黃合來，鄧 雪，許鵬鵬

（1.中南大學 交通運輸工程學院，湖南 長沙410075；2.西南交通大學 交通運輸與物流學院，四川 成都610031）

傳統(tǒng)交通安全實踐局限于“打補丁式”的微觀工程措施，缺乏在交通系統(tǒng)規(guī)劃過程中的前瞻性考慮.通過在規(guī)劃階段對交通安全問題作前瞻性的分析來提高路網(wǎng)的安全水平非常重要.當前，新一代的交通規(guī)劃方法，即“交通安全規(guī)劃”，在發(fā)達國家尤其是美國成為一個重要研究熱點［1］.交通規(guī)劃層面的影響因素與交通安全水平的關聯(lián)方法，即區(qū)域安全預測模型，是“交通安全規(guī)劃”理論的核心技術之一.

國外已經(jīng)做了大量定量研究［2－6］來分析不同規(guī)劃層面的影響因素與交通安全水平的關系，交通分析小區(qū)（traffic analysis zone，TAZ）是主要的空間分析單元.已有研究主要從區(qū)域人口經(jīng)濟特征［3］、土地利用特征［4］、區(qū)域 交通特征［5］和區(qū)域路 網(wǎng) 特 征［5－6］等方面進行分析.就統(tǒng)計方法而言，主要應用廣義線性模型對TAZ事故頻數(shù)與相關變量的關系進行建模［4］，假設TAZ的事故分布在空間上不相關.然而，安全數(shù)據(jù)具有復雜的空間分布特征，對空間特征的忽視將大大影響安全水平估計的準確性和魯棒性.為了克服廣義線性模型的局限性，空間統(tǒng)計方法［6］逐漸成為安全分析領域的一個前沿研究方向.

在國內(nèi)，文獻［7］建議結合我國交通規(guī)劃的工作流程考慮交通安全，文獻［8］探討了城市總體規(guī)劃和土地規(guī)劃中影響因素的安全效應.而從區(qū)域宏觀層面反映路網(wǎng)特征、交通特征與交通安全之間關系的定量研究在我國幾乎沒有展開.

本文基于美國佛羅里達州Hillsborough縣的數(shù)據(jù)進行區(qū)域安全建模研究.基于安全同質性原則，將該縣重新劃分為不同數(shù)量規(guī)模的交通安全分析小區(qū)（traffic safety analysis zone，TSAZ），提取小區(qū)層面數(shù)據(jù)，引入空間條件自回歸先驗信息建立貝葉斯空間模型，分析區(qū)域安全影響因素；評價不同分區(qū)規(guī)模對安全因素效應的影響，為交通安全規(guī)劃提供技術支撐和理論依據(jù).

1 數(shù)據(jù)準備

1.1 交通安全分析小區(qū)

區(qū)劃問題是交通規(guī)劃中一個最為基礎的問題，傳統(tǒng)交通分析小區(qū)的劃分鮮有考慮安全相關因素，而現(xiàn)存大部分區(qū)域安全研究均以交通分析小區(qū)為基本單元.TSAZ 的劃分在兼顧交通規(guī)劃層面因素的前提下，考慮事故特征的區(qū)域同質性.本文基于Full－order－CLK 算法［9］，按照嚴重事故、道路長度和總出行生成的聚集程度（權重分別為0.50，0.25，0.25）獲得Hillsborough 縣的多種分區(qū)方案，并基于200，500和700個TSAZ分區(qū)方案建立事故預測模型，分區(qū)方案如圖1所示.

1.2 數(shù)據(jù)收集

采用佛羅里達州Hillsborough縣所有州立道路3年的數(shù)據(jù)（2005—2007年），包括事故數(shù)據(jù)、道路特征數(shù)據(jù)、出行數(shù)據(jù)以及空間分布特征數(shù)據(jù).

