常规公交站点设计模式与交通事故关系的实证研究

朱 彤,林子新,刘 杰,杜雨萌,皮钰鑫

(1. 长安大学 运输工程学院,陕西 西安 710064; 2. 陕西警官职业学院,陕西 西安 710072; 3. 深圳市城市规划设计研究院股份有限公司,广东 深圳 518052)

0 引 言

随着公交优先政策的推行,城市公交成为我国城市通勤交通的主要载体,常规公交是其主要部分[1]。2019年,我国城市常规公交总载客量为628.8亿人次,占公共交通总载客量的72.5%[2]。近年来,常规公交事故常常会引起了公众巨大的关注。公交车体大、载客率高,一旦公交车辆出现事故,其损失常高于其他交通方式,往往会带来严重的交通拥堵和乘客滞留。2019年,全国共发生涉及公共汽车的交通事故1 421起,造成394人死亡、1 680人受伤[2]。

公交站点是常规公交运行中的重要节点,进出站行为及与其他车辆交互行为均集中于公交站点。也是交通事故最常发的区域之一。学者们对公交站点模式及其差异性进行了分析。刘路等[3]提出了考虑全过程时间的港湾式公交站能力计算方法。相对而言,在交通安全影响方面研究较少,主要是基于交通冲突理论研究了公交站点安全性[4];CHEN Tiantian等[5]的研究表明,早晚高峰时段、小时交通流量、公共汽车占比与事故率正相关,平均车道宽度、设置公交优先车道与公交事故率负相关;GU Xujia等[6]对北京市114条公交线路进行了研究,发现公交路线长度与事故率相关。此外,研究还表明较窄的车道宽度会更容易导致事故[7]。公交站点密度与事故率呈正相关关系[5-6]。D.CHIMBA等[7]发现交通量、速度限制值、临街停车及车道数量的增加都会导致公交事故率增高;ZHANG Cheng等[8]发现公交站处的分行设置能减少乘客与非机动车的冲突。

上述研究主要分为两类,一类比较了站点模式的运行状况、通行能力乃至交通冲突的差异,但缺少站点模式与交通事故之间的实证研究;另一类对公交线路的事故率进行了研究,也未能关注公交站点的设计模式。

在分析模型方面,早期文献多使用广义线性模型(generalized linear models,GLM)。基于该模型,考虑到数据存在均值与方差不相等的情况,引入了负二项模型(negative binomial model,NB)[7]。该模型自变量和因变量之间系数是固定的,无法揭示空间异质性影响。为了探索影响关系的空间异质性,一部分研究引入了随机参数或随机效应[5-6];另一些研究则利用空间加权来揭示空间异质性,成果包括地理加权泊松回归(geographically weighted poisson regression,GWPR)、地理加权负二项回归(geographically weighted negative binomial regression,GWNBR)[9]等,且空间上的扩展模型已经成功应用于行人事故分析、机动车事故分析,青年驾驶员交通事故率分析等[9]。但尚未应用于公交事故研究。

综上所述,笔者以公交站点事故数为因变量,以站点模式为主要研究对象,同时纳入站点周边建成环境、道路交通设施条件等自变量,构建了地理加权负二项回归及对比模型,研究了常规公交事故的影响因素并揭示空间异质性特征。

1 常规公交事故特征

笔者采用2019—2020年期间某市44条线路1 176个站点的交通事故数据。由于部分站点数据不完整,经筛选后的数据集包括988站点,共1 056起事故,公交站点的事故分布情况如图1。公交站点处公交车与非机动车的混行与非混行模式见图2。交通要素通过2019—2020年的网络街景地图与现场勘察获取。交通设计微观特征的描述性统计见表1。

表1 交通设计要素描述性统计Table 1 Descriptive statistics of traffic design elements

图1 公交站点事故频率空间分布Fig. 1 Spatial distribution of accident frequency at bus stops

图2 混行与非混行模式Fig. 2 Mixed and non-mixed modes

除了事故频率变量外,笔者根据文献[5]、 文献[6] 、文献[9]将建成环境与交通设施特征纳入到自变量中。其中,包括中央商务区(central business district,CBD)距离[10]、距地铁距离[10]、停车场密度[7]等指标。宏观特征基础数据来源为网络地图API接口与Open Street Map平台,数据时间为2019—2020年。建成环境变量的描述性统计见表2。

表2 建成环境与交通设施宏观特征和事故频率的描述性统计Table 2 Descriptive statistics of built environment and macro characteristics of transportation facilities and accident frequency

2 模型构建

2.1 空间相关性分析

Moran’sI指数可以检验不同公交站点的事故率之间是否具有空间相关性,只有具备了空间相关性,才能构建空间模型进行进一步分析[11]。

Moran’sI指数的取值范围为:[-1,1],P值和Z值是统计显著性的量度,指示是否可以拒绝零假设,在空间相关性分析中,零假设为变量是随机分布的。Moran’sI指数不等于0表明变量在研究区域内具有空间相关性,否则变量属于随机分布,同时Moran’sI指数的P值小于0.05、Z值大于1.96,才能说明Moran’sI指数结果在0.05的置信水平下可靠。因此,如果公交站点事故率的Moran’sI指数不等于0、P值小于0.05且Z值大于1.96,就说明公交站点事故率具有空间相关性的结果在0.05的置信水平下可靠。Moran’sI指数与Z值的公式分别为:

