黃合來，程逸旻，鄧奇春，趙海深

(1.中南大學 交通運輸工程學院，湖南 長沙 410075；2.湖南省交通科學研究院，湖南 長沙 410015；3.湖南省公安廳 交通管理局，湖南 長沙 410100)

長株潭城市群區(qū)域公路網(wǎng)事故頻率研究

黃合來1，程逸旻1，鄧奇春2，趙海深3

(1.中南大學 交通運輸工程學院，湖南 長沙 410075；2.湖南省交通科學研究院，湖南 長沙 410015；3.湖南省公安廳 交通管理局，湖南 長沙 410100)

摘要:交通事故發(fā)生率是體現(xiàn)道路安全水平的重要指標之一。按行政區(qū)劃將長株潭城市群劃分為23個區(qū)域，利用區(qū)域事故頻率預測方法中條件自回歸(CAR)模型，關聯(lián)區(qū)域交通事故頻率與相應人-車-路系統(tǒng)中的各種風險因素，挖掘長株潭城市群區(qū)域路網(wǎng)事故頻率的主要影響因素，并提供相應改善建議。

關鍵詞：城市群；事故頻率；CAR模型

交通作為長株潭建設“兩型社會”的核心級引擎，近年來發(fā)展迅猛，但薄弱的安全設施供給和滯后的安全管理理念嚴重制約道路安全水平的提高。為更好地服務長株潭城市群經(jīng)濟的發(fā)展，推進 “兩型社會”試驗區(qū)建設，建立一套符合長株潭區(qū)域公路網(wǎng)實際情況的安全評價體系和改善方法具有重要的理論意義和實用價值[1]。

交通事故發(fā)生率是體現(xiàn)道路安全水平的重要指標之一[2]。傳統(tǒng)交通安全研究中，事故預測模型是最為核心的微觀分析工具，事故頻率預測可以關聯(lián)交通事故發(fā)生頻率與人-車-路-環(huán)境系統(tǒng)中的各種風險因素，同時還能預測在各因素不同取值和組合條件下的事故發(fā)生期望頻率，從而獲得降低事故發(fā)生概率的改善措施。隨著近年來歐美等發(fā)達國家對宏觀交通安全水平的重視，區(qū)域事故預測模型逐漸成為研究熱點。就統(tǒng)計方法而言，傳統(tǒng)事故預測模型，如常用的泊松-對數(shù)正態(tài)模型[3-4]和泊松-伽馬模型(又稱為負二項模型)[5-6]假定事故的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，對空間特征的忽略將大大影響安全水平估計的準確性和魯棒性。本文考慮到長株潭城市群各區(qū)域之間空間相關性，引入條件自回歸項反映相鄰單元間可能的空間關聯(lián)，利用條件自回歸模型(conditionallyautoregressive，CAR)[7]預測長株潭城市群事故頻率期望值。

隨著對安全水平空間關聯(lián)重要性的逐漸認識，歐美等發(fā)達國家已經(jīng)做了大量定量研究來分析不同規(guī)劃層面的影響因素與交通安全水平的關聯(lián)。其空間分析單元包括州、縣、行政區(qū)劃、交通分析小區(qū)(TAZ)、人口普查區(qū)劃、地理網(wǎng)絡區(qū)域等。已有研究主要從道路網(wǎng)絡特征(公路里程、道路密度、交叉口密度)、交通流特征(限速、平均行駛速度、交通流量)、天氣特征(降雨量、降雪量、年降雨天數(shù))、土地利用特征(商業(yè)區(qū)、住宅區(qū)、城郊區(qū))、以及各種經(jīng)濟社會人口特征(人口、年齡結構、就業(yè)、收入、醫(yī)療服務水平等)等幾個方面進行分析。

