黄合来，程逸旻，邓奇春，赵海深

(1.中南大学 交通运输工程学院，湖南 长沙 410075；2.湖南省交通科学研究院，湖南 长沙 410015；3.湖南省公安厅 交通管理局，湖南 长沙 410100)

长株潭城市群区域公路网事故频率研究

黄合来1，程逸旻1，邓奇春2，赵海深3

(1.中南大学 交通运输工程学院，湖南 长沙 410075；2.湖南省交通科学研究院，湖南 长沙 410015；3.湖南省公安厅 交通管理局，湖南 长沙 410100)

摘要:交通事故发生率是体现道路安全水平的重要指标之一。按行政区划将长株潭城市群划分为23个区域，利用区域事故频率预测方法中条件自回归(CAR)模型，关联区域交通事故频率与相应人-车-路系统中的各种风险因素，挖掘长株潭城市群区域路网事故频率的主要影响因素，并提供相应改善建议。

关键词：城市群；事故频率；CAR模型

交通作为长株潭建设“两型社会”的核心级引擎，近年来发展迅猛，但薄弱的安全设施供给和滞后的安全管理理念严重制约道路安全水平的提高。为更好地服务长株潭城市群经济的发展，推进 “两型社会”试验区建设，建立一套符合长株潭区域公路网实际情况的安全评价体系和改善方法具有重要的理论意义和实用价值[1]。

交通事故发生率是体现道路安全水平的重要指标之一[2]。传统交通安全研究中，事故预测模型是最为核心的微观分析工具，事故频率预测可以关联交通事故发生频率与人-车-路-环境系统中的各种风险因素，同时还能预测在各因素不同取值和组合条件下的事故发生期望频率，从而获得降低事故发生概率的改善措施。随着近年来欧美等发达国家对宏观交通安全水平的重视，区域事故预测模型逐渐成为研究热点。就统计方法而言，传统事故预测模型，如常用的泊松-对数正态模型[3-4]和泊松-伽马模型(又称为负二项模型)[5-6]假定事故的分布在空间上不相关。然而安全数据具有复杂的空间分布，对空间特征的忽略将大大影响安全水平估计的准确性和鲁棒性。本文考虑到长株潭城市群各区域之间空间相关性，引入条件自回归项反映相邻单元间可能的空间关联，利用条件自回归模型(conditionallyautoregressive，CAR)[7]预测长株潭城市群事故频率期望值。

随着对安全水平空间关联重要性的逐渐认识，欧美等发达国家已经做了大量定量研究来分析不同规划层面的影响因素与交通安全水平的关联。其空间分析单元包括州、县、行政区划、交通分析小区(TAZ)、人口普查区划、地理网络区域等。已有研究主要从道路网络特征(公路里程、道路密度、交叉口密度)、交通流特征(限速、平均行驶速度、交通流量)、天气特征(降雨量、降雪量、年降雨天数)、土地利用特征(商业区、住宅区、城郊区)、以及各种经济社会人口特征(人口、年龄结构、就业、收入、医疗服务水平等)等几个方面进行分析。

1研究对象及初步分析

1.1研究对象

城市群公路网交通安全受到了诸如社会经济发展、周边土地利用、道路网络结构、交通设施布局、道路几何设计、道路交通流量和交通政策法规等宏、微观因素的影响。根据这些因素的变化可以更为准确地了解当前道路交通安全水平及预测未来年份的变化趋势。因此首先要对长株潭城市群进行区域划分并对事故数据初步统计分析，为后续研究奠定基础。

区域层面事故预测可按照功能区域、行政管辖区域、一定尺度的规则栅格三种划分方式分别进行建模分析。本文基于“长株潭”城市群公路网运营现状和相关数据信息完整度，按照行政管辖区域进行区域划分，总共划分为23个区域，具体分区见表1，区域划分图如图1所示。

表1　区域划分表

图1　研究区域划分Fig.1 Research area division

1.2初步统计分析

从交管部门收集到长沙、株洲以及湘潭3市2010初至2013年底共4年的一般交通事故和简易交通事故数据。交管部门将只造成轻微伤或无伤害的事故定义为简易事故，其他为一般事故。数据表包含事故编号、事故发生时间等30个事故属性信息。

