張書浩 周妍 黃晴

1.浙江警察學(xué)院 2.浙江省杭州市公安局蕭山區(qū)分局

引言

受到2020年初新冠疫情影響，人們?nèi)粘Ｉ畹姆椒矫婷娑际艿搅溯^大的沖擊，尤其是公共交通領(lǐng)域，在疫情期間，公交車、地鐵等公共交通設(shè)施流量驟減，私家車出行比例上升，導(dǎo)致疫情前交通事故的空間分布特點(diǎn)與疫情后存在著部分差異，疫情前的交通事故空間分布分析的參考價(jià)值可能存在一定的局限性和差異性。且在疫情下，大部分警力投入疫情防控中，交通事故的精準(zhǔn)預(yù)測與預(yù)防顯得尤為重要。

鑒于上述原因，對(duì)疫情前后的交通事故空間分布特性進(jìn)行分析并對(duì)比，利用分布特性的空間差異，找出在大型公共衛(wèi)生事件（如新冠疫情）對(duì)交通事故空間分布特性的影響，對(duì)于疫情下交通事故的預(yù)防及未來大型公共衛(wèi)生事件下警力的布控有重要意義。因此，本文以2019年10月～12月和2020年10月～12月共六個(gè)月間某市某區(qū)發(fā)生的事故為研究對(duì)象，采用聚類法，分析疫情前后交通事故空間分布特征的差異，從而為公安機(jī)關(guān)在疫情狀況下的警力部署提供幫助。

目前，國內(nèi)外對(duì)交通事故空間分析的研究大都針對(duì)事故整體進(jìn)行事故多發(fā)區(qū)域、事故熱點(diǎn)區(qū)域分析。在時(shí)空數(shù)據(jù)模型的實(shí)際應(yīng)用方面，從2000年以來，該模型結(jié)構(gòu)的建立與改進(jìn)更多用來滿足特殊行業(yè)和研究的需要。如David等提出基于圖論的時(shí)空數(shù)據(jù)模型，尹章才等和黃照強(qiáng)等又對(duì)該模型進(jìn)行了更深入的擴(kuò)展研究及延伸實(shí)驗(yàn)；Rasinmaki等針對(duì)自然林分設(shè)計(jì)了一種以嵌套地理實(shí)體類結(jié)構(gòu)為基礎(chǔ)的環(huán)境資源時(shí)空數(shù)據(jù)模型，之后又進(jìn)一步探究并新增了時(shí)空數(shù)據(jù)處理、時(shí)空數(shù)據(jù)查詢和林分模擬分析等功能。

根據(jù)現(xiàn)有研究，本文利用DBSCAN聚類、核密度計(jì)算等方式，對(duì)事故發(fā)生的空間分布進(jìn)行可視化處理分析，從而得到疫情前后交通事故空間分布特征變化，并根據(jù)事故發(fā)生點(diǎn)附近的興趣點(diǎn)種類及數(shù)量，分析變化產(chǎn)生的原因。

一、研究區(qū)域和數(shù)據(jù)

本文的數(shù)據(jù)來源于2019年10月～12月以及2020年10月～12月某市某區(qū)的交通事故報(bào)警數(shù)據(jù)共20381條。報(bào)警數(shù)據(jù)包括報(bào)警時(shí)間、接警單警情地址、接警單警情類型（包括普通路面堵塞、普通路面事故、危險(xiǎn)駕駛、其他）、報(bào)警內(nèi)容（包括財(cái)產(chǎn)損失情況、人員傷亡、涉事車輛拍照）。由于普通路面交通事故在空間上的分布與地理環(huán)境緊密相關(guān)，本文從中篩選出普通路面事故數(shù)據(jù)，并將得到的相關(guān)事故接警單警情地址利用高德地圖OPI定位轉(zhuǎn)化為經(jīng)緯度數(shù)據(jù)，對(duì)部分無效數(shù)據(jù)進(jìn)行剔除后共得到16067條有效數(shù)據(jù)。其中，部分案件因報(bào)警地點(diǎn)描述較為模糊，故本文采取將其定位在最近興趣點(diǎn)方法。經(jīng)驗(yàn)證，對(duì)總的交通事故空間分布分析以及之后的聚類分析并無影響。

