常規公交站點設計模式與交通事故關系的實證研究

朱 彤,林子新,劉 杰,杜雨萌,皮鈺鑫

(1. 長安大學 運輸工程學院,陜西 西安 710064; 2. 陜西警官職業學院,陜西 西安 710072; 3. 深圳市城市規劃設計研究院股份有限公司,廣東 深圳 518052)

0 引 言

隨著公交優先政策的推行,城市公交成為我國城市通勤交通的主要載體,常規公交是其主要部分[1]。2019年,我國城市常規公交總載客量為628.8億人次,占公共交通總載客量的72.5%[2]。近年來,常規公交事故常常會引起了公眾巨大的關注。公交車體大、載客率高,一旦公交車輛出現事故,其損失常高于其他交通方式,往往會帶來嚴重的交通擁堵和乘客滯留。2019年,全國共發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]。

公交站點是常規公交運行中的重要節點,進出站行為及與其他車輛交互行為均集中于公交站點。也是交通事故最常發的區域之一。學者們對公交站點模式及其差異性進行了分析。劉路等[3]提出了考慮全過程時間的港灣式公交站能力計算方法。相對而言,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安全性[4];CHEN Tiantian等[5]的研究表明,早晚高峰時段、小時交通流量、公共汽車占比與事故率正相關,平均車道寬度、設置公交優先車道與公交事故率負相關;GU Xujia等[6]對北京市114條公交線路進行了研究,發現公交路線長度與事故率相關。此外,研究還表明較窄的車道寬度會更容易導致事故[7]。公交站點密度與事故率呈正相關關系[5-6]。D.CHIMBA等[7]發現交通量、速度限制值、臨街停車及車道數量的增加都會導致公交事故率增高;ZHANG Cheng等[8]發現公交站處的分行設置能減少乘客與非機動車的沖突。

上述研究主要分為兩類,一類比較了站點模式的運行狀況、通行能力乃至交通沖突的差異,但缺少站點模式與交通事故之間的實證研究;另一類對公交線路的事故率進行了研究,也未能關注公交站點的設計模式。

在分析模型方面,早期文獻多使用廣義線性模型(generalized linear models,GLM)?；谠撃Ｐ?考慮到數據存在均值與方差不相等的情況,引入了負二項模型(negative binomial model,NB)[7]。該模型自變量和因變量之間系數是固定的,無法揭示空間異質性影響。為了探索影響關系的空間異質性,一部分研究引入了隨機參數或隨機效應[5-6];另一些研究則利用空間加權來揭示空間異質性,成果包括地理加權泊松回歸(geographically weighted poisson regression,GWPR)、地理加權負二項回歸(geographically weighted negative binomial regression,GWNBR)[9]等,且空間上的擴展模型已經成功應用于行人事故分析、機動車事故分析,青年駕駛員交通事故率分析等[9]。但尚未應用于公交事故研究。

綜上所述,筆者以公交站點事故數為因變量,以站點模式為主要研究對象,同時納入站點周邊建成環境、道路交通設施條件等自變量,構建了地理加權負二項回歸及對比模型,研究了常規公交事故的影響因素并揭示空間異質性特征。

1 常規公交事故特征

筆者采用2019—2020年期間某市44條線路1 176個站點的交通事故數據。由于部分站點數據不完整,經篩選后的數據集包括988站點,共1 056起事故,公交站點的事故分布情況如圖1。公交站點處公交車與非機動車的混行與非混行模式見圖2。交通要素通過2019—2020年的網絡街景地圖與現場勘察獲取。交通設計微觀特征的描述性統計見表1。

表1 交通設計要素描述性統計Table 1 Descriptive statistics of traffic design elements

圖1 公交站點事故頻率空間分布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,筆者根據文獻[5]、 文獻[6] 、文獻[9]將建成環境與交通設施特征納入到自變量中。其中,包括中央商務區(central business district,CBD)距離[10]、距地鐵距離[10]、停車場密度[7]等指標。宏觀特征基礎數據來源為網絡地圖API接口與Open Street Map平臺,數據時間為2019—2020年。建成環境變量的描述性統計見表2。

表2 建成環境與交通設施宏觀特征和事故頻率的描述性統計Table 2 Descriptive statistics of built environment and macro characteristics of transportation facilities and accident frequency