事故數(shù)據(jù)從佛羅里達州運輸部事故分析報告系統(tǒng)中獲得，其提供的最重要的信息是事故發(fā)生的小區(qū)歸屬以及傷害嚴重性等級.對于事故傷害的嚴重程度，分為5個等級：1為沒有受傷，2為輕傷，3為非致殘傷害，4為致殘傷害，5為交通死亡.

相關路網(wǎng)特征數(shù)據(jù)和出行數(shù)據(jù)主要來源于佛羅里達州運輸部.基于GIS地圖小區(qū)劃分邊界對數(shù)據(jù)進行集計處理，獲得小區(qū)層面的變量.

（1）路段總長度：每個TSAZ內(nèi)道路中心線總里程數(shù).

（2）分類的路段長度：每個TSAZ內(nèi)路段中心線公里數(shù)按速度限制分類，①限速24km（15英里）的路段長度；②限速40km（25英里）的路段長度；③限速56km（35 英里）的路段長度；④限速105km（65英里）的路段長度.其中，限速40km 和56km的路段是主要類型，分別占路段總長度的76.86%和13.01%.為避免變量冗余問題，將所有分類歸為限速低于56km 的路段長度和限速大于或等于56km的路段長度2類.

（3）交叉口數(shù)量：每個TSAZ的交叉口總數(shù).

（4）總出行發(fā)生量：每個TSAZ 總的出行發(fā)生量.

（5）總出行吸引量：每個TSAZ 總的出行吸引量.

（6）基于TSAZ的出行發(fā)生量和吸引量，包括從家去工作，從家去上學，從家去購物，從家去社交活動，從家去其他，非從家去工作，非從家去其他的出行發(fā)生量和吸引量；輕型／重型卡車，出租車，飛機的出行發(fā)生量和吸引量；其他TSAZ到目標TSAZ 的出行發(fā)生量和吸引量.

使用ArcGIS軟件自動生成相鄰小區(qū)的空間鄰接矩陣.

1.3 數(shù)據(jù)前處理和變量選擇

定義嚴重性等級為4（致殘傷害）和5（交通死亡）的事故為嚴重事故，其余為非嚴重事故.分別調(diào)查與各TSAZ有關的總事故和嚴重事故，作為預測模型的響應變量.

在因素較多且因素間存在廣泛多重共線性的情況下，模型解釋變量的篩選具有一定的挑戰(zhàn)性.模型的數(shù)據(jù)擬合度和簡約程度是兩個重要的變量選擇標準.通過數(shù)據(jù)探索性分析和對變量的逐一篩選，選定3類重要的安全影響因素，包括路段長度、交叉口數(shù)量和出行量.路段長度是反映交通基礎設施規(guī)模的重要指標之一；交叉口是交通事故多發(fā)點，在控制了路段長度的前提下，采用交叉口密度（小區(qū)內(nèi)交叉口總數(shù)／小區(qū)道路總長度）反映交通狀況的復雜程度.此外，出行量是交通事故發(fā)生的直接機會變量，也是傳統(tǒng)交通規(guī)劃的重要數(shù)據(jù)來源.本研究選用總出行發(fā)生量和吸引量作為重要解釋變量，同時，由于家庭和工作出行數(shù)據(jù)是一個重要的出行類型，也在模型中重點考慮.

為了避免總出行量和工作出行量的強相關問題，將其分別加入模型，即同一種分區(qū)、同一種響應變量下，建立兩個事故預測模型，每個模型包含5個解釋變量.具體模型變量如表1所示.

2 模型建立

2.1 模型結構

2.1.1 泊松模型

由于泊松模型能夠契合道路交通事故的零散性、隨機性以及事故頻次為非負整數(shù)的特點，被廣泛應用于事故預測中.假定在2005—2007年3年中各分析小區(qū)內(nèi)事故頻次Yi服從泊松分布，則第i個小區(qū)發(fā)生k次事故的概率為

式中：λ為泊松分布的強度參數(shù)，反映該小區(qū)內(nèi)某時段平均發(fā)生事故頻次.

