Первый номер официально. 2023 г. (г. Липецк)

21 декабря 2023 года № 106 (291) 49 ДОКУМЕНТЫ ЛИПЕЦКА 2. Строительство сети магистральных улиц районного значения восточнее микрорайона 10-я Шахта, общая протяженность 2 700 м, параметры движения 2+2. 3. Строительство улицыместного значения в районе д.59 по ул. Юношеская. Стоимость работ по представленному перечню мероприятий укрупненно оценивается в до- полнительные 5 529 млн. руб., которые, однако, могут быть возложены на застройщика территорий. 3.4. Прогноз уровня автомобилизации, параметров дорожного движения Стандартная формула для прогноза автомобилизации – логистическая кривая: ML(t)= где t – время от предыстории прогноза к будущему; t=-20 соответствует 2000 году, t=0 соответствует 2020 году, t=20 соответствует 2040 году. По данным АВТОСТАТА для ЛипецкаML(-20) = 130 (2000 год); ML(0) = 330 (2020 год). «Полка» логистической кривой зависит от плотности УДС города (доля площади УДС в площади застроенной территории города, LAS), а также плотности населения (количество жителей на 1 га застроенной территории города, PD). С этой точки зрения в Липецке имеются серьезные ограничения для роста автомобилизации. Площадь УДС в расчете на 1 автомобиль (SV) определяется по формуле: По данным 2020 года население составляет 503 тыс. жителей, соответственно PD=50,8 жителей на 1 га. Плотность УДС в Липецке LAS≈0,05, примерно такая же, как в других областных центрах РФ. При уровне автомобилизацииML=330 автомобилей на 1000 жителей имеем: В условиях, когда площадь УДС в расчете на 1 автомобиль ниже «гаражной нормы» ( ), можно говорить о наличии весьма жестких планировочных ограни- чений для роста автомобилизации населения. Исходя из этих ограничений, а также подгонки под ретро-траекторию (за 2000–2020 гг.), имеем A≈ 420, B ≈ 0,25, C ≈ 0,11 ( график рисунка 3.5.1): Рисунок 3.5.1 – Прогнозная динамика изменения уровня автомобилизации на территории МО г. Липецк Логистическое уравнение широко используется для моделирования уровня автомобилизации в разных странах. Применение данного метода прогнозирования автомобилизации обосновано и описано в следующих работах: – M. Chaffin, D.H. Hollywood Forecasting car ownership // Economics 1 May 1977, https://www.austral asiantransportresearchforum.org.au/sites/default/files/1977_Chaffin_Hollywood.pdf – J. C. Tanner Long-Term Forecasting of Vehicle Ownership and Road Traffic // Journal of the Royal Statistical Society. Series A (General), 1978, Vol. 141, No. 1 (1978), pp. 14-63. https://www.jstor.org/ stable/2344775 – Caroline Gallez (1994) Identifying the long termdynamics of car ownership: a – demogr aph i c approach , Tr anspor t Rev i ews , 14 : 1 , 83-102 . ht tps : / /do i . org/10.1080/01441649408716867 – Hirota, Keiko Passenger Car Ownership Estimation toward 2030 in Japan: BAU Scenario with Socio- economic Factors // MPRA Paper No. 15139, posted 09 May 2009. https://mpra.ub.uni-muenchen. de/15139/ – Travel Demand Forecasting Report National Transport Model Update // AECOM Ireland Limited 2019 – Tian Wu, Hongmei Zhao, Xunmin Ou Vehicle Ownership Analysis Based on GDP per Capita in China: 1963–2050 // Sustainability 2014, 6, 4877-4899. https://www.mdpi.com/2071-1050/6/8/4877 – Lian Lian, Wen Tian, Hongfeng Xu and Menglan Zheng Modeling and Forecasting Passenger Car Ownership Based on Symbolic Regression // Sustainability 2018, 10(7). https://www.mdpi.com/2071- 1050/10/7/2275 – Dargay, Joyce, Dermot Gately, and Martin Sommer, “Vehicle Ownership and Income Growth, Worldwide: 1960–2030,” Energy Journal, Vol. 28, No. 4, 2007, pp. 143–170. Анализ динамики уровня автомобилизации с 2002 по 2020 год не выявил зависимости данного показателя от финансовых кризисов. Для анализа влияния пандемии еще недостаточно данных. В 2020 году, несмотря на начало пандемии, уровень автомобилизации вырос. В используемом методе прогнозирования коэффициенты модели А, В, С отражают планиро- вочные характеристики города (параметры расселения, застройки, землепользования), их обосно- вание приведено по тексту. Одним из наиболее распространенных показателей качества модели прогнозирования являет- ся коэффициент детерминации R 2 . Коэффициент детерминации может использоваться при оценке экстраполяционных моделей 21 . Он показывает процент объяснённой моделью дисперсии и рассчитывается по формуле: где: – сумма квадратов ошибок модели (иногда обозначается ещё как RSS, SSR), – сумма квадратов отклонений фактических значений от средней величины. ______________________________________________________ 21 https://forecasting.svetunkov.ru/etextbook/forecasting_toolbox/models_quality/ Для построенной модели прогноза автомобилизации г. Липецка R 2 равен 87%, т.