1研究對象及初步分析

1.1研究對象

城市群公路網(wǎng)交通安全受到了諸如社會經(jīng)濟發(fā)展、周邊土地利用、道路網(wǎng)絡結構、交通設施布局、道路幾何設計、道路交通流量和交通政策法規(guī)等宏、微觀因素的影響。根據(jù)這些因素的變化可以更為準確地了解當前道路交通安全水平及預測未來年份的變化趨勢。因此首先要對長株潭城市群進行區(qū)域劃分并對事故數(shù)據(jù)初步統(tǒng)計分析，為后續(xù)研究奠定基礎。

區(qū)域層面事故預測可按照功能區(qū)域、行政管轄區(qū)域、一定尺度的規(guī)則柵格三種劃分方式分別進行建模分析。本文基于“長株潭”城市群公路網(wǎng)運營現(xiàn)狀和相關數(shù)據(jù)信息完整度，按照行政管轄區(qū)域進行區(qū)域劃分，總共劃分為23個區(qū)域，具體分區(qū)見表1，區(qū)域劃分圖如圖1所示。

表1　區(qū)域劃分表

圖1　研究區(qū)域劃分Fig.1 Research area division

1.2初步統(tǒng)計分析

從交管部門收集到長沙、株洲以及湘潭3市2010初至2013年底共4年的一般交通事故和簡易交通事故數(shù)據(jù)。交管部門將只造成輕微傷或無傷害的事故定義為簡易事故，其他為一般事故。數(shù)據(jù)表包含事故編號、事故發(fā)生時間等30個事故屬性信息。

分析一般交通事故受傷人數(shù)、死亡人數(shù)和事故起數(shù)屬性，可以得到長株潭城市群一般事故數(shù)據(jù)的總體情況，如圖2所示。由事故總體情況圖可知，4年12 521起一般交通事故中造成17 013人受傷、3 451人死亡，3項指標的變化趨勢相對平穩(wěn)，沒有明顯波動。但是考慮到近些年長株潭地區(qū)機動車數(shù)目的快速增長，相對平穩(wěn)的總體安全趨勢能體現(xiàn)出相關部門的交通安全管理工作卓有成效，但依舊有較大提升空間。

圖2　一般交通事故總體指標及趨勢Fig.2 General overall index trend chart of common traffic accidents

2區(qū)域事故頻率預測建模與分析

2.1相關數(shù)據(jù)收集

采用長株潭城市群23個劃分區(qū)域2010至2012總共4年的事故數(shù)據(jù)，以及各區(qū)域道路特征數(shù)據(jù)和相關社會-經(jīng)濟-人口數(shù)據(jù)。事故數(shù)據(jù)來源于湖南省交管部門，道路特征數(shù)據(jù)來源于“長株潭”城市群GIS地圖統(tǒng)計結果，社會-經(jīng)濟-人口數(shù)據(jù)則來源于《湖南省統(tǒng)計年鑒》。基于對上述數(shù)據(jù)的進一步處理，得到區(qū)域層面的變量如下：

1)事故數(shù)據(jù)：一般交通事故起數(shù)，簡易交通事故起數(shù)，事故死傷人數(shù)，事故直接財產(chǎn)經(jīng)濟損失；2)道路特征數(shù)據(jù)：道路總里程數(shù)，高速道路里程數(shù)，按行政等級(國道/省道/縣道/鄉(xiāng)鎮(zhèn)村道)分類的道路里程數(shù)；3)社會-經(jīng)濟-人口數(shù)據(jù)：區(qū)域面積，國內生產(chǎn)總值(GDP，grossdomesticproduct)，按產(chǎn)業(yè)類型(第一/第二/第三/工業(yè))經(jīng)濟生產(chǎn)總值，常住人口數(shù)，按性別(男性/女性)分類人口數(shù)，按城鄉(xiāng)戶口(城鎮(zhèn)/農(nóng)村)分類人口數(shù)，就業(yè)狀況(就業(yè)人口數(shù))。2.2事故數(shù)據(jù)預處理