二、研究方法

（一）事故熱點(diǎn)圖的繪制

將得到的16067條數(shù)據(jù)（其中2019年共7341條、2020年共8636條）進(jìn)行可視化處理，得到2019年10月～12月、2020年10月～12月某區(qū)交通事故的分部熱點(diǎn)圖，如圖1所示。

（二）基于DBSCAN密度聚類的事故熱點(diǎn)中心計(jì)算

DBSCAN是一種基于密度的空間聚類算法。該算法將具有足夠密度的區(qū)域劃分為簇，并在具有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇，DBSCAN算法將“簇”定義為密度相連的點(diǎn)的最大集合。利用DBSCAN地理坐標(biāo)聚類模型，分別對(duì)2019年與2020年某區(qū)交通事故發(fā)生地點(diǎn)進(jìn)行分析，求出事故發(fā)生頻率較高區(qū)域的中心點(diǎn)，即為事故的熱點(diǎn)中心。具體過程如下：

根據(jù)不同事故地點(diǎn)的經(jīng)緯度，計(jì)算出兩點(diǎn)之間的歐氏距離，以事故地點(diǎn)A于事故地點(diǎn)B為例，公式如下：

式中Along、 Alat表示事故地點(diǎn)A的經(jīng)度和緯度（單位：度），Blong、 Blat表示事故地點(diǎn)B的經(jīng)度與緯度（單位：度），C1、 C2表示經(jīng)緯度與實(shí)際距離轉(zhuǎn)化的系數(shù)，數(shù)值分別為100000與111320（單位：m/度）。

根據(jù)求出的歐氏距離，對(duì)事故地點(diǎn)進(jìn)行區(qū)塊的劃分。設(shè)定一定值X（單位：米）對(duì)任意一事故點(diǎn)，以其為圓心，在半徑為X的范圍內(nèi)，若事故點(diǎn)數(shù)量超過N個(gè)，則將其定義為核心點(diǎn)；若其半徑為X的范圍內(nèi)事故點(diǎn)少于N個(gè)，但跟任意核心點(diǎn)距離小于X的點(diǎn)定義為邊界點(diǎn)。若一個(gè)事故點(diǎn)既不是核心點(diǎn)，也不是邊界點(diǎn)，將其定義為噪聲點(diǎn)。核心點(diǎn)、邊界點(diǎn)、噪聲點(diǎn)的定義解釋如圖2所示。

將定義為噪音點(diǎn)的事故點(diǎn)排除，邊界點(diǎn)與核心點(diǎn)進(jìn)行聚類，組成聚類的簇，即為事故的熱點(diǎn)區(qū)塊。

將定值X設(shè)定為250（單位：米），核心點(diǎn)附近最少數(shù)量N為5（單位：個(gè)），得到2019年符合條件的區(qū)塊數(shù)109個(gè)、2020年132個(gè)。由于大部分區(qū)塊事故點(diǎn)數(shù)量較少，參考價(jià)值較小，因此將其去除。保留下事故點(diǎn)數(shù)量在50以上的區(qū)塊進(jìn)行分析，最終得到2019年事故區(qū)塊16個(gè)、2020年事故區(qū)塊14個(gè)。部分事故區(qū)塊點(diǎn)數(shù)量詳見表1、表2。

?

根據(jù)上表中各年事故點(diǎn)數(shù)前8的區(qū)塊進(jìn)行比較，可以發(fā)現(xiàn)，在事故總量相近的前提下，2020年的事故發(fā)生明顯比2019年疫情爆發(fā)前更加集中。針對(duì)這種情況，繼續(xù)對(duì)這些事故區(qū)塊進(jìn)行分析研究，利用模擬退火算法尋找各事故區(qū)塊的中心熱點(diǎn)。

模擬退火算法與貪心算法相同，且在尋找最優(yōu)解的過程中引入了隨機(jī)變量因素。最早應(yīng)用于統(tǒng)計(jì)力學(xué)中，在給定的溫度下，隨著溫度不斷的降低，微觀粒子會(huì)在各個(gè)溫度的情況下達(dá)到一個(gè)平衡的狀態(tài)，當(dāng)物體在常溫時(shí)，內(nèi)能最小。模擬固體退火的過程，給定一個(gè)初始溫度點(diǎn)以及初始解，隨著溫度的下降，在每個(gè)平衡狀態(tài)下得到新的解，如果新的解小于前一個(gè)解，則接受新的解，否則以設(shè)定的概率接受新解。因其具有概率跳突性，能夠有效防止求出的解為局部最優(yōu)解，從而找到全局最優(yōu)解。

