建成環境對城市交通事故嚴重程度影響研究

陳 堅,邱智宣,彭 濤,劉柯良,傅志妍,庹永恒

(1. 重慶交通大學 交通運輸學院,重慶 400074;2. 重慶第二師范學院 經濟與工商管理學院,重慶 400067; 3. 重慶市公安局 大渡口區分局交巡警支隊,重慶 400084)

隨著城鎮化的快速推進,城市機動車保有量迅猛增長,交通安全問題也日益突出。近年來,我國道路交通死亡人數長期居于世界首位,每年有6萬人以上死于道路交通事故,直接財產損失達13億元,交通安全形勢依然嚴峻。因此,從多維視角解析交通事故十分必要。

國內外學者圍繞交通安全進行了系統研究。已有研究從事故構成要素入手,將人、車、路及自然環境等方面與事故的關系進行分析。董傲然等[1]從人、車、路和自然環境這4個方面出發,構建了機動車與行人事故嚴重程度的分析模型;S.KUMAR等[2]考慮了受傷者的性別與年齡、照明條件、道路情況等11個因素,對印度車輛交通事故嚴重程度進行了對比分析。也有學者從區域視角出發,探索區域人口經濟、土地利用特征及區域路網特征等因素與交通安全之間的關系。王雪松等[3]選擇了區域人口特征、道路及交通特性、路網形態特征等指標對交通安全進行分析,結果發現路網形態和交通安全顯著相關;P.NAJAF等[4]基于年齡、人口、人均收入等測度,分析了城市形態特征與交通安全的關系;潘義勇等[5]考慮了公園、醫院等建成環境因素,探索了老年人因事故造成傷害嚴重程度的影響因素。

現有研究僅考慮了部分建成環境因素對事故的影響,如道路特征[3]、人口密度[4]、土地利用情況[6]等。尚缺少對建成環境因素系統的考慮及與其它因素的對比,導致難以從城市規劃本源出發,來規避交通事故的發生。筆者基于重慶市某區交通事故信息,運用機器學習方法,探究建成環境對交通事故嚴重程度的非線性關系,得到了變量的重要度。

1 建成環境

1.1 研究單元劃分

空間數據分析結果會隨著面積單元定義的不同而發生變化,其影響主要體現在尺度效應與劃區效應兩個方面,因此適宜的空間尺度對空間數據分析及結果獲取十分重要。楊文越等[7]對比分析了多尺度建成環境對居民通勤出行的狀況,發現不同尺度建成環境的顯著性為:社區尺度>社區邊界1 km緩沖范圍尺度>街道尺度。由于文中研究的對象為事故點,社區尺度相對狹窄,故筆者選取事故點1 km緩沖區作為建成環境的研究單元。

1.2 建成環境指標選取

與自然環境不同,建成環境是土地利用、城市設計及交通系統等一系列相關要素的集合。建成環境的定量測度一直是城市規劃學的研究熱點,從20世紀80年代開始建成環境的內涵不斷被豐富。R.EWING等[8]將建成環境歸結為“3D”維度,包括密度、多樣性和設計,而后在“3D”維度基礎上增加了目的地可達性和到站點距離,形成“5D”維度[9]。

筆者所指的建成環境測度指標是在“5D”維度基礎上,對建成環境要素進行重構,甄選人口密度、土地利用混合度、路網密度、距市中心距離、公交站點密度等11個變量用于度量建成環境的密度、多樣性、交通設計、可達性及公共交通鄰近度5個維度。建成環境變量描述見表1,其中密度為點密度,通過計算POI點個數與研究區域面積之比得到;多樣性通過土地利用混合度表征[10],計算如式(1);交通設計涵蓋交叉口密度與路網密度;可達性通過計算各研究單元距離城市中心的歐幾里得距離得到;公共交通鄰近度用研究單元內的公交站點密度及地鐵站點密度進行度量。

(1)