為了更好地反映各種因素對事故風險的影響，上述采集的裸數(shù)據(jù)必須經(jīng)過進一步的處理和標準化。道路特征數(shù)據(jù)方面，用道路總里程數(shù)與區(qū)域面積的比值，經(jīng)過標準化，得到路網(wǎng)密度變量。同樣的方法可以得到高速密度、國道密度、省道密度、縣道密度以及鄉(xiāng)鎮(zhèn)村道密度變量。社會-經(jīng)濟-人口數(shù)據(jù)方面，用常住人口數(shù)與區(qū)域面積的比值作為人口密度變量。用GDP除以常住人口數(shù)，可得到人均GDP變量。用工業(yè)生產(chǎn)總值與GDP的比值，即工業(yè)比例作為新變量，同理可以得到第一產(chǎn)業(yè)比例、第二產(chǎn)業(yè)比例和第三產(chǎn)業(yè)比例。用女性人口數(shù)與常住人口數(shù)的比值可以得到女性比例變量。用城鎮(zhèn)人口數(shù)與常住人口數(shù)的比值則可以得到城鎮(zhèn)化率變量。用就業(yè)人口數(shù)除以常住人口數(shù)可以得到就業(yè)率變量。

定義一般事故起數(shù)、簡易事故起數(shù)為模型的響應變量，將常住人口總數(shù)作為事故機會變量[8]，其余變量則作為風險變量。上述變量的統(tǒng)計性描述見表2。

表2　區(qū)域事故頻率變量統(tǒng)計描述

2.3模型選擇與建立

空間相關廣泛地存在于相鄰的空間分析單元中，對影響事故頻率因素的參數(shù)估計的準確度有顯著影響。貝葉斯空間模型能有效擬合空間相關特征。本項目擬在傳統(tǒng)事故預測模型(泊松對數(shù)正態(tài)回歸模型)的基礎上，引入條件自回歸項反映相鄰單元間可能的空間關聯(lián)。條件自回歸模型，形式如下：

Yit|λit～Poisson(λit)

(1)

(2)

θi～normal (0,1/τh)

且

(3)

α=sd(φ)/sd(θ)+sd(φ)

(4)

對于區(qū)域空間鄰接矩陣ω的權重，主要有如下4種形式：

1)0-1權重。若第i個單元與第j個單元共享邊界，則ωij=1，否則為0；

2)基于共享邊界長度的權重。若第i個單元與第j個單元的共享邊界長度為lij，則ωij=lij，若無共享邊界，則ωij=0。為避免數(shù)據(jù)冗余，可對鄰接矩陣ω進行行標準化處理；

3)基于幾何質心距離的權重。根據(jù)地理學第一定律，兩個對象之間的關系是其距離的函數(shù)，且空間作用關系隨著距離的增加而減弱。以往研究表明，單元之間空間關系的強度隨著距離的減弱程度要強于線性比例關系，因此經(jīng)常采用質心距離平方的倒數(shù)作為權重。

(5)

其中：dij—第i個單元與第j個單元的幾何質心之間的距離。

4)基于事故權重質心距離的權重?；诜治鰡卧獌仁鹿庶c的空間分布位置可得到該單元內事故的權重質心。相比(3)，該方法綜合考慮了事故空間聚集特征。

(6)

式中：dij為第i個單元與第j個單元的事故權重質心之間的距離。

本研究采用第一種鄰接矩陣權重形式[9]。

2.4區(qū)域事故頻率安全分析

1)事故說明

圖2表明“長株潭”各分區(qū)2010至2013年死亡人數(shù)地理分布特征。這4年，“長株潭”城市群23個分區(qū)共發(fā)生交通事故123 024起，其中一般事故9 793起、簡易事故113 231起，死亡1 729人。一般事故起數(shù)最低為韶山市41起、最高為瀏陽市829起；簡易事故起數(shù)最低為湘鄉(xiāng)市212起、最高為醴陵縣12 146起；死亡人數(shù)最低為炎陵縣14人，最高為瀏陽市175人。一般事故起數(shù)、簡易事故起數(shù)、死亡人數(shù)的標準差分別為261.41，3 006.85及47.40，可知簡易事故起數(shù)的變化范圍較大 ，死亡人數(shù)變化范圍較小。