分析一般交通事故受伤人数、死亡人数和事故起数属性，可以得到长株潭城市群一般事故数据的总体情况，如图2所示。由事故总体情况图可知，4年12 521起一般交通事故中造成17 013人受伤、3 451人死亡，3项指标的变化趋势相对平稳，没有明显波动。但是考虑到近些年长株潭地区机动车数目的快速增长，相对平稳的总体安全趋势能体现出相关部门的交通安全管理工作卓有成效，但依旧有较大提升空间。

图2　一般交通事故总体指标及趋势Fig.2 General overall index trend chart of common traffic accidents

2区域事故频率预测建模与分析

2.1相关数据收集

采用长株潭城市群23个划分区域2010至2012总共4年的事故数据，以及各区域道路特征数据和相关社会-经济-人口数据。事故数据来源于湖南省交管部门，道路特征数据来源于“长株潭”城市群GIS地图统计结果，社会-经济-人口数据则来源于《湖南省统计年鉴》。基于对上述数据的进一步处理，得到区域层面的变量如下：

1)事故数据：一般交通事故起数，简易交通事故起数，事故死伤人数，事故直接财产经济损失；2)道路特征数据：道路总里程数，高速道路里程数，按行政等级(国道/省道/县道/乡镇村道)分类的道路里程数；3)社会-经济-人口数据：区域面积，国内生产总值(GDP，grossdomesticproduct)，按产业类型(第一/第二/第三/工业)经济生产总值，常住人口数，按性别(男性/女性)分类人口数，按城乡户口(城镇/农村)分类人口数，就业状况(就业人口数)。2.2事故数据预处理

为了更好地反映各种因素对事故风险的影响，上述采集的裸数据必须经过进一步的处理和标准化。道路特征数据方面，用道路总里程数与区域面积的比值，经过标准化，得到路网密度变量。同样的方法可以得到高速密度、国道密度、省道密度、县道密度以及乡镇村道密度变量。社会-经济-人口数据方面，用常住人口数与区域面积的比值作为人口密度变量。用GDP除以常住人口数，可得到人均GDP变量。用工业生产总值与GDP的比值，即工业比例作为新变量，同理可以得到第一产业比例、第二产业比例和第三产业比例。用女性人口数与常住人口数的比值可以得到女性比例变量。用城镇人口数与常住人口数的比值则可以得到城镇化率变量。用就业人口数除以常住人口数可以得到就业率变量。

定义一般事故起数、简易事故起数为模型的响应变量，将常住人口总数作为事故机会变量[8]，其余变量则作为风险变量。上述变量的统计性描述见表2。

表2　区域事故频率变量统计描述

2.3模型选择与建立

空间相关广泛地存在于相邻的空间分析单元中，对影响事故频率因素的参数估计的准确度有显著影响。贝叶斯空间模型能有效拟合空间相关特征。本项目拟在传统事故预测模型(泊松对数正态回归模型)的基础上，引入条件自回归项反映相邻单元间可能的空间关联。条件自回归模型，形式如下：

Yit|λit～Poisson(λit)

(1)

(2)

θi～normal (0,1/τh)

且

(3)

α=sd(φ)/sd(θ)+sd(φ)

(4)

对于区域空间邻接矩阵ω的权重，主要有如下4种形式：

1)0-1权重。若第i个单元与第j个单元共享边界，则ωij=1，否则为0；

2)基于共享边界长度的权重。若第i个单元与第j个单元的共享边界长度为lij，则ωij=lij，若无共享边界，则ωij=0。为避免数据冗余，可对邻接矩阵ω进行行标准化处理；

3)基于几何质心距离的权重。根据地理学第一定律，两个对象之间的关系是其距离的函数，且空间作用关系随着距离的增加而减弱。以往研究表明，单元之间空间关系的强度随着距离的减弱程度要强于线性比例关系，因此经常采用质心距离平方的倒数作为权重。