將λ進行對數(shù)處理，建立與解釋變量的線性關系，作為模型的連接函數(shù)，即

式中：β0 和β為待估系數(shù)；Xi為解釋變量的向量.

2.1.2 泊松－對數(shù)正態(tài)模型

泊松模型假定事故均值與方差相等.然而，事故數(shù)據(jù)往往具有過度離散性，其方差顯著大于均值［3］.泊松－伽馬模型與泊松－對數(shù)正態(tài)模型通過引入模型殘差隨機項，容許事故過度離散特征的存在，成為兩個主流的事故預測模型的基本結構，本文采用泊松－對數(shù)正態(tài)模型進行研究.在泊松－對數(shù)正態(tài)模型中，假定第i個小區(qū)的事故頻次Yi服從泊松分布

泊松－對數(shù)正態(tài)回歸模型在基本泊松模型的連接函數(shù)中加入一個反映數(shù)據(jù)過度離散特征的殘差項θi，并假定其服從均值為零的正態(tài)分布，即

式中：τθ為精度參數(shù)，等于方差的倒數(shù).

2.1.3 貝葉斯空間模型

空間相關廣泛地存在于相鄰的空間小區(qū)中，對影響事故頻次因素的估計效果的精確度有顯著影響.貝葉斯空間模型能有效地擬合空間相關特征［3］.本研究在泊松－對數(shù)正態(tài)模型的基礎上，引入條件自回歸模型［10］反映相鄰小區(qū)間可能的空間關聯(lián).假設Yi是第i個TSAZ的3年平均事故率，模型如下：

在貝葉斯模型估計中，為β和θi設定無信息先驗分布φi滿足條件自回歸模型的先驗分布

本研究采用貝斯特等人建立的先驗分布形式以保證模型收斂［3］.

式中：τθ和τc分別表示由空間效應和隨機效應導致的過度離散特征，其比值α能反映數(shù)據(jù)過度離散特征的結構，可由下式估計：

式中：s為標準差.

2.2 模型仿真結果評價標準

采用貝葉斯偏差信息準則 （deviance information criterion，DIC）對待選模型進行科學評價.DIC準則綜合考慮模型擬合優(yōu)度和模型復雜性，其計算方法如下［11］：

一般地，DIC 越小，模型越優(yōu).DIC 差值大于5則表明模型之間具有顯著的差異.

2.3 模型參數(shù)估計方法

采用WinBUGS軟件［12］對模型進行參數(shù)估計.使用3條鏈進行迭代，通過查看歷史記錄檢查其收斂情況.確保所有參數(shù)收斂以后，舍去前1 000次迭代結果.為減少自相關性，在剩下的樣本中每10 個中抽取1個，從1 001次開始進行10 000次迭代.

3 模型結果

3.1 事故說明

如圖2所示，以200個TSAZ為例，說明佛羅里達州Hillsborough縣2005—2007年事故頻次地理分布特點.該縣共發(fā)生57 694起事故，最低為東北部第112個TSAZ的7起，最高為東部第161個TSAZ的3 256起，事故頻率標準差為369.47，變化范圍較大；共發(fā)生4 854起嚴重事故，在TSAZ內(nèi)變化范圍從0～148起，標準差為23.14，其中第190個TSAZ嚴重事故頻次最大，第15個TSAZ內(nèi)的嚴重事故數(shù)為0.西北部地區(qū)事故相對集中，而東南部地區(qū)事故相對較少.以往研究表明，事故的空間分布與區(qū)域人口經(jīng)濟特征［3］、土地使用功能［4］等因素密切相關.西北部海岸地區(qū)經(jīng)濟發(fā)展水平高，人口相對密集，事故頻次較高；而東南部地區(qū)的事故頻次較低.

