羅葉,祁首銘,2,張希,廉冠,楊海華

(1.深圳市城市公共安全技術(shù)研究院有限公司,廣東 深圳 518000; 2.哈爾濱工業(yè)大學(xué) 土木與環(huán)境學(xué)院,廣東 深圳 518055; 3.桂林電子科技大學(xué) 建筑與交通工程學(xué)院,廣西 桂林 541004;4.中國建設(shè)基礎(chǔ)設(shè)施有限公司,北京 100029)

道路交通事故造成的傷害是全球嚴(yán)重的公共衛(wèi)生和社會安全問題。根據(jù)世界衛(wèi)生組織(WHO)的數(shù)據(jù)[1],全球每年約135萬人死于道路交通事故。目前,道路交通事故傷亡人數(shù)在全球所有死因中排名第8,預(yù)計到2030年將升至第7位。作為全球最大的發(fā)展中國家,中國同樣面臨著交通事故傷害問題,在部分省市,交通事故已經(jīng)成為導(dǎo)致意外死亡的主要原因[2]。隨著城市化進(jìn)程的不斷發(fā)展,城市機(jī)動化的發(fā)展水平已經(jīng)成為衡量一個國家城市化水平高低的重要指標(biāo),然而不斷增長的機(jī)動車及人口密度給道路交通安全帶來巨大壓力,在社會資源有限的前提下如何有效降低交通事故率成為難題。自20世紀(jì)50年代,英美等發(fā)達(dá)國家開始對事故多發(fā)點進(jìn)行鑒別及治理以來,交通事故狀況得到明顯好轉(zhuǎn)。歐盟道路交通事故委員會在對TEN-T公路進(jìn)行事故多發(fā)點治理后,該公路的事故率降低了11%[3]。因此,在追求城市發(fā)展的同時準(zhǔn)確、高效地采取針對性措施進(jìn)行事故預(yù)防,提高城市道路交通安全水平成為全社會迫切的愿望。

在空間中,大多數(shù)情況下交通事故并非隨機(jī)分布,而是在空間中形成集群[4],從而成為事故黑點(Black Spot),識別交通事故黑點被學(xué)者們認(rèn)為是交通安全改善策略中的第一個關(guān)鍵步驟[5]。常見的事故黑點識別方法主要是基于事故數(shù)以及事故率進(jìn)行鑒別,主要包括事故頻數(shù)法、當(dāng)量事故數(shù)法、累計頻率曲線法、回歸分析法、事故率法、當(dāng)量事故數(shù)-事故率法[6]等。這些方法的研究思路為:劃分目標(biāo)路段的固定單元,選取一定范圍內(nèi)的事故數(shù)或事故率作為閾值完成事故黑點鑒別,常用于單一路段的事故黑點識別,但結(jié)果展現(xiàn)的可視化效果不佳。隨著地理信息技術(shù)的發(fā)展,越來越多的學(xué)者將可視化效果更佳的空間分析技術(shù)應(yīng)用于事故黑點識別,Anderson[7]采用平面核密度分析和K均值聚類算法對倫敦城市道路交通事故黑點進(jìn)行識別;郭璘等[8]采用基于改進(jìn)的K-means算法對寧波市的交通事故進(jìn)行分析;黃鋼等[9]采用基于改進(jìn)密度的DBSCAN算法對事故地點與原因進(jìn)行密度聚類;曹倩等[10]采用事故密度峰值聚類方法,評估風(fēng)險異質(zhì)性的道路網(wǎng)交通事故風(fēng)險。然而,由于交通事故的發(fā)生并不存在于二維空間,受到道路網(wǎng)絡(luò)的約束,Okabe等[11]提出一種基于網(wǎng)絡(luò)空間約束的核密度方法,并開發(fā)出基于Arcmap的插件SANET。此后,由于無須假設(shè)先驗參數(shù)、可視化效果佳、符合道路網(wǎng)空間的實際情況,網(wǎng)絡(luò)核密度估計算法被應(yīng)用于交通事故黑點識別、網(wǎng)約車上下客熱點識別、犯罪行為熱點識別等多個領(lǐng)域[12-16]。目前通常采用經(jīng)驗取值法、自然分段法等對應(yīng)用網(wǎng)絡(luò)核密度估計后的事故進(jìn)行熱點識別,但這類方法識別事故黑點不具備統(tǒng)計學(xué)意義,因而,該方法在交通事故黑點中的應(yīng)用仍然不足。