(5)

其中：dij—第i个单元与第j个单元的几何质心之间的距离。

4)基于事故权重质心距离的权重。基于分析单元内事故点的空间分布位置可得到该单元内事故的权重质心。相比(3)，该方法综合考虑了事故空间聚集特征。

(6)

式中：dij为第i个单元与第j个单元的事故权重质心之间的距离。

本研究采用第一种邻接矩阵权重形式[9]。

2.4区域事故频率安全分析

1)事故说明

图2表明“长株潭”各分区2010至2013年死亡人数地理分布特征。这4年，“长株潭”城市群23个分区共发生交通事故123 024起，其中一般事故9 793起、简易事故113 231起，死亡1 729人。一般事故起数最低为韶山市41起、最高为浏阳市829起；简易事故起数最低为湘乡市212起、最高为醴陵县12 146起；死亡人数最低为炎陵县14人，最高为浏阳市175人。一般事故起数、简易事故起数、死亡人数的标准差分别为261.41，3 006.85及47.40，可知简易事故起数的变化范围较大 ，死亡人数变化范围较小。

图2　长株潭地区2010-2013交通事故死亡人数地理分布Fig.2 Changsha-Zhuzhou-Xiangtan area road deaths geographical distribution during 2010-2013

2)模型运行

用WinBUGS软件对“长株潭”进行事故频次的预测，经过六十万次的迭代，最终得到比较稳定的参数估计，各变量参数估计结果如表3所示。

3)变量分析

表3和表4分别为一般事故、简易事故CAR模型WinBUGS运行参数估计结果，数值为95%统计显著。结果表明一般事故有人口、女性人口比例、常系数三个变量显著，即三个因素显著影响事故的发生。简易事故则有人口、县道密度、女性人口比例、就业率、常系数五个变量显著，即上述五个因素显著影响事故的发生。

人口作为机会变量在一般、简易事故模型中都与事故起数显著正相关，这说明人口的增长会导致交通事故显著增加。这一点不难解释，更多的人意味着更多的交通需求，显著增加的交通需求导致更多的交通产生，从而增加交通事故产生的可能性。

女性人口比例在一般事故模型中为显著正相关，相对于男性驾驶员，女性驾驶员驾驶技能、紧急情况下的应变能力处于劣势，所以更容易产生一般事故。而在简易事故模型中，女性人口比例成显著负相关，这可能与女性性格更为温和，开车更为谨慎有关，男性普遍易冲动，容易引发刮擦等简易事故。相关管理部门可以有针对性地加强女性驾驶员的驾驶技能和应变能力。

县道密度在简易事故模型中与事故起数显著正相关。“长株潭”城市群的县道密度相较于其他行政等级道路较高，与居民的出行也息息相关。县道的技术等级要求不高，交通设施的维护、交通运行的管理相对来说滞后，为交通事故的产生埋下严重隐患。

就业率与简易事故起数显著负相关。就业率高的地区一般经济条件都较好，人口素质相对较高，而且出行行为相对较为规律。在这些区域，，交管部门业务素质、技术水平、和管理重视程度往往也较高一些，带来了相对较低的事故发生率。

表3　一般事故参数估计结果

表4　简易事故参数估计结果

3结论

1)长株潭城市群公路网总体交通安全形势良好，无论是一般事故数、简易事故数还是死亡人数都处在较为平稳状态，说明交管部门的安全保障工作是有效的，但是仍然有优化空间。

2)长株潭23个分区事故数和部分道路特征、经济社会人口数据标准差较大，即23个分区有明显差异。事故频率研究部分采用条件自回归(CAR)模型，得到显著影响一般交通事故发生的人口、女性人口比例因素和显著影响简易交通事故发生的人口、女性人口比例、县道密度、就业率因素。

3)相关部门应当加强女性驾驶员的驾驶管理与技能培训，在合理范围内减缓新建县道的建造速度，并对服役时间较长、条件较差的县道予以合理改建，淘汰部分不符合交通发展需求的县道，同时多部门配合提升当地就业率，这些措施都能够直接、间接降低事故发生的频率。

参考文献：

[1] 汪海,蒋涤非. 构建长株潭数字城市群的理论分析与实施建议[J].铁道科学与工程学报, 2012,9(2)：110-114.

