1、文章编号:1009-6094(2023)03-0846-09考虑空间相关性和交通环境影响的宏观事故建模*靳文舟1，包胜男1，裴晓航1，汤左淦1，2(1 华南理工大学土木与交通学院，广州 510640;2 深圳市城市交通规划设计研究中心，广东深圳 518057)摘要:为准确分析宏观尺度下各项因素对发生交通事故的影响，从人口岗位等社会经济特征、交通环境和城市重要设施分布等角度出发，基于深圳市 61.4 万警情事故和 892 个交通分析小区建立带空间自回归误差项的空间自回归模型(SAA)，采用广义空间二段最小二乘法进行模型参数估计后，计算出各要素的空间溢出效应。模型结果表明:人口数量、岗位数量、区域
2、面积、学校数量、主次干道长度和主次干道衔接不足均会显著增加本区域和周边区域内的交通事故数量;拥堵路段长度与交通事故的发生不存在显著关系。拟合优度对比结果发现，SAA 模型优于 OLS、SA 和 SEM模型，是分析宏观尺度下区域安全水平的有效方法。关键词:安全工程;空间相关性;带空间自回归误差项的空间自回归模型;交通环境;宏观安全分析中图分类号:X951文献标志码:ADOI:10.13637/j issn 1009-6094.2021.1974*收稿日期:2021 11 08作者简介:靳文舟，教授，博士生导师，博士，从事安全工程和 宏 观 安 全 分 析 研 究，ctwzhjin scutedu
3、 cn。基金项目:国家自然科学基金项目(52072128)0引言根据国家统计局公布的数据，2019 年我国共发生 247 646 起交通事故，造成 62 763 人死亡和256 101 人受伤，同时导致直接财产损失 1.46 亿元1。交通事故造成的严重后果，与“人民对美好生活的向往”目标相悖。研究表明，进行交通安全规划能够显著提升交通安全水平2。对美国、日本、欧洲等国家的城市进行分析可得，这些城市的交通安全状况不断改善得益于明确制定了交通安全发展目标以及持续开展了行之有效的交通安全改善计划，如东京每 5 年 1 次的交通安全基本计划、纽约和伦敦的零死亡行动计划(VisionZero Actio
4、n Plan)等。相比而言，我国城市交通规划阶段对交通安全的考虑是较为欠缺的，表现在缺乏滚动的、系统性的交通安全发展战略规划，如深圳2019 年才开始第 1 轮道路交通安全行动规划。国外已有大量学者针对宏观层面交通安全水平的影响因素进行研究，为交通安全规划提供了重要理论支撑。2004 年，Felipe 等3 采取了负二项式回归模型来避免数据过于分散的特性，同时考虑交通安全事故的致命性和伤害性，将模型放入交通分析区域进行一级碰撞模拟。2010 年，Huang 等4 提出了一种 5 ST 级层次结构来表示交通安全中多级数据结构的一般框架，运用一种明确指定多级结构的贝叶斯层次方法来适应多级数据结构所
5、带来的潜在交叉群异质性和时空相关性。同年，Huang 等5 提出了一个贝叶斯空间模型，通过显式控制车辆每日行驶里程和人口变量，来研究佛罗里达州县级碰撞风险的变化，结果表明，危险因素对所有撞车和严重撞车的安全性影响均无显著性差异。Hadayeghi等6 研究一种技术，通过误差项的协方差将空间关系引入到完整的贝叶斯半参数建模框架中，以捕捉纬向碰撞数量与交通规划预测因子之间的空间变化关系。2011 年，Miranda-Moreno 等7 研究土地利用类型、道路网络连通性、交通供给和人口特征对行人活动和行人与车辆碰撞事件的影响，为此提出了一个双方程建模框架。国内学者也主要集中研究了交通小区安全水平的影
6、响因素。2012 年，王雪松等8 考虑事故数据非负、离散的特点，在广义线性模型的基础上，采用贝叶斯方法的空间统计模型提高模型的精度。黄合来等9 基于佛罗里达州事故数据，建立贝叶斯空间模型，用来分析道路属性、土地利用和交通特征层面的安全效应。2014 年，王雪松等10 基于上海的事故数据，利用条件自回归模型进行宏观事故分析，发现主、次干道长度，道路网密度，交叉口数量，客运产生量和土地利用强度等因素与事故数量显著相关。2015 年，刘伟等11 通过分析和归类交通系统中相互依存网络类型，采用复杂网络中多网络体系鲁棒性分析方法研究了复杂城市交通网络的脆弱性特征。2016 年，李静茹等12 优先从微观层
