常規(guī)公交站點(diǎn)設(shè)計(jì)模式與交通事故關(guān)系的實(shí)證研究

朱 彤,林子新,劉 杰,杜雨萌,皮鈺鑫

(1. 長(zhǎng)安大學(xué) 運(yùn)輸工程學(xué)院,陜西 西安 710064; 2. 陜西警官職業(yè)學(xué)院,陜西 西安 710072; 3. 深圳市城市規(guī)劃設(shè)計(jì)研究院股份有限公司,廣東 深圳 518052)

0 引 言

隨著公交優(yōu)先政策的推行,城市公交成為我國(guó)城市通勤交通的主要載體,常規(guī)公交是其主要部分[1]。2019年,我國(guó)城市常規(guī)公交總載客量為628.8億人次,占公共交通總載客量的72.5%[2]。近年來(lái),常規(guī)公交事故常常會(huì)引起了公眾巨大的關(guān)注。公交車體大、載客率高,一旦公交車輛出現(xiàn)事故,其損失常高于其他交通方式,往往會(huì)帶來(lái)嚴(yán)重的交通擁堵和乘客滯留。2019年,全國(guó)共發(fā)生涉及公共汽車的交通事故1 421起,造成394人死亡、1 680人受傷[2]。

公交站點(diǎn)是常規(guī)公交運(yùn)行中的重要節(jié)點(diǎn),進(jìn)出站行為及與其他車輛交互行為均集中于公交站點(diǎn)。也是交通事故最常發(fā)的區(qū)域之一。學(xué)者們對(duì)公交站點(diǎn)模式及其差異性進(jìn)行了分析。劉路等[3]提出了考慮全過(guò)程時(shí)間的港灣式公交站能力計(jì)算方法。相對(duì)而言,在交通安全影響方面研究較少,主要是基于交通沖突理論研究了公交站點(diǎn)安全性[4];CHEN Tiantian等[5]的研究表明,早晚高峰時(shí)段、小時(shí)交通流量、公共汽車占比與事故率正相關(guān),平均車道寬度、設(shè)置公交優(yōu)先車道與公交事故率負(fù)相關(guān);GU Xujia等[6]對(duì)北京市114條公交線路進(jìn)行了研究,發(fā)現(xiàn)公交路線長(zhǎng)度與事故率相關(guān)。此外,研究還表明較窄的車道寬度會(huì)更容易導(dǎo)致事故[7]。公交站點(diǎn)密度與事故率呈正相關(guān)關(guān)系[5-6]。D.CHIMBA等[7]發(fā)現(xiàn)交通量、速度限制值、臨街停車及車道數(shù)量的增加都會(huì)導(dǎo)致公交事故率增高;ZHANG Cheng等[8]發(fā)現(xiàn)公交站處的分行設(shè)置能減少乘客與非機(jī)動(dòng)車的沖突。

上述研究主要分為兩類,一類比較了站點(diǎn)模式的運(yùn)行狀況、通行能力乃至交通沖突的差異,但缺少站點(diǎn)模式與交通事故之間的實(shí)證研究;另一類對(duì)公交線路的事故率進(jìn)行了研究,也未能關(guān)注公交站點(diǎn)的設(shè)計(jì)模式。

在分析模型方面,早期文獻(xiàn)多使用廣義線性模型(generalized linear models,GLM)?；谠撃Ｐ?考慮到數(shù)據(jù)存在均值與方差不相等的情況,引入了負(fù)二項(xiàng)模型(negative binomial model,NB)[7]。該模型自變量和因變量之間系數(shù)是固定的,無(wú)法揭示空間異質(zhì)性影響。為了探索影響關(guān)系的空間異質(zhì)性,一部分研究引入了隨機(jī)參數(shù)或隨機(jī)效應(yīng)[5-6];另一些研究則利用空間加權(quán)來(lái)揭示空間異質(zhì)性,成果包括地理加權(quán)泊松回歸(geographically weighted poisson regression,GWPR)、地理加權(quán)負(fù)二項(xiàng)回歸(geographically weighted negative binomial regression,GWNBR)[9]等,且空間上的擴(kuò)展模型已經(jīng)成功應(yīng)用于行人事故分析、機(jī)動(dòng)車事故分析,青年駕駛員交通事故率分析等[9]。但尚未應(yīng)用于公交事故研究。

綜上所述,筆者以公交站點(diǎn)事故數(shù)為因變量,以站點(diǎn)模式為主要研究對(duì)象,同時(shí)納入站點(diǎn)周邊建成環(huán)境、道路交通設(shè)施條件等自變量,構(gòu)建了地理加權(quán)負(fù)二項(xiàng)回歸及對(duì)比模型,研究了常規(guī)公交事故的影響因素并揭示空間異質(zhì)性特征。