利用該思想，對(duì)每一個(gè)區(qū)塊中任一一點(diǎn)到其余所有事故點(diǎn)的歐氏距離和進(jìn)行計(jì)算：

Step1：選擇各個(gè)點(diǎn)經(jīng)緯度的平均值作為出發(fā)點(diǎn)；

Step2：將控制參數(shù)S設(shè)為10^9，將當(dāng)前點(diǎn)向上下左右各走S，包括當(dāng)前點(diǎn)一找到5個(gè)新點(diǎn)；

Step3：計(jì)算這5個(gè)點(diǎn)到簇中各個(gè)距離的點(diǎn)的距離之和，取最小的點(diǎn)，并設(shè)定仍使用當(dāng)前點(diǎn)設(shè)定接受的概率為5%，得到區(qū)域內(nèi)的某點(diǎn)到其余事故點(diǎn)的歐氏距離和最小，將該點(diǎn)定義為區(qū)塊內(nèi)的事故中心熱點(diǎn)。2019年與2020年各區(qū)塊的中心熱點(diǎn)經(jīng)緯度詳見表3、表4。

將經(jīng)緯度與熱力圖相結(jié)合，結(jié)果如圖3所示。

結(jié)合圖表數(shù)據(jù)后，進(jìn)行對(duì)比發(fā)現(xiàn)，疫情前后事故的中心熱點(diǎn)均集中在城鎮(zhèn)區(qū)域，且大部分的點(diǎn)位有所重合。但是疫情發(fā)生后城鎮(zhèn)區(qū)域內(nèi)的事故熱點(diǎn)更加集中，為了凸顯結(jié)論，對(duì)各區(qū)塊的事故核密度進(jìn)行計(jì)算。

（三）各區(qū)塊核密度的計(jì)算

核密度估計(jì)原理（Kernel Density Estimation，KDE），指某一點(diǎn)處的密度大小與一定范圍內(nèi)所包含的其他數(shù)據(jù)點(diǎn)存在著相關(guān)性，從而采用非參數(shù)的方法對(duì)空間數(shù)據(jù)的一階屬性進(jìn)行討論。核密度計(jì)算的公式如下：

表示空間網(wǎng)絡(luò)核密度估計(jì)值，n為區(qū)塊內(nèi)事故數(shù)的總量，h為空間窗寬，K為高斯核函數(shù)，di表示第i個(gè)事故點(diǎn)到該區(qū)塊內(nèi)中線熱點(diǎn)的歐氏距離。

高斯核函數(shù)在不同情況下的公式如下：

根據(jù)不同的區(qū)塊，將事故點(diǎn)與中心熱點(diǎn)的歐氏距離最大值設(shè)定為空間窗寬，得到各區(qū)塊的空間窗寬值，部分結(jié)果如下：

?

?

帶入公式（2）、（3）中，得到各區(qū)塊的核密度值：

?

?

結(jié)合兩表數(shù)據(jù)以及各區(qū)塊的分布可知，在相同的區(qū)域內(nèi)，疫情后事故分布核密度大于疫情前事故核密度，空間窗寬值在疫情后也明顯變小，證明疫情后事故分布更為集中在各城市中心區(qū)域。

（四）POI興趣點(diǎn)與事故分布間的聯(lián)系

研究發(fā)現(xiàn)，除了道路本身的因素外，事故的發(fā)生一定程度上與周邊POI興趣點(diǎn)的分布存在一定聯(lián)系。POI數(shù)據(jù)全稱Point of Interesting，指的是在地圖上具有興趣的地點(diǎn)，如商店、車站、醫(yī)院、住宅小區(qū)等地點(diǎn)均屬于POI數(shù)據(jù)。POI數(shù)據(jù)能夠利用于城市規(guī)劃、地理信息研究等方面，因此獲取全面準(zhǔn)確的POI數(shù)據(jù)是進(jìn)行研究前的必備工作。POI數(shù)據(jù)分為23大類，查閱資料后，結(jié)合之前的聚類觀察以及相關(guān)文獻(xiàn)參考分析，少數(shù)興趣點(diǎn)類型對(duì)事故發(fā)生的影響較小，對(duì)交通事故發(fā)生影響較小的類別剔除，留下影響較大的類別共8類。