因此,本文在使用網(wǎng)絡(luò)核密度估計的基礎(chǔ)上,結(jié)合局部空間自相關(guān)分析,鑒別城市道路事故多發(fā)點?？稍诮y(tǒng)計學(xué)意義上提升事故黑點識別的準(zhǔn)確率及效率。

1 研究區(qū)域及數(shù)據(jù)處理

1.1 研究區(qū)域及數(shù)據(jù)概況

本文選取深圳市龍華區(qū)作為研究區(qū)域,下轄6個街道,共50個社區(qū)。本研究所使用的數(shù)據(jù)包括交通事故數(shù)據(jù)及道路網(wǎng)絡(luò)數(shù)據(jù)。交通事故數(shù)據(jù)為2018—2020年間3年的交通事故記錄,共計1 105例。每條事故記錄包括描述性事故地點、事故時間、事故類型、事故基本經(jīng)過、事故傷亡情況等。道路網(wǎng)絡(luò)數(shù)據(jù)來自O(shè)penStreetMap(OSM)2021年的矢量路網(wǎng)數(shù)據(jù)。

1.2 地理信息匹配

由于原始交通事故數(shù)據(jù)對應(yīng)的事故位置信息是描述性信息,因此需要將描述性位置信息進(jìn)轄6個街道,共50個社區(qū)。本研究所使用的數(shù)據(jù)包括交通事故數(shù)據(jù)及道路網(wǎng)絡(luò)數(shù)據(jù)。交通事故數(shù)據(jù)為2018—2020年間3年的交通事故記錄,共計1 105例。每條事故記錄包括描述性事故地點、事故時間、事故類型、事故行地理編碼,即將文字位置信息轉(zhuǎn)化為經(jīng)緯度數(shù)據(jù)。目前國內(nèi)常用的在線地理編碼服務(wù)主要有4種:百度、高德、搜狗及騰訊。根據(jù)學(xué)者的研究對比,騰訊地圖在數(shù)據(jù)質(zhì)量以及完備的地址數(shù)據(jù)方面表現(xiàn)較為優(yōu)異,高德地圖則在地址匹配度方面表現(xiàn)良好[17],因此本文選擇騰訊地圖以及高德地圖作為地理編碼的主要工具。

本文調(diào)用騰訊地圖geocoder API地理編碼服務(wù),返回數(shù)據(jù)包括經(jīng)緯度信息及地址可信度(reliability)。根據(jù)騰訊地圖位置服務(wù)的官方說明[18],可信度取值范圍為1～10級,當(dāng)該值大于等于7時,解析結(jié)果較為準(zhǔn)確。因此,本文提取返回結(jié)果可信度大于等于7的經(jīng)緯度值,其余結(jié)果通過調(diào)用高德地圖geocode API實行地址位置解析,最終返回結(jié)果顯示,僅1.9%的地址未匹配,采用人工糾偏的方式進(jìn)行位置解析。為便于分析,本文采用的道路網(wǎng)數(shù)據(jù)為矢量線性數(shù)據(jù),無寬度屬性,地理編碼返回的坐標(biāo)位置分布在道路兩側(cè),因此通過將數(shù)據(jù)點投影至最近路網(wǎng)的方式進(jìn)行道路匹配。此外,高德及騰訊地圖返回的經(jīng)緯度信息均為GCJ02坐標(biāo)系,為與道路網(wǎng)進(jìn)行地圖匹配,本文將所有返回的經(jīng)緯度信息轉(zhuǎn)換為WGS84大地坐標(biāo)系。

本文將2018—2020年3年的1 105例道路交通事故繪制成地理信息散點圖,見圖1。通過統(tǒng)計每個街道事故數(shù)(圖2),可以發(fā)現(xiàn),事故主要集中在龍華中心區(qū)的龍華街道,其次是大浪街道。