1 常規(guī)公交事故特征

筆者采用2019—2020年期間某市44條線路1 176個(gè)站點(diǎn)的交通事故數(shù)據(jù)。由于部分站點(diǎn)數(shù)據(jù)不完整,經(jīng)篩選后的數(shù)據(jù)集包括988站點(diǎn),共1 056起事故,公交站點(diǎn)的事故分布情況如圖1。公交站點(diǎn)處公交車與非機(jī)動(dòng)車的混行與非混行模式見(jiàn)圖2。交通要素通過(guò)2019—2020年的網(wǎng)絡(luò)街景地圖與現(xiàn)場(chǎng)勘察獲取。交通設(shè)計(jì)微觀特征的描述性統(tǒng)計(jì)見(jiàn)表1。

表1 交通設(shè)計(jì)要素描述性統(tǒng)計(jì)Table 1 Descriptive statistics of traffic design elements

圖1 公交站點(diǎn)事故頻率空間分布Fig. 1 Spatial distribution of accident frequency at bus stops

圖2 混行與非混行模式Fig. 2 Mixed and non-mixed modes

除了事故頻率變量外,筆者根據(jù)文獻(xiàn)[5]、 文獻(xiàn)[6] 、文獻(xiàn)[9]將建成環(huán)境與交通設(shè)施特征納入到自變量中。其中,包括中央商務(wù)區(qū)(central business district,CBD)距離[10]、距地鐵距離[10]、停車場(chǎng)密度[7]等指標(biāo)。宏觀特征基礎(chǔ)數(shù)據(jù)來(lái)源為網(wǎng)絡(luò)地圖API接口與Open Street Map平臺(tái),數(shù)據(jù)時(shí)間為2019—2020年。建成環(huán)境變量的描述性統(tǒng)計(jì)見(jiàn)表2。

表2 建成環(huán)境與交通設(shè)施宏觀特征和事故頻率的描述性統(tǒng)計(jì)Table 2 Descriptive statistics of built environment and macro characteristics of transportation facilities and accident frequency

2 模型構(gòu)建

2.1 空間相關(guān)性分析

Moran’sI指數(shù)可以檢驗(yàn)不同公交站點(diǎn)的事故率之間是否具有空間相關(guān)性,只有具備了空間相關(guān)性,才能構(gòu)建空間模型進(jìn)行進(jìn)一步分析[11]。

Moran’sI指數(shù)的取值范圍為:[-1,1],P值和Z值是統(tǒng)計(jì)顯著性的量度,指示是否可以拒絕零假設(shè),在空間相關(guān)性分析中,零假設(shè)為變量是隨機(jī)分布的。Moran’sI指數(shù)不等于0表明變量在研究區(qū)域內(nèi)具有空間相關(guān)性,否則變量屬于隨機(jī)分布,同時(shí)Moran’sI指數(shù)的P值小于0.05、Z值大于1.96,才能說(shuō)明Moran’sI指數(shù)結(jié)果在0.05的置信水平下可靠。因此,如果公交站點(diǎn)事故率的Moran’sI指數(shù)不等于0、P值小于0.05且Z值大于1.96,就說(shuō)明公交站點(diǎn)事故率具有空間相關(guān)性的結(jié)果在0.05的置信水平下可靠。Moran’sI指數(shù)與Z值的公式分別為:

(1)

(2)

式中:ZI為Moran’sI指數(shù)的Z值;EI為Moran’sI指數(shù)的期望;SI為Moran’sI指數(shù)的標(biāo)準(zhǔn)差;I為Moran’sI指數(shù)。

經(jīng)計(jì)算,公交站點(diǎn)事故頻率的Moran’sI指數(shù)為0.141 6,P值為0,Z值為6.291 4。Moran’sI結(jié)果說(shuō)明了公交站點(diǎn)事故頻率存在空間相關(guān)性,因此,構(gòu)建空間模型處理空間相關(guān)性是必要的。

2.2 相關(guān)系數(shù)分析與變量篩選

皮爾遜相關(guān)系數(shù)(pearson correlation coefficient)和斯皮爾曼相關(guān)系數(shù)(spearman’s correlation coefficient)可以探索解釋變量之間的相關(guān)性,前者適于連續(xù)變量相關(guān)性分析,后者適于離散變量相關(guān)性分析。對(duì)所選擇的解釋變量進(jìn)行刪減,可減小多重共線性對(duì)研究結(jié)果產(chǎn)生的影響。任何具有高于0.6的相關(guān)系數(shù)的一組變量都只能選擇一個(gè)變量包括在模型中[12]。圖3僅顯示了連續(xù)變量間的皮爾遜相關(guān)系數(shù)。