由于POI數(shù)據(jù)獲取的限制，POI多邊形搜索一次最多返還500個(gè)同類型興趣點(diǎn)，為了保證數(shù)據(jù)收集的完整性，需要將研究區(qū)域進(jìn)行切割，保證每個(gè)區(qū)域內(nèi)的興趣點(diǎn)值小于500個(gè)，因此將研究區(qū)塊劃分為大小相同的500×500（單位：米）的網(wǎng)格。由于部分地區(qū)的興趣點(diǎn)分布較為集中，可能存在部分網(wǎng)格的POI數(shù)據(jù)大于500個(gè)，因此對(duì)區(qū)域內(nèi)的POI數(shù)據(jù)數(shù)量進(jìn)行判斷，若返還的數(shù)值為500，則利用四叉樹索引的概念，將該網(wǎng)格劃分成等大小的四個(gè)網(wǎng)格后繼續(xù)進(jìn)行數(shù)據(jù)搜集，直至每一個(gè)網(wǎng)格內(nèi)的POI數(shù)據(jù)數(shù)量均小于500個(gè)，而部分地區(qū)內(nèi)可能會(huì)存在POI數(shù)據(jù)為0的情況，為減少密匙利用次數(shù)，將附近的四個(gè)網(wǎng)格進(jìn)行合并，使每個(gè)網(wǎng)格內(nèi)POI數(shù)據(jù)數(shù)量至少為1。

利用該思想，對(duì)2019年的熱點(diǎn)區(qū)塊與2020年的熱點(diǎn)區(qū)塊進(jìn)行分析。將包含區(qū)塊內(nèi)所有事故點(diǎn)的最小矩形設(shè)定為區(qū)塊POI數(shù)據(jù)采集的范圍，得到所有區(qū)塊中8類興趣點(diǎn)的數(shù)量。為了方便分析，給出2019年以及2020年各類興趣點(diǎn)的個(gè)數(shù)及所占百分比，結(jié)果詳見表9。

?

由于框選區(qū)域的不同，興趣點(diǎn)個(gè)數(shù)并不能直觀反應(yīng)出各類興趣點(diǎn)對(duì)交通事故發(fā)生的影響改變，因此選擇所占百分比進(jìn)行比較。在事故發(fā)生較為集中的區(qū)域，疫情發(fā)生后休閑娛樂類顯著下降，對(duì)交通事故發(fā)生的影響力下降，汽車相關(guān)服務(wù)類、公司企業(yè)類、政治機(jī)構(gòu)及社會(huì)團(tuán)體類顯著上升，對(duì)交通事故發(fā)生的影響力也上升。住宿類、風(fēng)景名勝類、醫(yī)療保健服務(wù)類基本不變。

三、結(jié)語

本文針對(duì)20381條事故數(shù)據(jù)進(jìn)行分析處理，得到聚類區(qū)塊共30個(gè)，并計(jì)算出各區(qū)塊內(nèi)的熱點(diǎn)位置，針對(duì)各區(qū)塊內(nèi)的興趣點(diǎn)數(shù)量進(jìn)行分析統(tǒng)計(jì)，得到對(duì)交通事故發(fā)生具有較大影響的興趣點(diǎn)種類。研究結(jié)果表明，疫情影響下大部分的事故集中于人口密集的區(qū)域或是主要通行區(qū)域。由于疫情狀況下，大部分的警力投入在疫情防控工作中，因此當(dāng)再次遇到類似的公共突發(fā)事件時(shí)，能夠借鑒此次事件，進(jìn)行針對(duì)性的部署。此外在日常工作中，可以對(duì)事故數(shù)據(jù)進(jìn)行分析處理，對(duì)事故發(fā)生熱點(diǎn)進(jìn)行計(jì)算，從而針對(duì)事故多發(fā)地點(diǎn)進(jìn)行針對(duì)性的部署，如設(shè)置崗?fù)?、巡邏點(diǎn)等，從而降低事故發(fā)生率，為交通警力的部署提供理論性支持。