2 事故黑點識別方法研究

2.1 交通事故網(wǎng)絡(luò)核密度估計模型構(gòu)建

核密度估計(Kernel Density Estimate, KDE)是一種常用于從事件樣本中估計空間過程的強(qiáng)度函數(shù),它屬于點模式分析中的非參數(shù)方法之一。具體來說,它通過采用平滑的峰值函數(shù)(核)對觀察到的數(shù)據(jù)點進(jìn)行擬合,從而對真實的概率分布曲線進(jìn)行模擬,展現(xiàn)出平滑的可視化效果,體現(xiàn)出分析目標(biāo)在空間上的聚集情況,因而被廣泛應(yīng)用于犯罪分布、事故空間分布點事件的熱點識別。

平面核密度估計的表達(dá)式為:

(1)

式中:λ(s)為事故點s的密度;r為核密度估計的搜索半徑(帶寬),只有在距離點s半徑r范圍內(nèi)的點才能用于估算λ(s);k為點i權(quán)重,其大小取決于點i與點s之間的距離dis與搜索半徑r的比率。在核密度估計中充分考慮了到中心位置s的距離衰減效應(yīng),即到事故點s的距離越長,該點的權(quán)值就越低,超出搜索半徑距離之外的極限密度為0。因此事故點s的最終密度是通過將搜索半徑內(nèi)所有的點比率相加而得。

平面核密度估計在分析及確定交通事故熱點時并不適用。經(jīng)典的核密度估計是基于一個無限、齊次的二維(2D)空間假定,因此核密度估計采用了事件點之間的歐幾里得距離。事實上,交通事故通常發(fā)生在道路網(wǎng)絡(luò)范圍內(nèi),在道路網(wǎng)絡(luò)中,車輛的移動總是受到道路網(wǎng)絡(luò)的約束,在交叉口可能會改變方向,Steenberghen等[19]將網(wǎng)絡(luò)空間稱為1.5D空間。此外,道路網(wǎng)絡(luò)中點的距離總會大于或等于歐幾里得距離,因此在交通事故密度分析中使用平面核密度估計會低估道路網(wǎng)絡(luò)中交通事故點之間的實際距離,從而會過度識別熱點,見圖3。

(a) 基于歐式距離的核密度搜索方式

網(wǎng)絡(luò)核密度估計(Network Kernel Density Estimate, NKDE)是平面核密度估計的擴(kuò)展形式,兩者之間最大的不同在于距離計算方式的差異,相較于計算2D空間均勻區(qū)域單元上點事件的密度,網(wǎng)絡(luò)核密度計算的是道路網(wǎng)絡(luò)上線性單元(路段)最短路徑距離的點事件密度。其計算公式與平面核密度估計類似:

(2)

(3)

為確定最優(yōu)帶寬,可根據(jù)積分均方差達(dá)到最小原則,得到最優(yōu)帶寬計算公式[14]:

(4)

式中:hopt為最優(yōu)帶寬;σ為高斯核函數(shù)的標(biāo)準(zhǔn)差;在道路網(wǎng)條件下的σ為事故點數(shù)據(jù)的網(wǎng)絡(luò)距離標(biāo)準(zhǔn)差;n為事故點的數(shù)量。

2.2 基于網(wǎng)絡(luò)核密度的局部自相關(guān)分析

在道路網(wǎng)的承載下,各路段間具有一定的空間相關(guān)關(guān)系,若將事故密度定義為風(fēng)險的量化指標(biāo),那么路段之間事故密度的相關(guān)關(guān)系可以解釋為交通事故的風(fēng)險擴(kuò)散性[21]。因此可通過計算路段之間事故密度的空間相關(guān)關(guān)系,從而在統(tǒng)計學(xué)意義上識別事故高風(fēng)險路段。

空間自相關(guān)分析中,莫蘭指數(shù)(Moran′sI)是一種最常用的空間自相關(guān)統(tǒng)計方法,也叫聚類和異常值分析法,其通過計算同一分布區(qū)域內(nèi)的相鄰空間數(shù)據(jù)間潛在的依賴性,檢測出空間范圍內(nèi)是否存在聚集特性?？臻g自相關(guān)分析大致分為全域法及局域法,其中全域法用于判斷空間中是否存在聚集特性,而局域法則側(cè)重于檢定某個聚類單元相對研究空間而言是否足夠顯著。因而局部空間自相關(guān)更適用于檢測高密度路段的離散情況,在考慮相鄰路段的基礎(chǔ)上,識別事故多發(fā)路段。

