Malatya ili için trafikte kaza analizi

Bu çalışma, Malatya ili kent içi karayolu ulaşım sisteminde meydana gelen trafik kazalarının şiddet düzeyini belirlemeye yönelik veri odaklı bir analiz gerçekleştirmektedir. Amaç, kazaların neden-sonuç ilişkilerini ortaya koymak ve makine öğrenmesi yöntemleri aracılığıyla kazaların olası sonuçlarını önceden tahmin edebilmektir. Bu kapsamda geniş ölçekli kaza verileri kullanılmıştır. Veriler üzerinde öncelikle eksik gözlem temizleme, ölçekleme ve kategorik değişkenlerin dönüştürülmesi gibi veri işleme adımları uygulanmıştır. Ardından, veri dengesizliğini gidermek amacıyla SMOTE (Synthetic Minority Oversampling Technique) yöntemi kullanılmış ve veri seti eğitim (%80) ve test (%20) olarak ikiye ayrılmıştır. Modelleme sürecinde lojistik regresyon, karar ağacı, rastgele orman, SVC, adaboost ve XGBoost algoritmaları kullanılarak kaza şiddeti tahmin edilmiştir. Modeller, doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1 skoru ve Cohen's Kappa katsayısı gibi performans ölçütleriyle değerlendirilmiştir. Elde edilen sonuçlar, lojistik regresyon modelinin daha dengeli ve genellenebilir bir performans sergilediğini, XGBoost'un ise karmaşık örüntüleri yakalamada başarılı olduğunu göstermektedir. Karar ağacı modeli yüksek uyum gücüne rağmen aşırı öğrenme eğilimi göstermiştir. Analiz sonuçları, sürücü yaşı ve davranışı, yolun yapısı, yaya davranışı ve kazanın meydana geldiği yıl gibi değişkenlerin kaza şiddeti üzerinde belirleyici etkiler yarattığını ortaya koymaktadır. Çalışma, kent içi trafik güvenliği politikalarının veri temelli olarak şekillendirilmesi açısından önemli bir örnek oluşturmaktadır. Elde edilen bulgular, Malatya özelinde olmakla birlikte, benzer sosyo-ekonomik ve yapısal özelliklere sahip şehirlerde trafik güvenliği planlamasına yol gösterici niteliktedir.

This study conducts a data-driven analysis to determine the severity levels of traffic accidents occurring within the urban road transportation system of Malatya province. The main objective is to reveal the cause–effect relationships of traffic accidents and to predict their possible outcomes using machine learning methods. Within this scope, large-scale accident data obtained from the General Directorate of Security (EGM) were utilized, and data preprocessing steps including missing observation removal, feature scaling, and transformation of categorical variables were applied. Subsequently, the Synthetic Minority Oversampling Technique (SMOTE) was employed to eliminate data imbalance, and the dataset was divided into training (80%) and testing (20%) sets. During the modeling stage, traffic accident severity was predicted using Logistic Regression, Decision Tree, Random Forest, Support Vector Classification (SVC), AdaBoost, and XGBoost algorithms. Model performance was evaluated using accuracy, precision, recall, F1-score, and Cohen's Kappa coefficient. The results indicate that the Logistic Regression model demonstrated a more balanced and generalizable performance, while XGBoost was more successful in capturing complex patterns in the dataset, and the Decision Tree model exhibited a tendency toward overfitting despite its high fitting capability. The analysis results reveal that variables such as driver age and behavior, road characteristics, pedestrian behavior, and the year in which the accident occurred have significant effects on accident severity. This study constitutes an important example for shaping urban traffic safety policies through data-driven approaches and provides guiding insights for traffic safety planning in cities with similar socio-economic and structural characteristics.