{"id":{"repo_id":"helsinki","oai_identifier":"oai:helda.helsinki.fi:10138/587928"},"canonical_url":"https://search.dev.ndltd.org/etd/helsinki/oai:helda.helsinki.fi:10138/587928","repository":{"repo_id":"helsinki","name":"University of Helsinki","base_url":"https://helda.helsinki.fi/server/oai/request"},"display":{"title":"Spatial analysis of cycling risk in Helsinki using crowdsourced risk exposure data","abstract":"Increasing the modal share of cycling in urban transport is a way to improve public health and for cities to meet their sustainability objectives and urbanization challenges. However, safety concerns remain a significant barrier to the widespread adoption of cycling. Identifying areas where cyclists are more prone to accidents is crucial for improving cycling safety, but traditional cycling accident data often lacks normalization for risk exposure (i.e. volume of cycle traffic), which can obscure high-risk areas. In this thesis, cycling risk index values were calculated in the City of Helsinki by combining official and surveyed accident data and Strava Metro risk exposure data on a 500 m x 500 m grid. Spatial heterogeneity of the risk data was assessed using global Moran’s I statistics, followed by local indicators of spatial association statistics to locate significant high-risk clusters. Subsequently, both global and local regression models were constructed to identify variables affecting cycling risk, using infrastructure data and traffic safety survey responses. The results reveal significant spatial clustering of cycling risk in Helsinki and show that areas with the highest absolute risk differ from those with the highest exposure-normalized risk. When normalized with exposure data, risk levels decreased in downtown Helsinki but increased in northern and eastern parts of the city. At a local level, difficult or unsafe crossings and traffic exposure were the most significant explanatory variables for overall risk before exposure normalisation, while combined length of shared roads and cycleway length were the most significant variables after normalization. The explanatory variables effectively modelled absolute cycling risk but explained exposure-normalized risk only moderately. The results suggest that improving bikeability in downtown Helsinki can affect the most cyclists, and that improvements in the northern and eastern parts of the city may yield outsized positive results for overall cycling safety. To better model exposure-normalized risk in the future, a broader set of explanatory variables should be explored, while verifying the local correlation of Strava cycling trip count data with real cyclist count data could further refine risk data normalization.","abstract_html":"Increasing the modal share of cycling in urban transport is a way to improve public health and for cities to meet their sustainability objectives and urbanization challenges. However, safety concerns remain a significant barrier to the widespread adoption of cycling. Identifying areas where cyclists are more prone to accidents is crucial for improving cycling safety, but traditional cycling accident data often lacks normalization for risk exposure (i.e. volume of cycle traffic), which can obscure high-risk areas. In this thesis, cycling risk index values were calculated in the City of Helsinki by combining official and surveyed accident data and Strava Metro risk exposure data on a 500 m x 500 m grid. Spatial heterogeneity of the risk data was assessed using global Moran’s I statistics, followed by local indicators of spatial association statistics to locate significant high-risk clusters. Subsequently, both global and local regression models were constructed to identify variables affecting cycling risk, using infrastructure data and traffic safety survey responses. The results reveal significant spatial clustering of cycling risk in Helsinki and show that areas with the highest absolute risk differ from those with the highest exposure-normalized risk. When normalized with exposure data, risk levels decreased in downtown Helsinki but increased in northern and eastern parts of the city. At a local level, difficult or unsafe crossings and traffic exposure were the most significant