局部莫蘭指數(shù)(Local Moran′sI)的計算方法如下[22]:

(5)

式中:Ii代表第i個路段的Local Moran′sI;xj和xi分別為路段j和路段i的網(wǎng)絡(luò)核密度值;wij為路段i與路段j在特定領(lǐng)域定義下的空間權(quán)重;n為路段總數(shù)。Local Moran′sI的值本質(zhì)上類似于相關(guān)性系數(shù)(Pearson),其代表了觀測值自身與空間滯后Lisa值之間的相關(guān)性。當(dāng)Moran′sI在置信區(qū)間內(nèi)顯著,且當(dāng)觀測值與空間滯后值符號相同時,稱其為高-高值、低-低值聚類;當(dāng)觀測值與空間滯后值相反時,稱其為高-低值或低-高值聚類。

3 實證分析

3.1 事故黑點網(wǎng)絡(luò)分析

本文采用R語言中spNetwork包[23]中的nkde函數(shù)對事故點進(jìn)行網(wǎng)絡(luò)核密度分析,并通過tmap包對運算結(jié)果進(jìn)行可視化展示,在Rstudio中實現(xiàn)。由于采用高斯函數(shù)作為核函數(shù),當(dāng)積分均方誤差最小時,采用式(4)計算得到最優(yōu)帶寬為287.18 m,為了方便計算取最優(yōu)帶寬為300 m,線性單元長度取最優(yōu)帶寬的1/10,即30 m[11]。按照空間步長將1 570條路段劃分為子路段,其中不足30 m的部分單獨路段作為子路段,最后得到2 886條空間子路段lixels,并計算空間子路段的核密度估計值,為了得到可讀性更高的結(jié)果,將核密度估計值乘以1 000,得到每公里路段的密度估計值,可視化結(jié)果見圖4。

圖4 網(wǎng)絡(luò)核密度估計圖

同時,為比較平面核密度估計與網(wǎng)絡(luò)核密度估計的效果差異,同樣在R語言中運用SpatialKDE軟件包對于事故點分布的平面核密度進(jìn)行分析,可視化結(jié)果見圖5。結(jié)果表明:所有的高值網(wǎng)絡(luò)核密度路段均位于平面核密度高值范圍內(nèi)。平面核密度分析結(jié)果呈現(xiàn)出局部團(tuán)狀聚集的情況,其分布情況與網(wǎng)絡(luò)核密度分布情況類似,但聚集范圍較大,與網(wǎng)絡(luò)核密度估計結(jié)果相比存在過度估計的情況。若使用平面核密度估計識別事故多發(fā)點,那么將無法精確地對事故多發(fā)點進(jìn)行現(xiàn)場隱患排查、派駐警力開展專項交通治理。

圖5 平面核密度估計圖

從圖4、圖5中可以看出,龍華區(qū)2018—2020年的交通事故具有明顯的空間聚集特征。為了進(jìn)一步識別高密度路段,一般采用經(jīng)驗法設(shè)定鑒別閾值、分位數(shù)法、Jenks自然間斷點分級法、K-means聚類法等。

本文采用K均值聚類算法(K-means Clustering Algorithm)將路段的核密度估計結(jié)果進(jìn)行分類,采用碎石圖,即手肘法則(elbow method)確定最優(yōu)聚類數(shù),以聚類數(shù)為x軸,此處選用1～10作為聚類數(shù)量,y軸為各個值到簇中心的平方和,可視化結(jié)果見圖6。圖中點劃線指的是在特定聚類數(shù)下誤差平方和,可見將路段核密度估計值分為4類是最優(yōu)聚類結(jié)果。

圖6 K-means碎石圖

該方法所得的分級聚類結(jié)果可滿足簇內(nèi)數(shù)據(jù)差異最小而同時達(dá)到簇間數(shù)據(jù)差異最大的性質(zhì),使得誤差平方和(Sum of Square Error, SSE)達(dá)到局部最小,K-means誤差平方和為:

(6)

式中:x為各路段的密度值;ci為所指定劃分的聚類簇,此處選取的聚類簇為1～10。從式(6)中可以看出K均值聚類刻畫了簇內(nèi)樣本圍繞均值向量的緊密程度,SSE值越小,簇內(nèi)樣本相似度越高。通過基于路段密度值之間的相似性進(jìn)行迭代,使得目標(biāo)函數(shù)SSE最小,最終得到指定聚類簇。

本文通過K-means聚類分析將網(wǎng)絡(luò)核密度值分為4類,分別對應(yīng)一級密度路段、二級密度路段、三級密度路段以及四級密度路段,見圖7。從圖7可以發(fā)現(xiàn),事故密度高值區(qū)域多集中在龍華街道中心區(qū)域以及大浪街道中心區(qū)域,并且分散于各個交叉點處。使用K均值聚類算法進(jìn)行劃分所劃定的一級密度路段容易引起注意,在聚類分級的基礎(chǔ)上事故密度高值區(qū)域相對于圖4更為突出。然而該分類方法僅根據(jù)密度值之間的數(shù)據(jù)特征進(jìn)行分級,并非統(tǒng)計學(xué)意義上的風(fēng)險路段,且該方法忽略了路段間的空間關(guān)系,因此使用K均值分級并不能最終確定事故多發(fā)路段。

圖7 基于K-means聚類的網(wǎng)絡(luò)核密度估計

3.2 基于網(wǎng)絡(luò)核密度的局部自相關(guān)分析

本文在網(wǎng)絡(luò)核密度計算結(jié)果的基礎(chǔ)上,采用R語言中spdep包對路段進(jìn)行空間自相關(guān)分析,選取網(wǎng)絡(luò)核密度分析中子路段的密度估計值作為計算Local Moran′sI的要素屬性值,并使用網(wǎng)絡(luò)距離的倒數(shù)作為空間權(quán)重矩陣,將鄰近范圍內(nèi)具有相似密度屬性的子路段進(jìn)行合并,最終確定事故多發(fā)聚集路段以及異常路段。將置信區(qū)間在99%以上的路段繪制Local Moran′sI散點圖(圖8), 其中Local Moran′sI為兩者之間線性關(guān)系的斜率, 并將事故多發(fā)點鑒別結(jié)果在道路網(wǎng)空間進(jìn)行可視化展示,見圖9。

圖9 基于NKDE及Local Moran′s I的事故黑點鑒別結(jié)果

本文將高值聚類區(qū)域100%覆蓋K-means聚類分級的一級高值路段,并對相關(guān)性顯著的高值路段進(jìn)行合并。高-高聚類區(qū)域除零散分布在各個交叉口及路段外,事故多發(fā)點主要集中在3個區(qū)域,分別為以龍華街道為中心的區(qū)域、大浪街道核心區(qū)域、三個街道連接處的交叉口區(qū)域。異常值(高-低聚類、低-高聚類)則分布較為零散,且數(shù)量較少,由于其不具備明顯的高值聚類結(jié)果,本文對異常值不予關(guān)注,其形成與交通事故的偶然性相關(guān)。

為分析各聚類簇的事故特點,將各聚類簇由右至左、由上至下分別命名為聚類簇1、聚類簇2、聚類簇3,其具體信息見表1、表2。

表1 事故多發(fā)聚類簇路段具體信息

表2 事故多發(fā)聚類簇具體信息

3個聚類簇均為龍華區(qū)的老城區(qū),作為機(jī)動化發(fā)展速度較快的老城區(qū),其建設(shè)初期主要以機(jī)動車通行需求為主,因此忽略了非機(jī)動車通行。3個聚類簇發(fā)生的143宗事故中,82宗為傷亡事故,均涉及弱勢交通參與者;涉及非機(jī)動車事故69宗,占比48.25%,其中,涉及無號牌非機(jī)動車事故50宗;涉及行人事故13宗,占比9.09%。該區(qū)域普遍存在非機(jī)動車道建設(shè)不完備,部分路段存在人行道、非機(jī)動車道寬度不足等問題。隨著非機(jī)動車通行需求的增大,機(jī)非混行的情況日益突出,且由于缺乏號牌登記基礎(chǔ),無號牌非機(jī)動車逆行、闖紅燈等違法行為無法得到約束。此外,3個聚類簇城中村密集,通行需求較大,內(nèi)部道路密度高,且交叉口較多,在交通組織不到位、交通參與者不遵守交通規(guī)則的情況下,存在大量交通沖突,安全隱患突出。