圖2　長株潭地區(qū)2010-2013交通事故死亡人數(shù)地理分布Fig.2 Changsha-Zhuzhou-Xiangtan area road deaths geographical distribution during 2010-2013

2)模型運行

用WinBUGS軟件對“長株潭”進行事故頻次的預測，經(jīng)過六十萬次的迭代，最終得到比較穩(wěn)定的參數(shù)估計，各變量參數(shù)估計結果如表3所示。

3)變量分析

表3和表4分別為一般事故、簡易事故CAR模型WinBUGS運行參數(shù)估計結果，數(shù)值為95%統(tǒng)計顯著。結果表明一般事故有人口、女性人口比例、常系數(shù)三個變量顯著，即三個因素顯著影響事故的發(fā)生。簡易事故則有人口、縣道密度、女性人口比例、就業(yè)率、常系數(shù)五個變量顯著，即上述五個因素顯著影響事故的發(fā)生。

人口作為機會變量在一般、簡易事故模型中都與事故起數(shù)顯著正相關，這說明人口的增長會導致交通事故顯著增加。這一點不難解釋，更多的人意味著更多的交通需求，顯著增加的交通需求導致更多的交通產(chǎn)生，從而增加交通事故產(chǎn)生的可能性。

女性人口比例在一般事故模型中為顯著正相關，相對于男性駕駛員，女性駕駛員駕駛技能、緊急情況下的應變能力處于劣勢，所以更容易產(chǎn)生一般事故。而在簡易事故模型中，女性人口比例成顯著負相關，這可能與女性性格更為溫和，開車更為謹慎有關，男性普遍易沖動，容易引發(fā)刮擦等簡易事故。相關管理部門可以有針對性地加強女性駕駛員的駕駛技能和應變能力。

縣道密度在簡易事故模型中與事故起數(shù)顯著正相關?！伴L株潭”城市群的縣道密度相較于其他行政等級道路較高，與居民的出行也息息相關?？h道的技術等級要求不高，交通設施的維護、交通運行的管理相對來說滯后，為交通事故的產(chǎn)生埋下嚴重隱患。

就業(yè)率與簡易事故起數(shù)顯著負相關。就業(yè)率高的地區(qū)一般經(jīng)濟條件都較好，人口素質相對較高，而且出行行為相對較為規(guī)律。在這些區(qū)域，，交管部門業(yè)務素質、技術水平、和管理重視程度往往也較高一些，帶來了相對較低的事故發(fā)生率。

表3　一般事故參數(shù)估計結果

表4　簡易事故參數(shù)估計結果

3結論

1)長株潭城市群公路網(wǎng)總體交通安全形勢良好，無論是一般事故數(shù)、簡易事故數(shù)還是死亡人數(shù)都處在較為平穩(wěn)狀態(tài)，說明交管部門的安全保障工作是有效的，但是仍然有優(yōu)化空間。

2)長株潭23個分區(qū)事故數(shù)和部分道路特征、經(jīng)濟社會人口數(shù)據(jù)標準差較大，即23個分區(qū)有明顯差異。事故頻率研究部分采用條件自回歸(CAR)模型，得到顯著影響一般交通事故發(fā)生的人口、女性人口比例因素和顯著影響簡易交通事故發(fā)生的人口、女性人口比例、縣道密度、就業(yè)率因素。

3)相關部門應當加強女性駕駛員的駕駛管理與技能培訓，在合理范圍內減緩新建縣道的建造速度，并對服役時間較長、條件較差的縣道予以合理改建，淘汰部分不符合交通發(fā)展需求的縣道，同時多部門配合提升當?shù)鼐蜆I(yè)率，這些措施都能夠直接、間接降低事故發(fā)生的頻率。

參考文獻：

[1] 汪海,蔣滌非. 構建長株潭數(shù)字城市群的理論分析與實施建議[J].鐵道科學與工程學報, 2012,9(2)：110-114.