(1)

(2)

式中:ZI为Moran’sI指数的Z值;EI为Moran’sI指数的期望;SI为Moran’sI指数的标准差;I为Moran’sI指数。

经计算,公交站点事故频率的Moran’sI指数为0.141 6,P值为0,Z值为6.291 4。Moran’sI结果说明了公交站点事故频率存在空间相关性,因此,构建空间模型处理空间相关性是必要的。

2.2 相关系数分析与变量筛选

皮尔逊相关系数(pearson correlation coefficient)和斯皮尔曼相关系数(spearman’s correlation coefficient)可以探索解释变量之间的相关性,前者适于连续变量相关性分析,后者适于离散变量相关性分析。对所选择的解释变量进行删减,可减小多重共线性对研究结果产生的影响。任何具有高于0.6的相关系数的一组变量都只能选择一个变量包括在模型中[12]。图3仅显示了连续变量间的皮尔逊相关系数。

图3 皮尔逊相关系数Fig. 3 Pearson correlation coefficients

经分析,发现一些解释变量彼此高度相关(相关系数大于0.6)。故剔除餐饮密度、商店密度和公交站点密度3个解释变量。对于离散变量则删除了公交车和社会机动车是否混行、有无中央分隔带、站点处是否有机非分隔带、公交车和非机动车在站点外是否混行、机非分隔带形式、公交车和非机动车分隔带形式、公交车和机动车分隔带形式7个解释变量。最终经过相关系数检验,将剩余的23个变量纳入到后续研究。

2.3 地理加权模型构建

地理加权负二项回归模型(GWNBR)是全局或非空间模型的扩展,可以解决全局或非空间模型认为变量影响在空间中是同质的问题,它允许参数bk和a的空间变化。GWNBR模型通过在每个公交站点建立局部回归模型,从而得到能随空间变化而变化的局部回归系数。文献[13]提出GWNBR的框架表示为[13]:

yi=tjexp[∑kβk(uj,vj)xjk),α(uj,vj)]

(3)

式中:(uj,vj)为第j个公交站点的坐标;tj为偏移变量;βk(uj,vj)为解释变量xjk的局部回归系数;α(uj,vj)为第j个公交站点的过度分数系数。

由A.S.FOTHERINGHAM等[14]提出的高斯分布,被用来分配权重(Wij)。高斯分布的函数形式为:

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

(4)

式中:dij为i和j公交车站之间(中心到中心)的欧氏距离;h为带宽。

选择分布进行建模的关键标准是过度分散系数(over dispersion coefficient),即需检验均值和方差是否相等。泊松模型假设均值必须等于方差,而NB分布模型能够建模具有过度分散的数据。所用的数据集的方差大于平均值(公交车事故碰撞频率的平均值为1.13,而方差为3.393)。因此,具有均值和方差相等的限制性假设的泊松模型不适用。

为了衡量估计的准确性,采用赤池信息准则(AIC)、校正赤池信息准则(AICC)、贝叶斯信息准则(BIC)、决定系数(R2)和均方根误差(ERMSE)来评价最佳拟合。AIC、AICC、BIC、ERMSE越低,模型的拟合效果越好。AIC、AICC、BIC可表示为:

AIC=-2L(β,α)+2k

(5)

(6)

BIC=-2L(β,α)+kln(n)

(7)

式中:k为参数的有效数;n为所观测的公交站点数量;L(β,α)为GWNBR的最大似然值的对数。

R2的取值范围是[0,1],R2值越靠近1表示模型拟合效果越好。R2和ERMSE可表示为:

(8)

(9)

3 结果分析

3.1 模型比较分析

将NB模型和GWNBR模型的回归结果进行对比,见表3。GWNBR模型的R2更接近于1,AIC、AICC、BIC和ERMSE均更小,其估计效果略优于NB模型。

表3 模型比较Table 3 Comparison of models

GWNBR模型残差的Moran’sI指数为0.149 5,P值为0.12,Z值为1.54。Moran’sI指数的P值大于0.05、Z值小于1.96,说明了残差是随机分布,GWNBR模型将空间效应纳入了分析。此外,模型R2值并不高,说明仍有一些影响因素未列入模型中。考虑到笔者以分析关键设计因素影响为目的,参照相关文献[10],可认为模型结果在可接受范围内。如后续研究以预测为目的,则需要考虑更多的因素。

3.2 影响要素分析

从表4中可以发现公交线路密度、距地铁距离、交叉口密度、距中央商务区距离、单向车道数、公交车站形式和公交车和非机动车在站点处是否混行共7个自变量的回归系数在90%置信区间上显著。此外,表4中GWNBR模型回归系数具有最小值,平均值和最大值,即模型回归系数随空间变化,即解释变量与公交站点事故数具有空间异质性关系。