WANGHai，JIANGDifei.TheoreticalanalysisandproposalsfortheconstructionofChang-Zhu-Tandigitalurbanagglomeration[J].JournalofRailwayScienceandEngineering, 2012,9(2):110-114.

[2] 张晴, 赵晶心,董德存.交通事故管理智能决策支持系统设计初探[J].铁道科学与工程学报, 2008,5(3)：83-88.

ZHANGQing,ZHAOJingxin,DONGDecun.Designofintelligentdecisionsupportsystemtotrafficincidentmanagement[J].JournalofRailwayScienceAndEngineering, 2008,5(3)：83-88.

[3]ParkES,LordD,MultivariatePoisson-lognormalmodelsforjointlymodelingcrashfrequencybyseverity[J].TransportationResearchRecord, 2019, 1-6.

[4]MaJ,KockelmanKM,DamienP.AmultivariatePoisson-lognormalregressionmodelforpredictionofcrashescountsbyseverityusingBayesianmethods[J].AccidentAnalysisandPrevention, , 2008(40):964-975.

[5]MiaouSP.Therelationshipbetweentruckaccidentandgeometricdesignofroadsection:Poissonversusnegativebinomialregression[J].AccidentAnalysisandPrevention, 1994(26):471-482.

[6]HaqueMM,ChinHC,HuangH.Applyingbayesianhierarchicalmodelstoexaminemotorcyclecrashesatsignalizedintersections[J].AccidentAnalysisandPrevention, 2010(42):203-212.

[7]QuddusMA．Mldelingarea-widecountoutcomeswithspatialcorrelationandheterogeneity：AnanalysisofLondoncrashdata[J]．AccidentAnalysisandPrevention，2004(36)：1019-1028．

[8]HuangHL，Abdel-ATYM，DatwicheAL．County-levelcrashriskanalysisinflorida:bayesianspatialmodeling[J]．TransportationResearchBoard，2010(2148)：27-37．

[9] 黄合来，邓雪，许鹏鹏．考虑空间自相关的贝叶斯事故预测模型[J]．同济大学学报(自然科学版)，2013，41(9)：1378-1383．

HUANGHelai,DENGXue,XUPengpeng.Consideringspatialautocorrelationofbayesianaccidentpredictionmodel[J].JournalofTongjiUniversity(naturalscienceedition), 2013，41(9)：1378-1383．

Traffic accident frequency research of road networkin Changsha-Zhuzhou-Xiangtan urban agglomeration

HUANG Helai1, CHENG Yimin1, DENG Qichun2, ZHAO Haisheng3

(1.SchoolofTrafficandTransportationEngineering,CentralSouthUniversity,Changsha410075,China;2.HunanCommunicationsResearchInstitute,Changsha410015，China;3.TrafficPoliceBureauHunanDepartmentofPublicSecurityManagement,Changsha410100,China)

Abstract:Traffic accident frequency is one of the important indices of road safety level. This paper firstly divided Changsha-Zhuzhou-Xiangtan Urban Agglomeration into 23 areas according to administrative divisions, then made use of the Condition autoregressive (CAR) model, which was among regional accident prediction methods, to relate the accident frequency to the corresponding various risk factors in driver-car-road system. Finally, the main influencing factors were identified and the corresponding improvement suggestions were made.

Key words:urban agglomeration; traffic accident frequency; CAR model

收稿日期：2015-10-21

基金项目：国家自然科学基金资助项目(71371192)；西部交通建设科技项目(20113187851460)

通讯作者：黄合来(1979-)，男，湖南湘潭人，教授，从事交通安全、交通规划和智能交通系统研究；E-mail：huanghelai@csu.edu.cn

中图分类号：U491.1

文献标志码：A

文章编号：1672-7029(2016)05-0994-06