е. построенная модель хорошо описывает имеющиеся данные. Таблица 3.5.1 – Оценка R2 для построенной модели прогнозирования период фактический уровень автомобилизации расчетные значения уровня автомобилизации квадрат отклонений фактических значенийот расчетных квадрат отклоненийфактических зна- ченийот среднего уровня автомоби- лизации (231 авт./ 1000человек) 2002 153 149 14 6058 2003 159 160 1 5142 2004 166 171 31 4268 2005 172 182 104 3446 2006 179 194 216 2685 2007 186 205 363 1993 2008 194 217 536 1383 2009 202 228 724 867 2010 210 240 915 457 2011 218 251 1094 169 2012 237 262 628 36 2013 256 273 280 625 2014 276 283 50 2025 2015 287 293 36 3137 2016 290 303 158 3482 2017 297 312 214 4357 2018 298 320 495 4490 2019 302 328 695 5042 2020 307 336 841 5777 Сумма квадратов 7395 55438 Прогнозирование на основе построения тренда является одним из распространенных методов анализа временных рядов. На основании Федерального закона «Об организации дорожного движения в Российской Фе- дерации и о внесении изменений в отдельные законодательные акты Российской Федерации» от 29.12.2017№443-ФЗ к основным параметрам дорожного движения относятся: 1. Параметры, характеризующие дорожное движение: – интенсивность дорожного движения, – состав транспортных средств, – средняя скорость движения транспортных средств, – плотность движения – среднее количество транспортных средств в движении, приходящееся на один километр полосы движения, – пропускная способность дороги. 2. Параметры эффективности организации дорожного движения, характеризующие потерю времени (задержку) в движении транспортных средств и (или) пешеходов. Перечень мероприятий, запланированный настоящим документом до 2035 года на дальнюю перспективу (раздел 3.4 настоящего документа), призван повысить плотность улично-дорожной сети, повысить пропускную способность улиц и дорог, оптимизировать маршруты движения обще- ственного транспорта, повысить безопасность движения транспортных средств, пешеходов и пасса- жиров, что в свою очередь при прогнозе снижения численности населения (раздел 3.1 настоящего документа) приведет к снижению плотности дорожного движения, как следствие, к снижению уровня загрузки участков улично-дорожной сети и снижению задержек транспортного движения, а также к повышению средней скорости движения. 3.5. Прогноз показателей безопасности дорожного движения Показатели уровня обеспечения безопасности дорожного движения являются функцией мно- гих переменных, таких как общее социально-экономическое развитие страны или ее субъекта, определяющее степень автомобилизации и качественный состав парка транспортных средств, объ- ем перевозок, подвижность населения, развитие и состояние дорожной инфраструктуры, а также факторов социальной и транспортной психологии, эффективности деятельности административных органов, отвечающих за безопасность дорожного движения, организации системы спасения и эвакуации пострадавших в ДТП и многих других условий. В качестве результирующих критериев достигнутого уровня безопасности дорожного движения обычно рассматривают три группы пока- зателей: 1. Абсолютные (или статистически ожидаемые) показатели аварийности, такие как общее чис- ло ДТП, число погибших и раненных в них участников дорожного движения в единицу времени (обычно год), или текущие изменения указанных показателей в течение рассматриваемого периода. 2. Показатели риска здоровья населения в дорожном движении (количество пострадавших в ДТП по отношению к численности населения). 3. Относительные показатели риска ДТП и риска ранений в ДТП, определяемые с учетом интен- сивности движения и расстояния поездок, а также плотности ДТП (числа ДТП, отнесенного к протя- женности дорожной сети). Для оценки базовых тенденций изменения аварийности в конкретной местности (населенный пункт, район, край, республика, страна) обычно требуется накопление многолетних статистических данных. При этом в качестве исходных данных, помимо сведений об аварийности, часто использу- ют такие показатели, как: – численность парка транспортных средств, – протяженность дорожной сети, – численность населения, – годовой пробег транспортных средств (транспортная работа). Статистические сведения о показателях состояния безопасности дорожного движения, собира- емые в рамках деятельности подразделений Государственной инспекции безопасности дорожного движения МВД РФ, используются при анализе причин дорожно-транспортных происшествий, выявлении негативных тенденций и проблемных точек, при оценке эффективности мер, направ- ленных на снижение количества и тяжести ДТП, являются основой при принятии управленческих решений. В разделе 2.9 настоящего документа проведен сравнительный анализ показателей аварийности на территории города Липецк в 2019 и 2020 годах, который показал снижение общего количества ДТП на 12,9%, снижение общего числа пострадавших и раненых, но при этом с учетом роста по- гибших (на 22,9%) рост степени тяжести последствий ДТП на 35,9%. В дополнение к сказанному в разделе 2.9 на основе статистической информации сайтов stat.gibdd.ru и dtp-stat.ru сравнительная информация показателей безопасности дорожного движения на территории г. Липецк за 9 меся- цев 2021 и 2020 годов представлена в таблице 3.6.1: Таблица 3.6.1 – Сравнительная характеристика показателей аварийности за 9 месяцев 2021 года и аналогичный период 2020 года Показатель состояниябезопасностидорожногодвижения 9месяцев 2020 года 9месяцев 2021 года Изменение показателя Общая численностьДТП Общее количествоДТП, ед. 456 338 - 25,9% Общеечислопострадавших, чел. 576 431 - 25,2% - из них погибших, чел. 32 22 - 31,25% - из них раненых, чел. 544 409 - 24,8% Коэффициент тяжестипоследствийДТП, % 5,6 5,1 - 8,9% ДТПс пешеходами КоличествоДТП, ед. 146 108 - 26,0%