圖2 佛羅里達州Hillsborough縣2005—2007年事故地理分布圖（以200個TSAZ為例）Fig.2 Crash distribution maps of Hillsborough County，F(xiàn)lorida from 2005to 2007（200TSAZ as an example）

3.2 結果分析

3.2.1 DIC評價

如表2所示，泊松－對數(shù)正態(tài)模型和貝葉斯空間模型的pD值大于泊松模型而DIC 值遠小于泊松模型，說明前兩者模型結構較為復雜，且擬合效果大大優(yōu)于泊松模型；泊松－對數(shù)正態(tài)模型與貝葉斯空間模型相比，兩者的DIC值較為接近，僅從DIC值無法得出最優(yōu)模型.從表3和表4可知，隨著分區(qū)數(shù)目增多，空間因素比例α逐漸增大且統(tǒng)計顯著，說明貝葉斯空間模型能夠更好地擬合安全水平空間相關性特征.

表2 基于DIC值的模型評價Tab.2 Model evaluation on the basis of DIC

表3 總事故模型參數(shù)估計Tab.3 Estimation for total crash models

表4 嚴重事故模型參數(shù)估計Tab.4 Estimation for severe crash models

從表2還可以看出，同一種模型，隨著分區(qū)數(shù)目增多，DIC值顯著增大，模型擬合度降低，說明本文所采用的宏觀區(qū)域交通指標變量在區(qū)域面積較大時對事故率的預測更為準確.

3.2.2 變量分析

對于總事故，無論分區(qū)數(shù)目多少，泊松模型中的解釋變量全部顯著.而貝葉斯空間模型的顯著性解釋變量數(shù)目較少，當TSAZ的數(shù)目為200時，顯著性解釋變量只有2個（限速低于56km 的路段和限速大于等于56km 的路段長度）；當TSAZ的數(shù)目分別為500和700時，貝葉斯空間模型的顯著性解釋變量增多且趨于穩(wěn)定，除限速低于56km 的路段長度和總的出行吸引量外，其余變量全都顯著.

對于嚴重事故，泊松模型的顯著性解釋變量數(shù)目最多.在貝葉斯空間模型中，當TSAZ數(shù)目為200時，顯著性解釋變量僅有1個（限速大于等于56km的路段長度）；當TSAZ 數(shù)目為500時，顯著性解釋變量有2個（限速大于等于56km 的路段長度和交叉口密度）；當TSAZ 數(shù)目為700時，顯著性解釋變量增多且趨于穩(wěn)定，除限速低于56km 的路段長度和總的出行吸引量外，其余變量全都顯著.

交叉口：在大多數(shù)模型中，交叉口密度都是顯著正相關，尤其是當分區(qū)數(shù)目足夠多時.模型穩(wěn)定后，給定路段長度、出行數(shù)據(jù)，交叉口數(shù)目越多，事故發(fā)生的頻次越高.

路段長度：限速低于56km 的路段長度在貝葉斯空間模型中幾乎都不顯著，而其在泊松模型和泊松－對數(shù)正態(tài)模型中幾乎都是顯著負相關；限速大于等于56km 的路段長度在所有模型中都是顯著正相關，且在同一模型中其系數(shù)最大，說明高速路段長度是預測道路安全水平的主要指標.

出行數(shù)據(jù)：總出行吸引量在泊松－對數(shù)正態(tài)模型和貝葉斯空間模型中都不顯著；同一模型中，總出行發(fā)生量的系數(shù)總是大于總出行吸引量的系數(shù)，說明出行發(fā)生量對事故發(fā)生的預測能力更強；同一模型中，從家里去工作的出行發(fā)生量的系數(shù)總是大于非從家里去工作的出行發(fā)生量的系數(shù)，說明以家為基準的工作出行量有更好的事故預測能力；大多數(shù)出行數(shù)據(jù)的系數(shù)都為正，說明出行量與事故發(fā)生成正比例關系.