圖3 皮爾遜相關(guān)系數(shù)Fig. 3 Pearson correlation coefficients

經(jīng)分析,發(fā)現(xiàn)一些解釋變量彼此高度相關(guān)(相關(guān)系數(shù)大于0.6)。故剔除餐飲密度、商店密度和公交站點(diǎn)密度3個(gè)解釋變量。對(duì)于離散變量則刪除了公交車和社會(huì)機(jī)動(dòng)車是否混行、有無(wú)中央分隔帶、站點(diǎn)處是否有機(jī)非分隔帶、公交車和非機(jī)動(dòng)車在站點(diǎn)外是否混行、機(jī)非分隔帶形式、公交車和非機(jī)動(dòng)車分隔帶形式、公交車和機(jī)動(dòng)車分隔帶形式7個(gè)解釋變量。最終經(jīng)過(guò)相關(guān)系數(shù)檢驗(yàn),將剩余的23個(gè)變量納入到后續(xù)研究。

2.3 地理加權(quán)模型構(gòu)建

地理加權(quán)負(fù)二項(xiàng)回歸模型(GWNBR)是全局或非空間模型的擴(kuò)展,可以解決全局或非空間模型認(rèn)為變量影響在空間中是同質(zhì)的問(wèn)題,它允許參數(shù)bk和a的空間變化。GWNBR模型通過(guò)在每個(gè)公交站點(diǎn)建立局部回歸模型,從而得到能隨空間變化而變化的局部回歸系數(shù)。文獻(xiàn)[13]提出GWNBR的框架表示為[13]:

yi=tjexp[∑kβk(uj,vj)xjk),α(uj,vj)]

(3)

式中:(uj,vj)為第j個(gè)公交站點(diǎn)的坐標(biāo);tj為偏移變量;βk(uj,vj)為解釋變量xjk的局部回歸系數(shù);α(uj,vj)為第j個(gè)公交站點(diǎn)的過(guò)度分?jǐn)?shù)系數(shù)。

由A.S.FOTHERINGHAM等[14]提出的高斯分布,被用來(lái)分配權(quán)重(Wij)。高斯分布的函數(shù)形式為:

Wij=exp[-0.5(dij/h)2]

(4)

式中:dij為i和j公交車站之間(中心到中心)的歐氏距離;h為帶寬。

選擇分布進(jìn)行建模的關(guān)鍵標(biāo)準(zhǔn)是過(guò)度分散系數(shù)(over dispersion coefficient),即需檢驗(yàn)均值和方差是否相等。泊松模型假設(shè)均值必須等于方差,而NB分布模型能夠建模具有過(guò)度分散的數(shù)據(jù)。所用的數(shù)據(jù)集的方差大于平均值(公交車事故碰撞頻率的平均值為1.13,而方差為3.393)。因此,具有均值和方差相等的限制性假設(shè)的泊松模型不適用。

為了衡量估計(jì)的準(zhǔn)確性,采用赤池信息準(zhǔn)則(AIC)、校正赤池信息準(zhǔn)則(AICC)、貝葉斯信息準(zhǔn)則(BIC)、決定系數(shù)(R2)和均方根誤差(ERMSE)來(lái)評(píng)價(jià)最佳擬合。AIC、AICC、BIC、ERMSE越低,模型的擬合效果越好。AIC、AICC、BIC可表示為:

AIC=-2L(β,α)+2k

(5)

(6)

BIC=-2L(β,α)+kln(n)

(7)

式中:k為參數(shù)的有效數(shù);n為所觀測(cè)的公交站點(diǎn)數(shù)量;L(β,α)為GWNBR的最大似然值的對(duì)數(shù)。

R2的取值范圍是[0,1],R2值越靠近1表示模型擬合效果越好。R2和ERMSE可表示為:

(8)

(9)

3 結(jié)果分析

3.1 模型比較分析

將NB模型和GWNBR模型的回歸結(jié)果進(jìn)行對(duì)比,見(jiàn)表3。GWNBR模型的R2更接近于1,AIC、AICC、BIC和ERMSE均更小,其估計(jì)效果略優(yōu)于NB模型。