2 模型構建

2.1 空間相關性分析

Moran’sI指數可以檢驗不同公交站點的事故率之間是否具有空間相關性,只有具備了空間相關性,才能構建空間模型進行進一步分析[11]。

Moran’sI指數的取值范圍為:[-1,1],P值和Z值是統計顯著性的量度,指示是否可以拒絕零假設,在空間相關性分析中,零假設為變量是隨機分布的。Moran’sI指數不等于0表明變量在研究區域內具有空間相關性,否則變量屬于隨機分布,同時Moran’sI指數的P值小于0.05、Z值大于1.96,才能說明Moran’sI指數結果在0.05的置信水平下可靠。因此,如果公交站點事故率的Moran’sI指數不等于0、P值小于0.05且Z值大于1.96,就說明公交站點事故率具有空間相關性的結果在0.05的置信水平下可靠。Moran’sI指數與Z值的公式分別為:

(1)

(2)

式中:ZI為Moran’sI指數的Z值;EI為Moran’sI指數的期望;SI為Moran’sI指數的標準差;I為Moran’sI指數。

經計算,公交站點事故頻率的Moran’sI指數為0.141 6,P值為0,Z值為6.291 4。Moran’sI結果說明了公交站點事故頻率存在空間相關性,因此,構建空間模型處理空間相關性是必要的。

2.2 相關系數分析與變量篩選

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

圖3 皮爾遜相關系數Fig. 3 Pearson correlation coefficients

經分析,發現一些解釋變量彼此高度相關(相關系數大于0.6)。故剔除餐飲密度、商店密度和公交站點密度3個解釋變量。對于離散變量則刪除了公交車和社會機動車是否混行、有無中央分隔帶、站點處是否有機非分隔帶、公交車和非機動車在站點外是否混行、機非分隔帶形式、公交車和非機動車分隔帶形式、公交車和機動車分隔帶形式7個解釋變量。最終經過相關系數檢驗,將剩余的23個變量納入到后續研究。

2.3 地理加權模型構建

地理加權負二項回歸模型(GWNBR)是全局或非空間模型的擴展,可以解決全局或非空間模型認為變量影響在空間中是同質的問題,它允許參數bk和a的空間變化。GWNBR模型通過在每個公交站點建立局部回歸模型,從而得到能隨空間變化而變化的局部回歸系數。文獻[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個公交站點的坐標;tj為偏移變量;βk(uj,vj)為解釋變量xjk的局部回歸系數;α(uj,vj)為第j個公交站點的過度分數系數。

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

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。

選擇分布進行建模的關鍵標準是過度分散系數(over dispersion coefficient),即需檢驗均值和方差是否相等。泊松模型假設均值必須等于方差,而NB分布模型能夠建模具有過度分散的數據。所用的數據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的泊松模型不適用。

為了衡量估計的準確性,采用赤池信息準則(AIC)、校正赤池信息準則(AICC)、貝葉斯信息準則(BIC)、決定系數(R2)和均方根誤差(ERMSE)來評價最佳擬合。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為參數的有效數;n為所觀測的公交站點數量;L(β,α)為GWNBR的最大似然值的對數。

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 結果分析

3.1 模型比較分析

將NB模型和GWNBR模型的回歸結果進行對比,見表3。GWNBR模型的R2更接近于1,AIC、AICC、BIC和ERMSE均更小,其估計效果略優于NB模型。

表3 模型比較Table 3 Comparison of models

GWNBR模型殘差的Moran’sI指數為0.149 5,P值為0.12,Z值為1.54。Moran’sI指數的P值大于0.05、Z值小于1.96,說明了殘差是隨機分布,GWNBR模型將空間效應納入了分析。此外,模型R2值并不高,說明仍有一些影響因素未列入模型中?？紤]到筆者以分析關鍵設計因素影響為目的,參照相關文獻[10],可認為模型結果在可接受范圍內。如后續研究以預測為目的,則需要考慮更多的因素。

3.2 影響要素分析

從表4中可以發現公交線路密度、距地鐵距離、交叉口密度、距中央商務區距離、單向車道數、公交車站形式和公交車和非機動車在站點處是否混行共7個自變量的回歸系數在90%置信區間上顯著。此外,表4中GWNBR模型回歸系數具有最小值,平均值和最大值,即模型回歸系數隨空間變化,即解釋變量與公交站點事故數具有空間異質性關系。

