@data)), pval_work=p.category)
Pref_1kmM_attr <- merge(x=Pref_1kmM_attr, y=df.accm.pval, by="id", all.x=T)
# コ 図を描
ggplot(Pref_1kmM_attr) +
geom_polygon(aes(long, lat, group=CODE, fill=pval_work), color="grey60") + scale_fill_manual(values=cat.palette, name="p-val") +
labs(title="1 km ッ ュ毎 p値(Local G)\n兵庫府 2013年:平⽇,⼀般道路") + coord_equal() + theme_clean()
図 ,平⽇,休⽇い い ⼭陽道沿い 都市部 p値 有意
,事故 多い ッ ュ 集中 い わ . 以外 地域 ,有意 ター 存在 い. 平⽇ 休⽇を⽐べ ,休⽇ 有意 ッ ュ 少
い わ .
図7 兵庫県 ッ ュ毎 p値(2013年,平⽇,1 km ッ ュ)
図8 兵庫県 ッ ュ毎 p値(2013年,休⽇,1 km ッ ュ)
以上 兵庫県 ⼀般道路 発⽣ 交通事故 タ ン 分析 終わ .以下 兵庫県以外 都府県(埼⽟県,東京都,及び⼤阪府) い ,同 ⼀般道路 発⽣ 交 通事故 タ ン を分析 結果 コ 図を⽰ .分析 平⽇ 休⽇ 事故を分
⾏ ,両者 間 ⼤ 差 い ,平⽇ 結果 を図9〜11 ⽰ . 図 , 都府県 い 交通事故 多発 い ターを判別
. う ッ ュ い ,集中的 安全対策 必要性 ⾼い いえ う.
,Kuo et al5) ,交通事故 多発 い ッ ュ 犯罪 多発 い ッ ュ 重
部分 多い , う 地域 犯罪 取 締 を重点的 ⾏え ,交通事故 抑⽌ 効果 あ 述べ い を付記 .
埼⽟県 い , ッ ュ毎 事故件数 コ 図を⾒ (図9a),東京寄 市 国道17号沿い 事故件数 多い わ .⼀⽅,Local Gを使 検定結果 (図 9b),東京寄 市(越⾕,春⽇部, い ,川⼝,川越,和光,所沢,狭⼭) 有意
ター 抽出 い .⼀⽅,国道17号沿い ,深⾕,熊⾕ ター 抽 出 い .
(a)埼⽟県 事故件数(2013年,⼀般道路)
(b)埼⽟県 Local G(2013年,⼀般道路)
図9 埼⽟県 交通事故 タ ン 分析結果(2013年,⼀般道路)
東京都 ,都⼼部 交通事故 件数 多い 当然 ,都⼼ 離 郊外部 事故 発⽣ い (図10a). ,有意 ター 抽出 い ,都⼼部
他,環状7号 加平 駒沢付近,環状8号 荻窪付近,及び第⼀京浜 沿線 あ .郊外部 ッ ュ 有意 ター い い(図10).
(a)東京都 事故件数(2013年,⼀般道路)
(b)東京都 Local G(2013年,⼀般道路)
図10 東京都 交通事故 タ ン 分析結果(2013年,⼀般道路)
⼤阪府 ,交通事故 ⼤阪市,堺市を中⼼ 広い地域 発⽣ い (図11a). , 有意 ター 抽出 ,⼤阪市,堺市,岸和⽥市, ⾼槻市
(図11).
(a)⼤阪府 事故件数(2013年,⼀般道路)
(b)⼤阪府Local G(2013年,⼀般道路)
図11 ⼤阪府 交通事故 タ ン 分析結果(2013年,⼀般道路)
4 おわりに
本研究 ,交通事故発⽣場所 経度・緯度情報を使 ,交通事故 多発箇所 分布 重
⼤事故 分布パターン 間 差 あ う , 交通事故 集中 い 場所 あ
う ,あ , いう⼆ 課題を分析 .
分析 結果,次 結論 得 .
多発箇所 分布 重⼤事故 分布パターン い ,東京都市圏,京阪神都市圏 2013年 発⽣ 幹線⼀般道路 事故 ータを使 分析 ,多発箇所,死亡事故,
重傷事故 分布パターン 間 統計的 有意 差 あ わ . ,死亡 事故,重傷事故 必 多発箇所 発⽣ い わ い を意味 .
,1 km ッ ュ単位 集計 事故 ータを使 事故 タ ン 分析を
⾏ ,埼⽟県,東京都,⼤阪府,兵庫県 ,事故 集中 発⽣ い タ
ー 存在 , 都市部 限定 い 明 .
う 分析を通 ,事故 発⽣場所 情報を使う ⾏え 交通事故 地理空間的 特徴を捉え う を⽰ 考え い .
, う 地理空間的 ータ 処理,分析 結果 図化 を統計 R 中 完
結 形 明 . ,地理空間的 ータ 分析を容易
いう点 研究者 朗報 あ .
,本稿 分析 使 統計 R コー を掲載 . コー ,
Brunsdon and Comber2) Chang4) をベー 著者 ⼀部改変 あ
. う いコー を作成 著作者 ⽅々 感謝 .
謝辞
本研究 ,ArcGIS 加え 以下 オー ン を利⽤ い い .
製作・改良 携わ ⽅々 深 感謝 . 交通事故 パターン分析 コ 図等 描画 R パッ ー RStudio ⾮常 世話 .
• 統計 R: version 3.2.1, by R Core Team: R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria, 2015, http://www.R-project.org/
• ⽂書作成・組版:TEX Live 2015
参考⽂献
[1](公財)交通事故総合分析 ンター:交通事故統計年報,平成22年版,23年版,24年版, 25年版,26年版.
[2] Brunsdon C and Comber L: An introduction to R for spatial analysis & Mapping,
Sage Publications Inc, 2015.
[3] Ripley B D: Modelling spatial patterns with discussion, Journal of the Royal Statis- tical Society B, 39, 172–212, 1977.
[4] Chang W: R Graphics Cookbook, O’Reilly, 2013.(邦訳:R ッ ッ ッ ,⽯井,川内他訳,オ ー・ パン,2013.)
[5] Kuo P-F, Zeng X and Lord D: Guidelines for choosing hot-spot analysis tools based on data characteristics, network restrictions, and time distributions, Presented at the 91st Annual Meeging of the Transportation Research Board, Nov 2011.