表3 模型比較Table 3 Comparison of models

GWNBR模型殘差的Moran’sI指數(shù)為0.149 5,P值為0.12,Z值為1.54。Moran’sI指數(shù)的P值大于0.05、Z值小于1.96,說(shuō)明了殘差是隨機(jī)分布,GWNBR模型將空間效應(yīng)納入了分析。此外,模型R2值并不高,說(shuō)明仍有一些影響因素未列入模型中。考慮到筆者以分析關(guān)鍵設(shè)計(jì)因素影響為目的,參照相關(guān)文獻(xiàn)[10],可認(rèn)為模型結(jié)果在可接受范圍內(nèi)。如后續(xù)研究以預(yù)測(cè)為目的,則需要考慮更多的因素。

3.2 影響要素分析

從表4中可以發(fā)現(xiàn)公交線路密度、距地鐵距離、交叉口密度、距中央商務(wù)區(qū)距離、單向車道數(shù)、公交車站形式和公交車和非機(jī)動(dòng)車在站點(diǎn)處是否混行共7個(gè)自變量的回歸系數(shù)在90%置信區(qū)間上顯著。此外,表4中GWNBR模型回歸系數(shù)具有最小值,平均值和最大值,即模型回歸系數(shù)隨空間變化,即解釋變量與公交站點(diǎn)事故數(shù)具有空間異質(zhì)性關(guān)系。

表4 GWNBR模型參數(shù)Table 4 GWNBR model parameters

模型識(shí)別出了公交站點(diǎn)設(shè)計(jì)要素對(duì)事故數(shù)的影響。公交車站形式主要分為直接式和港灣式兩種,研究數(shù)據(jù)中港灣式公交站點(diǎn)比例相對(duì)較少。研究結(jié)果表明,港灣式公交站點(diǎn)能減少公交車事故風(fēng)險(xiǎn)。港灣式公交站點(diǎn)具有獨(dú)立的停車空間,能夠明顯減少公交車沖突,從而降低了公交車事故發(fā)生的可能性;研究數(shù)據(jù)顯示,在超過(guò)一半(55.2%)的站點(diǎn)中,公交車與非機(jī)動(dòng)車混合通行。與非混合交通相比,混合交通增加了事故可能性;單向車道數(shù)與公交車事故頻率相關(guān),隨著車道的增加公交車事故減少。這與以往研究一致[7],車道數(shù)較少的道路往往混合交通現(xiàn)象更為突出,因此具有更多的交通事故。

圖4進(jìn)一步展示出公交站點(diǎn)事故頻率的累計(jì)分布情況。由圖4可發(fā)現(xiàn),港灣式站點(diǎn)的事故頻數(shù)主要集中于4次以下,無(wú)6次事故以上的站點(diǎn);而直接式站點(diǎn)事故數(shù)最高可達(dá)12次。港灣式站點(diǎn)事故次數(shù)85%分位數(shù)約為2次,而直接式站點(diǎn)則接近3次。港灣站點(diǎn)安全性無(wú)論從均值或85%分位數(shù)以及最高值來(lái)看,均優(yōu)于直接式站點(diǎn)。混行站點(diǎn)與非混行站點(diǎn)相比,事故最多的站點(diǎn)其事故數(shù)較為接近。但在低頻分布情況中,非混行站點(diǎn)較多而混行站點(diǎn)較少。

圖4 公交站點(diǎn)事故頻率的累計(jì)分布Fig. 4 Cumulative distribution of accident frequency at bus stops

距地鐵站點(diǎn)越近事故率越高。地鐵站點(diǎn)接近則帶來(lái)更為集中的人流。中央商務(wù)區(qū)是指有著主要商務(wù)活動(dòng)的區(qū)域,事故頻率會(huì)隨著公交站點(diǎn)和中央商務(wù)區(qū)距離的增加而減少。上述二者所表達(dá)的含義基本一致,就是人口密集和商務(wù)活動(dòng)較多的地區(qū),則公交事故率增加。這也說(shuō)明行人交通管理需要進(jìn)一步加強(qiáng)。

交叉口密度增加會(huì)使事故率增加。以往研究發(fā)現(xiàn)交叉口密度的增加導(dǎo)致交通事故的增加,交通事故的數(shù)量隨著交叉口數(shù)量的增加而增加,相關(guān)研究從全部交通事故、車輛與車輛的交通事故、傷害事故和非機(jī)動(dòng)交通事故碰撞[15]的角度驗(yàn)證了上述結(jié)論,筆者從公交車的角度再次驗(yàn)證了上述結(jié)論。線路密度增加、站點(diǎn)密度增加會(huì)增加事故發(fā)生率,也與前人研究基本一致[5-6]。之前的學(xué)者們就發(fā)現(xiàn)了公交站點(diǎn)密度與公交事故率呈正相關(guān)關(guān)系,他們認(rèn)為公交車在公交站點(diǎn)附近經(jīng)常有加減速和換道等行動(dòng),以便于更好地進(jìn)站和離站,高密度的公交站點(diǎn)則會(huì)導(dǎo)致這類行動(dòng)增多,也會(huì)使公交車與其他物體的沖突變得復(fù)雜。