explanatory variables for overall risk before exposure normalisation, while combined length of shared roads and cycleway length were the most significant variables after normalization. The explanatory variables effectively modelled absolute cycling risk but explained exposure-normalized risk only moderately. The results suggest that improving bikeability in downtown Helsinki can affect the most cyclists, and that improvements in the northern and eastern parts of the city may yield outsized positive results for overall cycling safety. To better model exposure-normalized risk in the future, a broader set of explanatory variables should be explored, while verifying the local correlation of Strava cycling trip count data with real cyclist count data could further refine risk data normalization.","abstract_has_math":false,"creators":["Alkiomaa, Jonne Jukka Aleksi"],"institution":"Helsingin yliopisto","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024-11-14","date_published":"2024-11-14","updated_at":"2026-07-27T19:56:06Z","subjects":["pyöräily","riskit","liikenneturvallisuus","joukkoistettu data","Strava"],"languages":["eng"],"rights":["In Copyright 1.0"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10138/587928","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Alkiomaa, Jonne Jukka Aleksi"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-11-14T11:08:17Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-11-14T11:08:17Z"]},{"key":"dc:date.issued","label":"Date","values":["2024-11-14"]},{"key":"dc:publisher","label":"Institution","values":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["pyöräily","riskit","liikenneturvallisuus","joukkoistettu data","Strava"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["In Copyright 1.0"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10138/587928"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Increasing the modal share of cycling in urban transport is a way to improve public health and for cities to meet their sustainability objectives and urbanization challenges. However, safety concerns remain a significant barrier to the widespread adoption of cycling. Identifying areas where cyclists are more prone to accidents is crucial for improving cycling safety, but traditional cycling accident data often lacks normalization for risk exposure (i.e. volume of cycle traffic), which can obscure high-risk areas. In this thesis, cycling risk index values were calculated in the City of Helsinki by combining official and surveyed accident data and Strava Metro risk exposure data on a 500 m x 500 m grid. Spatial heterogeneity of the risk data was assessed using global Moran’s I statistics, followed by local indicators of spatial association statistics to locate significant high-risk clusters. Subsequently, both global and local regression models were constructed to identify variables affecting cycling risk, using infrastructure data and traffic safety survey responses. The results reveal significant spatial clustering of cycling risk in Helsinki and show that areas with the highest absolute risk differ from those with the highest exposure-normalized risk. When normalized with exposure data, risk levels decreased in downtown Helsinki but increased in northern and eastern parts of the city. At a local level, difficult or unsafe crossings and traffic exposure were the most significant explanatory variables for overall risk before exposure normalisation, while combined length of shared roads and cycleway length were the most significant variables after normalization. The explanatory variables effectively modelled absolute cycling risk but explained exposure-normalized risk only moderately. The results suggest that improving bikeability in downtown Helsinki can affect the most cyclists, and that improvements in the northern and eastern parts of the city may yield outsized positive results for overall cycling safety. To better model exposure-normalized risk in the future, a broader set of explanatory variables should be explored, while verifying the local correlation of Strava cycling trip count data with real cyclist count data could further refine risk data normalization.","Lisäämällä pyöräilyn osuutta