WANGHai，JIANGDifei.TheoreticalanalysisandproposalsfortheconstructionofChang-Zhu-Tandigitalurbanagglomeration[J].JournalofRailwayScienceandEngineering, 2012,9(2):110-114.

[2] 張晴, 趙晶心,董德存.交通事故管理智能決策支持系統(tǒng)設計初探[J].鐵道科學與工程學報, 2008,5(3)：83-88.

ZHANGQing,ZHAOJingxin,DONGDecun.Designofintelligentdecisionsupportsystemtotrafficincidentmanagement[J].JournalofRailwayScienceAndEngineering, 2008,5(3)：83-88.

[3]ParkES,LordD,MultivariatePoisson-lognormalmodelsforjointlymodelingcrashfrequencybyseverity[J].TransportationResearchRecord, 2019, 1-6.

[4]MaJ,KockelmanKM,DamienP.AmultivariatePoisson-lognormalregressionmodelforpredictionofcrashescountsbyseverityusingBayesianmethods[J].AccidentAnalysisandPrevention, , 2008(40):964-975.

[5]MiaouSP.Therelationshipbetweentruckaccidentandgeometricdesignofroadsection:Poissonversusnegativebinomialregression[J].AccidentAnalysisandPrevention, 1994(26):471-482.

[6]HaqueMM,ChinHC,HuangH.Applyingbayesianhierarchicalmodelstoexaminemotorcyclecrashesatsignalizedintersections[J].AccidentAnalysisandPrevention, 2010(42):203-212.

[7]QuddusMA．Mldelingarea-widecountoutcomeswithspatialcorrelationandheterogeneity：AnanalysisofLondoncrashdata[J]．AccidentAnalysisandPrevention，2004(36)：1019-1028．

[8]HuangHL，Abdel-ATYM，DatwicheAL．County-levelcrashriskanalysisinflorida:bayesianspatialmodeling[J]．TransportationResearchBoard，2010(2148)：27-37．

[9] 黃合來，鄧雪，許鵬鵬．考慮空間自相關的貝葉斯事故預測模型[J]．同濟大學學報(自然科學版)，2013，41(9)：1378-1383．

HUANGHelai,DENGXue,XUPengpeng.Consideringspatialautocorrelationofbayesianaccidentpredictionmodel[J].JournalofTongjiUniversity(naturalscienceedition), 2013，41(9)：1378-1383．

Traffic accident frequency research of road networkin Changsha-Zhuzhou-Xiangtan urban agglomeration

HUANG Helai1, CHENG Yimin1, DENG Qichun2, ZHAO Haisheng3

(1.SchoolofTrafficandTransportationEngineering,CentralSouthUniversity,Changsha410075,China;2.HunanCommunicationsResearchInstitute,Changsha410015，China;3.TrafficPoliceBureauHunanDepartmentofPublicSecurityManagement,Changsha410100,China)

Abstract:Traffic accident frequency is one of the important indices of road safety level. This paper firstly divided Changsha-Zhuzhou-Xiangtan Urban Agglomeration into 23 areas according to administrative divisions, then made use of the Condition autoregressive (CAR) model, which was among regional accident prediction methods, to relate the accident frequency to the corresponding various risk factors in driver-car-road system. Finally, the main influencing factors were identified and the corresponding improvement suggestions were made.

Key words:urban agglomeration; traffic accident frequency; CAR model

收稿日期：2015-10-21

基金項目：國家自然科學基金資助項目(71371192)；西部交通建設科技項目(20113187851460)

通訊作者：黃合來(1979-)，男，湖南湘潭人，教授，從事交通安全、交通規(guī)劃和智能交通系統(tǒng)研究；E-mail：huanghelai@csu.edu.cn

中圖分類號：U491.1

文獻標志碼：A

文章編號：1672-7029(2016)05-0994-06