因此建議通過對3個聚類簇的非機(jī)動車道開展隱患排查工作,保證行人及非機(jī)動車路權(quán),同時強(qiáng)化全民安全培訓(xùn)教育,加強(qiáng)3個聚類簇合圍路段的電子警察、巡警等警力配置,強(qiáng)化電動車上牌、非機(jī)動車及行人違法行為勸阻,優(yōu)化交叉口信號配時以減少交通沖突[24]等。

以聚類簇1中識別到的事故多發(fā)路段——建輝路為例,該路段途徑城中村高坳新村,人流及非機(jī)動車流量較大,且為長下坡路段,道路全段未配置非機(jī)動車道,部分路段存在人行道中斷、電線桿置于道路內(nèi)部阻礙車輛通行的情況,且該路段交通秩序混亂,非機(jī)動車、機(jī)動車長期占道停車,導(dǎo)致行人、非機(jī)動車與機(jī)動車混行現(xiàn)象突出。該路段已被列為2021年深圳市市級督辦隱患治理路段。建議通過壓縮機(jī)動車道寬度增設(shè)“機(jī)非共板”非機(jī)動車道,通過增加隔離護(hù)欄,保障非機(jī)動車駕駛員路權(quán),實現(xiàn)機(jī)非分離;加強(qiáng)道路全段隱患排查,保證人行道連續(xù)性、清除路面障礙物等;增加該路段路面執(zhí)法力量,清除路面占道停車、勸阻行人及非機(jī)動車橫穿馬路的違法行為。

4 結(jié)論

本文以深圳市龍華區(qū)2018—2020年1 105例交通事故數(shù)據(jù)及道路網(wǎng)絡(luò)數(shù)據(jù)為基礎(chǔ),對比了傳統(tǒng)平面核密度方法及網(wǎng)絡(luò)核密度方法的事故點位的空間分布情況,采用K-means聚類對網(wǎng)絡(luò)核密度估計值進(jìn)行分級,為進(jìn)一步在考慮路段間的相關(guān)關(guān)系,引入Local Moran′sI對網(wǎng)絡(luò)核密度估計值進(jìn)行空間聚類分析,最終實現(xiàn)事故多發(fā)點的識別,具體結(jié)論如下:

(1) 基于網(wǎng)絡(luò)核密度的事故多發(fā)點識別方法在道路網(wǎng)空間內(nèi)對事故點進(jìn)行核密度估計,結(jié)果較平面核密度估計更為精確且符合實際,適用于識別交通事故多發(fā)路段,結(jié)果表明以龍華街道為核心的龍華中心區(qū)事故密度最高。

(2) 通過K-means聚類可對網(wǎng)絡(luò)核密度估計值進(jìn)行分級,通過分級使得高密度路段更凸顯,然而該方法忽略了臨近路段的相關(guān)關(guān)系,且不具備統(tǒng)計學(xué)意義。

(3) 用Local Moran′sI對網(wǎng)絡(luò)核密度估計值進(jìn)行空間聚類分析,結(jié)果表明該方法在100%覆蓋一級路段的基礎(chǔ)上將臨近高密度路段進(jìn)行合并,在99%置信區(qū)間上最終識別3個聚類簇,具有良好的事故多發(fā)點識別效果。

本文在道路空間尺度上研究事故多發(fā)點,旨在有限社會資源的前提下,有針對性地進(jìn)行治理,實現(xiàn)警力資源分配和道路改善措施,從而降低事故發(fā)生率,提高道路交通安全水平。但受樣本數(shù)據(jù)時間跨度短及樣本不足的限制,本文僅考慮了空間尺度,忽略了時間維度的分析,未來將在考慮時空尺度的基礎(chǔ)上進(jìn)一步建立時空單元與事故黑點的關(guān)聯(lián)性。