最后，從空間因素比例α 的估計參數(shù)來看，隨著分區(qū)數(shù)目增加，空間因素比例α增加.當分區(qū)數(shù)目足夠多時，有必要考慮相鄰區(qū)域的空間相關性，而文中提出的貝葉斯空間模型能較好擬合空間相關性；同時，在貝葉斯空間模型中，隨著分區(qū)數(shù)目增多，顯著變量數(shù)目也增多.然而，如前所述，在使用宏觀區(qū)域交通指標變量預測安全水平時，在區(qū)域較大的情況下數(shù)據(jù)擬合程度降低.因此，實際中分區(qū)規(guī)模要適中，以平衡擬合度和變量顯著性，既達到統(tǒng)計上的要求又保證工程應用的可行性.

4 結論

（1）對比傳統(tǒng)的泊松模型和泊松－對數(shù)正態(tài)模型，貝葉斯空間模型具有更高的數(shù)據(jù)擬合度.

（2）分區(qū)數(shù)目越多，空間因素在隨機因素中的比例越高.

（3）同一分區(qū)下，路網(wǎng)特征變量（交叉口密度、限速低于56km 的路段長度和限速大于等于56km 的路段長度）的安全效應具有魯棒性.

（4）限速大于等于56km 的路段長度是預測安全水平的主要指標.

本文就交通安全規(guī)劃的核心技術問題——區(qū)域安全建模進行了研究，基于美國佛羅里達州Hillsborough縣的數(shù)據(jù)，在TSAZ 層面針對事故均值提出了能夠有效擬合事故空間相對特征的區(qū)域安全建模研究提供技術基礎.

［1］ Washington S P，Schalkwyk V I，Mitra S，et al.Incorporating safety into long－range transportation planning［R］.Washington D C：Transportation Research Board，2006.

［2］ Huang H，Abdel－Aty M.Multilevel data and Bayesian analysis in traffic safety［J］.Accident Analysis and Prevention，2010，42（6）：1556.

［3］ Huang H，Abdel－Aty M，Darwiche A L.County－level crash risk analysis in Florida： Bayesian spatial modeling ［J］.Transportation Research Record，2010，2148，27.

［4］ Guevara F L D，Washington S P，Oh J.Forecasting crashes at the planning level：simultaneous negative binomial crash model applied in Tucson，Arizona ［J］.Transportation Research Record，2004，1897：191.

［5］ Haynes R，Jones A，Kennedy V，et al.District variations in road curvature in England and Wales and their association with roadtraffic crash［J］.Environment and Planning：A，2007，39（5）：1222.

［6］ Hadayeghi A，Shalaby A，Persaud B.Development of planninglevel transportation safety models using full Bayesian semi parametric additive technique ［J］.Journal of Transportation Safety and Security，2010，2（1）：45.

［7］ 繆玉玲，陳小桐，李峰，等.引入交通安全對交通規(guī)劃的新思考［C］／／第二屆全國公路科技創(chuàng)新高層論壇論文集.北京：當代中國出版社，2004：58－63.MIAO Yuling，CHEN Xiaotong，LI Feng，et al.The new thinking of introducing traffic safety on transportation planning［C］／／Papers of the Second National Highway Science and Technology Innovation Forum.Beijing：Contemporary China Publishing House，2004：58－63.

［8］ 唐玨琳.城市規(guī)劃中的交通安全因素分析［J］.公路與汽運，2007（4）：47.TANG Juelin.Factor analysis of traffic safety in urban planning［J］.Highways and Automotive Applications，2007（4）：47.

［9］ Guo D. Regionalization with dynamically constrained agglomerative clustering and partitioning （REDCAP） ［J］.International Journal of Geographical Information Science，2008，22（7）：801.

［10］ Besag J.Spatial interaction and the statistical analysis of lattice systems［J］.Journal of Royal Statistical Society Series B，1974，36（2）：192.

［11］ Spiegelhalter D，Best N，Carlin B P，et al.Bayesian measures of model complexity and fit［J］.Journal of Royal Statistical Society B，2002，64（4）：583.

［12］ Spiegelhalter D J，Thomas A，Best N G，et al.WinBUGS version 1.4.1 user manual［M］.Cambridge：MRC Biostatistics Unit，2003.