7、面开展了路段脆弱性研究，通过文献分析选取脆弱性因素并采用专家打分法确定因素权重，而后基于 DEMATEL/ISM法构建脆弱性因素的结构模型。2018 年，王雪松等13 利用贝叶斯负二项模型对道路、人口、土地利用数据进行分析，提取出上海市中心城区交通小区的行人事故影响因素。同年，段晓红等14 以道路的脆弱性为视角，运用 N K 模型对体系中各层级脆弱性因素之间的耦合关系进行分析。2020 年，汤左648第 23 卷第 3 期2023 年 3 月安全 与 环 境 学 报Journal of Safety and EnvironmentVol 23No 3Mar，2023淦等15 主要分析路网特征数
8、据、城市建成环境和夜间灯光数据对街道死伤人数的影响。同年，牛毅等16 将传统关联规则算法与社会网络分析法相结合来分析高速公路货车交通事故的影响因素，并提出了相对应的事故预防对策与建议。2021 年，靳文舟等17 探究多因素耦合作用下公路车辆群事故伤害的影响因素，以美国得克萨斯州 2016 年的公路碰撞数据为基础，构建了考虑异质性的公路车辆群事故随机参数 Logit 模型。张道文等18 提取国家车辆事故深度调查体系数据库中的 2 726 例事故，以事故严重程度为因变量，从环境要素、时段气象要素、参与者要素 3 个方面选取 10 个自变量建立了二元Lasso-Logistic 回归分析模型。徐金华
9、等19 为探究平面交叉口不同严重程度的交通事故影响因素的关联特性，从人、车、路、环境 4 个维度出发，建立了带约束的二进制粒子群 蚁群算法以挖掘交叉口事故严重程度的关联规则。袁振洲等20 采用定向约束的 Apriori 算法分别分析了工作日和休息日下高速公路交通事故致因，发现工作日和休息日存在不同等级事故的差异性。通过梳理国内外研究现状，可以看出大部分研究是基于一般程序事故或国外事故数据展开的，研究的事故样本不够全面或不符合本国国情。根据我国公安部的交通事故划分标准，将交通事故分为一般程序事故和简易程序事故。一般而言，一般程序事故较简易程序事故严重，但是 2 个事故的划分标准较为模糊，只是由处
10、理案件的民警凭经验划分。一般程序事故和简易程序事故最大的区别为死亡事故属于一般程序事故的统计范畴，而受伤或财产损失事故可能被划分至 2 个事故中的任意一种。其次，有许多较为轻微的剐、蹭事故，并未纳入至一般程序事故和简易程序事故，如远程事故，一般只有保险公司才有此类数据。因此，使用一般程序事故和简易事故进行宏观分析将遗漏大量轻微事故，从而造成严重的模型参数估计偏差21。在宏观层面的事故分析中，每个区域(如交通小区)的事故数据一定包含非负、离散 2 个特性，故许多研究人员采用线性回归或负二项式等广义线性模型进行建模。并且，安全数据在空间层面存在明显的空间自相关性，即越相邻的区域，事故特征会越相近。
11、因此，在进行宏观事故分析时，有必要考虑空间自相关，故本文拟采用带空间自回归误差项的空间自回归模型进行宏观事故建模。综合以上分析，为了更加深入地研究宏观层面下各影响因素的安全效应，本文在前人研究的基础上，拟采用深圳市 2019 年的警情事故数据，考虑空间相关性和城市道路交通环境，构建带空间自回归误差项的空间自回归模型(Spatial AutoregressiveModelwithSpatialAutoregressiveDisturbances，SAA)，以期为国内进行系统性宏观区域交通安全分析提供方法，为城市交通安全规划提供依据和理念支撑。1研究方法1.1最小二乘法基于古典线性回归模型的假设，