表4 GWNBR模型参数Table 4 GWNBR model parameters

模型识别出了公交站点设计要素对事故数的影响。公交车站形式主要分为直接式和港湾式两种,研究数据中港湾式公交站点比例相对较少。研究结果表明,港湾式公交站点能减少公交车事故风险。港湾式公交站点具有独立的停车空间,能够明显减少公交车冲突,从而降低了公交车事故发生的可能性;研究数据显示,在超过一半(55.2%)的站点中,公交车与非机动车混合通行。与非混合交通相比,混合交通增加了事故可能性;单向车道数与公交车事故频率相关,随着车道的增加公交车事故减少。这与以往研究一致[7],车道数较少的道路往往混合交通现象更为突出,因此具有更多的交通事故。

图4进一步展示出公交站点事故频率的累计分布情况。由图4可发现,港湾式站点的事故频数主要集中于4次以下,无6次事故以上的站点;而直接式站点事故数最高可达12次。港湾式站点事故次数85%分位数约为2次,而直接式站点则接近3次。港湾站点安全性无论从均值或85%分位数以及最高值来看,均优于直接式站点。混行站点与非混行站点相比,事故最多的站点其事故数较为接近。但在低频分布情况中,非混行站点较多而混行站点较少。

图4 公交站点事故频率的累计分布Fig. 4 Cumulative distribution of accident frequency at bus stops

距地铁站点越近事故率越高。地铁站点接近则带来更为集中的人流。中央商务区是指有着主要商务活动的区域,事故频率会随着公交站点和中央商务区距离的增加而减少。上述二者所表达的含义基本一致,就是人口密集和商务活动较多的地区,则公交事故率增加。这也说明行人交通管理需要进一步加强。

交叉口密度增加会使事故率增加。以往研究发现交叉口密度的增加导致交通事故的增加,交通事故的数量随着交叉口数量的增加而增加,相关研究从全部交通事故、车辆与车辆的交通事故、伤害事故和非机动交通事故碰撞[15]的角度验证了上述结论,笔者从公交车的角度再次验证了上述结论。线路密度增加、站点密度增加会增加事故发生率,也与前人研究基本一致[5-6]。之前的学者们就发现了公交站点密度与公交事故率呈正相关关系,他们认为公交车在公交站点附近经常有加减速和换道等行动,以便于更好地进站和离站,高密度的公交站点则会导致这类行动增多,也会使公交车与其他物体的冲突变得复杂。

3.3 异质性分析

GWNBR模型结果能体现显著解释变量的回归系数空间变化,即图5展示了0.1显著水平下解释变量在空间上的异质性效果。以其中部分变量为例,如图5(a),自变量的负向影响在西部偏大而东部较小;图5(b)中自变量对公交事故数的负向影响在东北方向偏高而西南方向偏低。这可能是因为那些区域公交站点周边交通管理设施更为缺乏,把这些公交站点的形式由直接式改造成港湾式,就能减少高速车辆产生的冲突,从而对公交事故产生更好的抑制作用;而图5(c)中分行模式对事故数的影响在交通量较大的城市南部更大,上述区域应率先考虑采用机动车与非机动车分行的模式。

图5 GWNBR模型的系数的空间分布Fig. 5 Spatial distribution of coefficients of GWNBR model

4 结 论

以往文献缺少公交站点模式与公交车事故关系的实证研究,因此对于站点模式在实际交通运行中究竟能在多大程度上影响事故数,尚无明确的结论。笔者基于常规公交车事故数据,探讨了设计模式对公交车事故数的影响。在构建模型时,同时考虑的影响因素还涵盖了建成环境特征、交通设施特征。主要的研究结论包括:

1)常规公交站点事故率具有空间相关性,有必要构建空间模型进行分析。在此基础上构建了NB模型和GWNBR模型,模型结果表明GWNBR模型表现优于NB模型,该模型也能够揭示出公交站点事故频率与解释变量之间关系的空间异质性。

2)公交站点模式等7项自变量会显著影响公交站点事故率。港湾式公交站点模式能减少公交事故风险;与非混行站点模式相比,混行站点模式增加了事故的可能性,且该变量对公交站点事故频率的影响程度与站点的空间位置相关;车道数与公交站点事故频率相关,随着车道的增加公交站点事故数减少;此外,距地铁站点、中央商务区越近公交站点事故率越高;交叉口密度增加会使公交站点事故率增加;线路密度增加、站点密度增加会增加公交站点事故发生率。

3)研究结果也可为公交站点设置提供实证证据。在设置常规公交车站时,应关注公交站的设计模式,在条件允许的情况下,应尽量设置为港湾式公交站、非混行模式公交站模式,以提高公交运行安全性。尤其是在临近地铁站点和中央商务区的区域。此外,在设置港湾公交站时宜优先考虑影响系数较大的区域。

4)研究仍有一些不足之处,模型采用的要素大都为静态要素,由于数据获取的原因,对于速度、流量等动态要素考虑较少,未来的研究应多纳入动态要素进行研究。此外,在后续研究中,可以根据文中研究结果的指向性,进一步挖掘设施容积率、设计参数等更细节因素对于事故的影响。