kaupunkiliikenteessä on mahdollista parantaa asukkaiden terveyttä sekä edistää kaupunkien kestävyystavoitteiden saavuttamista. Pyöräilyn riskit ja pyöräilijöiden turvattomuuden tunne ovat kuitenkin merkittäviä esteitä pyöräilyn laajamittaiselle omaksumiselle. Onnettomuusherkkien alueiden tunnistaminen on ensiarvoisen tärkeää pyöräilyturvallisuuden parantamiseksi, mutta pyöräilyonnettomuusdata on harvoin normalisoitu pyöräilijämäärillä. Tämä voi jättää pimentoon riskialttiita alueita, jotka eivät nouse esiin absoluuttisissa onnettomuusmäärissä. Tässä tutkielmassa luotiin pyöräilyriskejä kuvaava indeksi 500 x 500 metrin ruututasolla Helsingissä yhdistämällä sekä viralliset että kyselytutkimuksin kerätyt pyöräilyonnettomuustiedot, ja normalisoimalla nämä tiedot Strava Metro -pyöräilymatkadatalla. Ruututason riskiarvojen spatiaalista heterogeenisyyttä arvioitiin globaalien Moran’s I -tilastojen avulla, jonka jälkeen lokaalien Moran’s I tilastojen avulla paikannettiin tilastollisesti merkittäviä korkean riskin keskittymiä. Lisäksi globaalien ja lokaalien regressiomallien avulla pyrittiin tunnistamaan infrastruktuuriin ja Helsingin kaupungin pyöräilyturvallisuuskyselyiden vastauksiin perustuvia muuttujia, jotka vaikuttavat pyöräilyriskiin. Tulokset paljastivat merkittävää pyöräilyriskien alueellista klusteroitumista Helsingissä sekä korkeiden absoluuttisten riskiarvojen alueiden eroavan alueista, joilla riski on korkein suhteessa pyöräilijämääriin. Kun riskiarvot normalisoitiin pyöräilijämäärillä, riskit olivat alemmat Helsingin kantakaupungissa, mutta korkeammat kaupungin pohjois- ja itäosissa. Merkittävimpiä riskiä selittäviä muuttujia paikallisella tasolla ennen normalisointia olivat vaikeiden tai vaarallisten risteysten määrä sekä kokonaisliikennemäärä. Normalisoinnin jälkeen merkittävimpiä muuttujia olivat puolestaan autojen kanssa jaettujen ajoväylien yhteispituus sekä pyöräteiden yhteispituus. Muuttujat selittivät absoluuttisia riskiarvoja hyvin, mutta normalisoituja riskiarvoja ne selittivät vain kohtalaisesti. Tulokset viittaavat siihen, että vaikka pyöräiltävyyden kehittäminen Helsingin kantakaupungin alueella voi nostaa pyöräilijöiden määrää, pyöräilyturvallisuuden kehittäminen kaupungin pohjois- ja itäosissa voi tuottaa merkittäviä hyötyjä kokonaisturvallisuudelle. Tutkielmassa käytetyn analyysimenetelmän käytettävyyden näkökulmasta havaittiin, että jotta normalisoitua riskiä voitaisiin jatkossa mallintaa paremmin, tulisi malleihin sisällyttää laajempi joukko selittäviä muuttujia, minkä lisäksi Stravan matkamäärien ja todellisen matkalaskentadatan korrelaation tarkastelu paikallisesti edesauttaisi tarkentamaan pyöräilyriskin normalisointia."]},{"key":"dc:title","label":"Title","values":["Spatial analysis of cycling risk in Helsinki using crowdsourced risk exposure data"]}]}],"canonical_facts":{"dc:creator":["Alkiomaa, Jonne Jukka Aleksi"],"dc:date.accessioned":["2024-11-14T11:08:17Z"],"dc:date.available":["2024-11-14T11:08:17Z"],"dc:date.issued":["2024-11-14"],"dc:description.abstract":["Increasing the modal share of cycling in urban transport is a way to improve public health and for cities to meet their sustainability objectives and urbanization challenges. However, safety concerns remain a significant barrier to the widespread adoption of cycling. Identifying areas where cyclists are more prone to accidents is crucial for improving cycling safety, but traditional cycling accident data often lacks normalization for risk exposure (i.e. volume of cycle traffic), which can obscure high-risk areas. In this thesis, cycling risk index values were calculated in the City of Helsinki by combining official and surveyed accident data and Strava Metro risk exposure data on a 500 m x 500 m grid. Spatial heterogeneity of the risk data was assessed using global Moran’s I statistics, followed by local indicators of spatial association statistics to locate significant high-risk clusters. Subsequently, both global and local regression models were constructed to identify variables affecting cycling risk, using infrastructure data and traffic safety survey responses. The results reveal significant spatial clustering of cycling risk in Helsinki and show that areas with the highest