12、假设每个区域的交通事故数为 y，X 为解释变量，包括人口数量、就业岗位、学校数量、拥堵路段长度等，则可以构建最小二乘法如下y=X+(1)式中X 为 n k 数据矩阵，n 为矩阵的行数，矩阵中有 k 列解释变量，而 为 k 1 的系数向量，为扰动项。1.2空间自回归模型根据地理学第一定律:所有的事物都与其他事物相关联，且距离越近关联性越强24。这种空间依赖关系亦被称为“空间自相关”，表示为位置相近的区域具有相似的变量取值。最常见的空间自相关模型(Spatial Autoregression，SA)形式如下y=Wy+X+(2)式中W 为空间权重矩阵，为空间自回归系数，用以度量滞后 Wy 对 y 的
13、影响，即衡量空间依赖性。可以看出，当 等于0 时，SA 模型退化为最小二乘法。相比于最小二乘法，SA 模型最直观的区别就是相邻区域的被解释变量 y 相互依赖，SA 模型一般用最大似然法进行估计。空间依赖性除了体现在被解释变量上，还可能体现在误差项上。空间误差模型(Spatial ErrorsModel，SEM)，如式(3)所示。y=X+(3)式中误差项 的生成过程为=+(4)式中M 为空间权重矩阵，为相关系数。式(3)和(4)表明，未被纳入解释变量的遗漏变量之间存在空间相关性。当被解释变量 y 和误差项同时存在空间相关性时，可以构建带空间自回归误差项的空间自回归模型以适用这种情况，模型形式如式
14、(5)所示。7482023 年 3 月靳文舟，等:考虑空间相关性和交通环境影响的宏观事故建模Mar，2023y=Wy+X+(5)式中 与式(4)相同，空间权重矩阵 W 和 可以相等，可知，SA 模型和 SEM 模型是 SAA 模型的特例。1.3Moran 检验在建立空间自回归模型前，需要检验样本数据是否存在空间自相关性，最常用的检验方法为Moran 检验法。对于某个空间序列 xini=1(一般为被解释变量)，当空间权重矩阵被标准化时，Moran 指数 I 的计算公式为I=ni=1nj=1wij(xi x)(xj x)ni=1(xi x)2(6)wij为空间权重矩阵中的元素，Moran 指数 I
15、 的取值介于 1，1，正数表示正相关，负数表示负相关，指数为 0 表示无相关性，空间呈随机。Moran 检验一般是指全局检验。1.4空间权重矩阵在上述的空间自回归模型和 Moran 检验中均涉及到空间权重矩阵，空间权重矩阵是空间关系的一种度量。最常用的空间权重矩阵有 2 种，分别为相邻矩阵和反距离矩阵。假设 wij为空间权重矩阵 W中的(i，j)元素，则空间矩阵的元素公式为wij(相邻)=1有共同的边界0其他(7)wij(反距离)=1dij(8)wij(相邻)和 wij(反距离)分别表示相邻空间矩阵和反距离空间矩阵的元素，dij为区域 i 和区域 j 之间的地理距离，本文用质心之间的长度计算。
16、2数据准备使用一般程序事故/简易事故进行宏观分析将遗漏大量轻微事故，从而造成严重的模型参数估计偏差。相较而言，交警接出警记录的交通事故数量是最为全面的，故本文采用警情事故作为研究对象。基于深圳市交通局警察支队接出警系统，统计涵盖所有报过警的交通事故记录(见表 1)。提取 2019全年的事故警情，并与全市的交通小区进行空间连接，得到每个交通小区(892 个)的事故频数，见图 1。结合前人的研究成果和深圳的事故特征，选择交通小区的面积、人口数和岗位数为控制变量，工厂数量、交叉口数量、学校数量、电子警察数量、拥堵路段长度、主干道长度、次干道长度、主干道长度是否超过次干道长度为解释变量，事故数量为被解释变量。面积为交通小区的面积;工厂数量、学校数量均来源于高德地图 POI 数据;交通事故、信号控制交叉口和电子警察数量来源于深圳市交通警察支队;路网长度、人口、岗位数量来源深圳市城市交通规划研究中心。本文涉及的数据来源汇总说明见表 2，描述性统计见表 3。3实证分析3.1空间自相关检验在正式建立空间自相关模型前，需要对数据进行空间自相关检验，本文对被解释量“事故数量”开展 Moran 全局检验。为