Urban crash hotspot identification using network based analysis: a case study of Nolo, Milan

Urban environments face significant challenges in ensuring the safety of pedestrians, cyclists, and motor vehicle users due to increasing traffic demand, complex road networks, and the coexistence of multiple transportation modes. The NoLo (North of Loreto) district in Milan represents a particularly relevant case study because of its high levels of pedestrian activity, mixed traffic conditions, and dense urban road network. Understanding the spatial distribution of crashes and identifying future high-risk locations are essential for supporting effective road safety policies and targeted interventions. This thesis is composed of two complementary parts aimed at analyzing and predicting urban traffic crashes involving pedestrians, bicycles, and other vehicles within the NoLo district. The first part presents a comprehensive descriptive analysis of five years of crash data (2017–2021). The analysis investigates the spatial, temporal, environmental, and behavioral characteristics of crashes, highlighting differences among pedestrian, bicycle, and vehicle incidents. Particular attention is given to crash distribution patterns, road characteristics, user behavior, vehicle involvement, and the relationship between crashes and pedestrian crossing facilities. The results reveal clear spatial concentrations of crashes along the main urban corridors of the district and confirm the importance of localized interaction points such as intersections and crosswalks in shaping crash occurrence. The second part develops a network-based framework for crash prediction and hotspot identification. The road network is represented as a graph and several node-weighting approaches are evaluated, including Raw Data indicators and the ICENTR centrality indicators. Hierarchical clustering techniques are then applied to partition the network into homogeneous clusters and generate probability-based crash prediction models for pedestrians, bicycles, and vehicles separately. The models are evaluated using prediction accuracy, Crash Prediction Ratio (CPR), Network Coverage Ratio (NCR), Crash Prediction Efficiency (CPE), and Homogeneity Ratio (HR). The results demonstrate that crash-based node-weighting approaches provide the most reliable prediction performance within the NoLo district. The final selected models are RN–11 for pedestrian crashes, RE–5 for bicycle crashes, and RN–10 for vehicle crashes. These models successfully identify the most critical crash-prone areas and provide a balanced combination of prediction accuracy, hotspot concentration, and spatial consistency. The findings indicate that localized exposure conditions and recurring crash concentrations play a greater role in determining crash occurrence than network hierarchy alone. The proposed methodology provides a practical decision-support tool for urban planners and transportation authorities by identifying priority locations for safety interventions. More broadly, the framework offers a transferable approach for crash analysis, hotspot identification, and risk-based urban safety planning in complex urban environments.

Gli ambienti urbani affrontano sfide significative nel garantire la sicurezza dei pedoni, dei ciclisti e degli utenti dei veicoli a motore a causa della crescente domanda di mobilità, della complessità delle reti stradali e della coesistenza di diverse modalità di trasporto. Il quartiere NoLo (North of Loreto) di Milano rappresenta un caso di studio particolarmente rilevante per gli elevati livelli di attività pedonale, le condizioni di traffico misto e la fitta rete viaria urbana. Comprendere la distribuzione spaziale degli incidenti e identificare le future aree ad alto rischio è fondamentale per supportare efficaci politiche di sicurezza stradale e interventi mirati. Questa tesi si compone di due parti complementari finalizzate all’analisi e alla previsione degli incidenti stradali urbani che coinvolgono pedoni, biciclette e altri veicoli nel quartiere NoLo. La prima parte presenta un’analisi descrittiva approfondita dei dati relativi agli incidenti avvenuti in un periodo di cinque anni (2017–2021). L’analisi esamina le caratteristiche spaziali, temporali, ambientali e comportamentali degli incidenti, evidenziando le differenze tra gli eventi che coinvolgono pedoni, ciclisti e veicoli. Particolare attenzione è dedicata ai modelli di distribuzione degli incidenti, alle caratteristiche della rete stradale, al comportamento degli utenti, al coinvolgimento dei veicoli e alla relazione tra gli incidenti e gli attraversamenti pedonali. I risultati mostrano una chiara concentrazione degli incidenti lungo i principali assi urbani del quartiere e confermano l’importanza dei punti di interazione localizzati, come incroci e attraversamenti pedonali, nella determinazione dell’occorrenza degli incidenti. La seconda parte sviluppa un quadro metodologico basato sulla teoria delle reti per la previsione degli incidenti e l’identificazione delle aree critiche. La rete stradale viene rappresentata come un grafo e vengono valutati diversi approcci di pesatura dei nodi, inclusi gli indicatori basati sui dati storici degli incidenti (Raw Data) e gli indicatori di centralità ICENTR. Successivamente, vengono applicate tecniche di clustering gerarchico per suddividere la rete in gruppi omogenei e generare modelli probabilistici di previsione degli incidenti per pedoni, biciclette e veicoli in modo separato. I modelli vengono valutati attraverso indicatori di accuratezza predittiva, Crash Prediction Ratio (CPR), Network Coverage Ratio (NCR), Crash Prediction Efficiency (CPE) e Homogeneity Ratio (HR). I risultati dimostrano che gli approcci di pesatura dei nodi basati sugli incidenti storici forniscono le prestazioni predittive più affidabili nel quartiere NoLo. I modelli finali selezionati sono RN–11 per gli incidenti pedonali, RE–5 per gli incidenti ciclistici e RN–10 per gli incidenti che coinvolgono altri veicoli. Tali modelli identificano con successo le aree più critiche soggette a incidenti e forniscono un equilibrio efficace tra accuratezza predittiva, concentrazione degli hotspot e coerenza spaziale. I risultati indicano che le condizioni locali di esposizione al rischio e la ricorrenza delle concentrazioni di incidenti svolgono un ruolo più importante nella determinazione dell’occorrenza degli incidenti rispetto alla sola gerarchia della rete. La metodologia proposta costituisce uno strumento pratico di supporto alle decisioni per urbanisti e autorità competenti in materia di trasporti, consentendo l’identificazione delle aree prioritarie per gli interventi di sicurezza. Più in generale, il quadro metodologico offre un approccio trasferibile per l’analisi degli incidenti, l’identificazione degli hotspot e la pianificazione della sicurezza urbana basata sul rischio in contesti urbani complessi.