表4 GWNBR模型參數Table 4 GWNBR model parameters

模型識別出了公交站點設計要素對事故數的影響。公交車站形式主要分為直接式和港灣式兩種,研究數據中港灣式公交站點比例相對較少。研究結果表明,港灣式公交站點能減少公交車事故風險。港灣式公交站點具有獨立的停車空間,能夠明顯減少公交車沖突,從而降低了公交車事故發生的可能性;研究數據顯示,在超過一半(55.2%)的站點中,公交車與非機動車混合通行。與非混合交通相比,混合交通增加了事故可能性;單向車道數與公交車事故頻率相關,隨著車道的增加公交車事故減少。這與以往研究一致[7],車道數較少的道路往往混合交通現象更為突出,因此具有更多的交通事故。

圖4進一步展示出公交站點事故頻率的累計分布情況。由圖4可發現,港灣式站點的事故頻數主要集中于4次以下,無6次事故以上的站點;而直接式站點事故數最高可達12次。港灣式站點事故次數85%分位數約為2次,而直接式站點則接近3次。港灣站點安全性無論從均值或85%分位數以及最高值來看,均優于直接式站點?；煨姓军c與非混行站點相比,事故最多的站點其事故數較為接近。但在低頻分布情況中,非混行站點較多而混行站點較少。

圖4 公交站點事故頻率的累計分布Fig. 4 Cumulative distribution of accident frequency at bus stops

距地鐵站點越近事故率越高。地鐵站點接近則帶來更為集中的人流。中央商務區是指有著主要商務活動的區域,事故頻率會隨著公交站點和中央商務區距離的增加而減少。上述二者所表達的含義基本一致,就是人口密集和商務活動較多的地區,則公交事故率增加。這也說明行人交通管理需要進一步加強。

交叉口密度增加會使事故率增加。以往研究發現交叉口密度的增加導致交通事故的增加,交通事故的數量隨著交叉口數量的增加而增加,相關研究從全部交通事故、車輛與車輛的交通事故、傷害事故和非機動交通事故碰撞[15]的角度驗證了上述結論,筆者從公交車的角度再次驗證了上述結論。線路密度增加、站點密度增加會增加事故發生率,也與前人研究基本一致[5-6]。之前的學者們就發現了公交站點密度與公交事故率呈正相關關系,他們認為公交車在公交站點附近經常有加減速和換道等行動,以便于更好地進站和離站,高密度的公交站點則會導致這類行動增多,也會使公交車與其他物體的沖突變得復雜。

3.3 異質性分析

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

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

4 結 論

以往文獻缺少公交站點模式與公交車事故關系的實證研究,因此對于站點模式在實際交通運行中究竟能在多大程度上影響事故數,尚無明確的結論。筆者基于常規公交車事故數據,探討了設計模式對公交車事故數的影響。在構建模型時,同時考慮的影響因素還涵蓋了建成環境特征、交通設施特征。主要的研究結論包括:

1)常規公交站點事故率具有空間相關性,有必要構建空間模型進行分析。在此基礎上構建了NB模型和GWNBR模型,模型結果表明GWNBR模型表現優于NB模型,該模型也能夠揭示出公交站點事故頻率與解釋變量之間關系的空間異質性。

2)公交站點模式等7項自變量會顯著影響公交站點事故率。港灣式公交站點模式能減少公交事故風險;與非混行站點模式相比,混行站點模式增加了事故的可能性,且該變量對公交站點事故頻率的影響程度與站點的空間位置相關;車道數與公交站點事故頻率相關,隨著車道的增加公交站點事故數減少;此外,距地鐵站點、中央商務區越近公交站點事故率越高;交叉口密度增加會使公交站點事故率增加;線路密度增加、站點密度增加會增加公交站點事故發生率。

3)研究結果也可為公交站點設置提供實證證據。在設置常規公交車站時,應關注公交站的設計模式,在條件允許的情況下,應盡量設置為港灣式公交站、非混行模式公交站模式,以提高公交運行安全性。尤其是在臨近地鐵站點和中央商務區的區域。此外,在設置港灣公交站時宜優先考慮影響系數較大的區域。

4)研究仍有一些不足之處,模型采用的要素大都為靜態要素,由于數據獲取的原因,對于速度、流量等動態要素考慮較少,未來的研究應多納入動態要素進行研究。此外,在后續研究中,可以根據文中研究結果的指向性,進一步挖掘設施容積率、設計參數等更細節因素對于事故的影響。