absolute risk differ from those with the highest exposure-normalized risk. When normalized with exposure data, risk levels decreased in downtown Helsinki but increased in northern and eastern parts of the city. At a local level, difficult or unsafe crossings and traffic exposure were the most significant explanatory variables for overall risk before exposure normalisation, while combined length of shared roads and cycleway length were the most significant variables after normalization. The explanatory variables effectively modelled absolute cycling risk but explained exposure-normalized risk only moderately. The results suggest that improving bikeability in downtown Helsinki can affect the most cyclists, and that improvements in the northern and eastern parts of the city may yield outsized positive results for overall cycling safety. To better model exposure-normalized risk in the future, a broader set of explanatory variables should be explored, while verifying the local correlation of Strava cycling trip count data with real cyclist count data could further refine risk data normalization.","Lisäämällä pyöräilyn osuutta kaupunkiliikenteessä on mahdollista parantaa asukkaiden terveyttä sekä edistää kaupunkien kestävyystavoitteiden saavuttamista. Pyöräilyn riskit ja pyöräilijöiden turvattomuuden tunne ovat kuitenkin merkittäviä esteitä pyöräilyn laajamittaiselle omaksumiselle. Onnettomuusherkkien alueiden tunnistaminen on ensiarvoisen tärkeää pyöräilyturvallisuuden parantamiseksi, mutta pyöräilyonnettomuusdata on harvoin normalisoitu pyöräilijämäärillä. Tämä voi jättää pimentoon riskialttiita alueita, jotka eivät nouse esiin absoluuttisissa onnettomuusmäärissä. Tässä tutkielmassa luotiin pyöräilyriskejä kuvaava indeksi 500 x 500 metrin ruututasolla Helsingissä yhdistämällä sekä viralliset että kyselytutkimuksin kerätyt pyöräilyonnettomuustiedot, ja normalisoimalla nämä tiedot Strava Metro -pyöräilymatkadatalla. Ruututason riskiarvojen spatiaalista heterogeenisyyttä arvioitiin globaalien Moran’s I -tilastojen avulla, jonka jälkeen lokaalien Moran’s I tilastojen avulla paikannettiin tilastollisesti merkittäviä korkean riskin keskittymiä. Lisäksi globaalien ja lokaalien regressiomallien avulla pyrittiin tunnistamaan infrastruktuuriin ja Helsingin kaupungin pyöräilyturvallisuuskyselyiden vastauksiin perustuvia muuttujia, jotka vaikuttavat pyöräilyriskiin. Tulokset paljastivat merkittävää pyöräilyriskien alueellista klusteroitumista Helsingissä sekä korkeiden absoluuttisten riskiarvojen alueiden eroavan alueista, joilla riski on korkein suhteessa pyöräilijämääriin. Kun riskiarvot normalisoitiin pyöräilijämäärillä, riskit olivat alemmat Helsingin kantakaupungissa, mutta korkeammat kaupungin pohjois- ja itäosissa. Merkittävimpiä riskiä selittäviä muuttujia paikallisella tasolla ennen normalisointia olivat vaikeiden tai vaarallisten risteysten määrä sekä kokonaisliikennemäärä. Normalisoinnin jälkeen merkittävimpiä muuttujia olivat puolestaan autojen kanssa jaettujen ajoväylien yhteispituus sekä pyöräteiden yhteispituus. Muuttujat selittivät absoluuttisia riskiarvoja hyvin, mutta normalisoituja riskiarvoja ne selittivät vain kohtalaisesti. Tulokset viittaavat siihen, että vaikka pyöräiltävyyden kehittäminen Helsingin kantakaupungin alueella voi nostaa pyöräilijöiden määrää, pyöräilyturvallisuuden kehittäminen kaupungin pohjois- ja itäosissa voi tuottaa merkittäviä hyötyjä kokonaisturvallisuudelle. Tutkielmassa käytetyn analyysimenetelmän käytettävyyden näkökulmasta havaittiin, että jotta normalisoitua riskiä voitaisiin jatkossa mallintaa paremmin, tulisi malleihin sisällyttää laajempi joukko selittäviä muuttujia, minkä lisäksi Stravan matkamäärien ja todellisen matkalaskentadatan korrelaation tarkastelu paikallisesti edesauttaisi tarkentamaan pyöräilyriskin normalisointia."],"dc:identifier.uri":["http://hdl.handle.net/10138/587928"],"dc:language.iso":["eng"],"dc:publisher":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"],"dc:rights":["In Copyright 1.0"],"dc:subject":["pyöräily","riskit","liikenneturvallisuus","joukkoistettu data","Strava"],"dc:title":["Spatial analysis of cycling risk in Helsinki using crowdsourced risk exposure data"]},"updated_at":"2026-07-27T19:56:06Z"}