3.3 異質(zhì)性分析

GWNBR模型結(jié)果能體現(xiàn)顯著解釋變量的回歸系數(shù)空間變化,即圖5展示了0.1顯著水平下解釋變量在空間上的異質(zhì)性效果。以其中部分變量為例,如圖5(a),自變量的負(fù)向影響在西部偏大而東部較小;圖5(b)中自變量對(duì)公交事故數(shù)的負(fù)向影響在東北方向偏高而西南方向偏低。這可能是因?yàn)槟切﹨^(qū)域公交站點(diǎn)周邊交通管理設(shè)施更為缺乏,把這些公交站點(diǎn)的形式由直接式改造成港灣式,就能減少高速車輛產(chǎn)生的沖突,從而對(duì)公交事故產(chǎn)生更好的抑制作用;而圖5(c)中分行模式對(duì)事故數(shù)的影響在交通量較大的城市南部更大,上述區(qū)域應(yīng)率先考慮采用機(jī)動(dòng)車與非機(jī)動(dòng)車分行的模式。

圖5 GWNBR模型的系數(shù)的空間分布Fig. 5 Spatial distribution of coefficients of GWNBR model

4 結(jié) 論

以往文獻(xiàn)缺少公交站點(diǎn)模式與公交車事故關(guān)系的實(shí)證研究,因此對(duì)于站點(diǎn)模式在實(shí)際交通運(yùn)行中究竟能在多大程度上影響事故數(shù),尚無(wú)明確的結(jié)論。筆者基于常規(guī)公交車事故數(shù)據(jù),探討了設(shè)計(jì)模式對(duì)公交車事故數(shù)的影響。在構(gòu)建模型時(shí),同時(shí)考慮的影響因素還涵蓋了建成環(huán)境特征、交通設(shè)施特征。主要的研究結(jié)論包括:

1)常規(guī)公交站點(diǎn)事故率具有空間相關(guān)性,有必要構(gòu)建空間模型進(jìn)行分析。在此基礎(chǔ)上構(gòu)建了NB模型和GWNBR模型,模型結(jié)果表明GWNBR模型表現(xiàn)優(yōu)于NB模型,該模型也能夠揭示出公交站點(diǎn)事故頻率與解釋變量之間關(guān)系的空間異質(zhì)性。

2)公交站點(diǎn)模式等7項(xiàng)自變量會(huì)顯著影響公交站點(diǎn)事故率。港灣式公交站點(diǎn)模式能減少公交事故風(fēng)險(xiǎn);與非混行站點(diǎn)模式相比,混行站點(diǎn)模式增加了事故的可能性,且該變量對(duì)公交站點(diǎn)事故頻率的影響程度與站點(diǎn)的空間位置相關(guān);車道數(shù)與公交站點(diǎn)事故頻率相關(guān),隨著車道的增加公交站點(diǎn)事故數(shù)減少;此外,距地鐵站點(diǎn)、中央商務(wù)區(qū)越近公交站點(diǎn)事故率越高;交叉口密度增加會(huì)使公交站點(diǎn)事故率增加;線路密度增加、站點(diǎn)密度增加會(huì)增加公交站點(diǎn)事故發(fā)生率。

3)研究結(jié)果也可為公交站點(diǎn)設(shè)置提供實(shí)證證據(jù)。在設(shè)置常規(guī)公交車站時(shí),應(yīng)關(guān)注公交站的設(shè)計(jì)模式,在條件允許的情況下,應(yīng)盡量設(shè)置為港灣式公交站、非混行模式公交站模式,以提高公交運(yùn)行安全性。尤其是在臨近地鐵站點(diǎn)和中央商務(wù)區(qū)的區(qū)域。此外,在設(shè)置港灣公交站時(shí)宜優(yōu)先考慮影響系數(shù)較大的區(qū)域。

4)研究仍有一些不足之處,模型采用的要素大都為靜態(tài)要素,由于數(shù)據(jù)獲取的原因,對(duì)于速度、流量等動(dòng)態(tài)要素考慮較少,未來(lái)的研究應(yīng)多納入動(dòng)態(tài)要素進(jìn)行研究。此外,在后續(xù)研究中,可以根據(jù)文中研究結(jié)果的指向性,進(jìn)一步挖掘設(shè)施容積率、設(shè)計(jì)參數(shù)等更細(xì)節(jié)因素對(duì)于事故的影響。