式中:Li為第i個研究單元的土地利用熵指數;Pij為第i個研究單元內第j種POI數量占總數的比例;N為POI興趣點個數。

表1 建成環境變量

1.3 建成環境數據獲取與處理

建成環境數據處理主要借助Arc GIS平臺,涉及數據包括:街道行政區數據、道路網絡數據和POI興趣點數據。街道行政區數據以面為單元,用于研究空間范圍的構建;道路網絡數據包括不同等級的道路線網,以測度研究區域的路網密度;POI興趣點數據通過Python中的爬蟲工具在Open Street Map中獲取,用于計算不同研究區域點密度及可達性。建成環境數據處理流程見圖1。

圖1 建成環境數據的處理過程

2 城市道路事故數據處理與分析

2.1 事故分類與統計

交通事故按事故嚴重程度分為輕微事故、一般事故、重大事故和特大事故4類,不同等級事故劃分標準見表2。

表2 事故等級分類

2.2 事故數據地理編碼

由于事故原始數據中只有對事故發生點的地址描述,沒有經緯度數據,因此需要對事故原始數據進行地理編碼。將表示地址的文字在地圖中進行相似性匹配,并在這些表示地址的文字中匹配到相似度最高的文字,最后返回匹配結果和相應的經緯度信息作為最終結果。田沁等[11]比較了百度、高德、搜狗和騰訊等地圖廠商的地理編碼應用程序編程接口的服務品質,認為騰訊的地理編碼API整體服務品質較好,具有較高的數據質量和較完備的地址數據。故筆者采用騰訊的地理編碼API進行事故發生點地址到經緯度坐標轉換。

2.3 事故空間分布特征

筆者采用2016—2018年重慶市某區102 km2范圍內的道路交通事故數據,共計154起,經剔除缺失值、地理編碼后,最終確定了126起事故數據作為研究對象?；趐ython對事故傷亡情況進行識別并做出統計,不同等級事故統計情況見表3。

表3 事故數據統計

將含經緯度的事故數據導入GIS中,運用核密度分析工具描述事故的空間分布特征。不同等級事故分布情況見圖2,圖2中:顏色越深的地方表示事故數量越多;從分布情況來看,西部的事故數量明顯高于東部,特別是靠近北側的事故數量最多,同時這3種類型事故均在不同區域出現了集聚現象。

圖2 事故分布

3 事故非線性分析模型

3.1 模型選取

傳統統計學模型由于變量的度量方式(如單位、數量級等)的不同,難以體現出各變量對因變量的重要程度。而梯度提升決策樹(gradient boosting decision tree, GBDT)模型具有以下優勢:① 沒有預先確定兩個變量之間的結構關系假設,可以實現數據的自我學習;② 可以提供各變量在結果中相對重要性估計;③ 與回歸模型不同,該模型對建成環境與交通問題分析中經常存在的多重共線性問題不敏感。因此,筆者選擇GBDT模型對建成環境因素與事故嚴重程度的非線性關系進行分析。

3.2 變量描述

城市道路交通事故是人、車、路、環境等諸多因素耦合作用的結果,因此除了考慮建成環境因素外,同時將個體行為、道路情況、事故類型和自然環境因素納入到模型中,其它變量見表4。

表4 其它變量描述與賦值

3.3 模型構建與求解

GBDT是基于Boosting算法的集成決策樹模型,Boosting算法依據上一次訓練的殘差生成基學習器。GBDT是在Boosting基礎上,沿著殘差減小的梯度方向上建立新的決策樹。GBDT方法的核心目標是不斷減小訓練過程產生的殘差,模型可由式(2)表示[12]。

(2)

(3)

式中:γj、c分別為待估計參數;hj(x)為弱分類器j的估計結果;J為弱分類器數量。

GBDT模型求解過程如下[13]:

2)計算第m次迭代的殘差,如式(4):

(4)

3)利用弱分類器hm(x)擬合步驟二中得到的殘差rim;

4)計算估計乘子,如式(5):

(5)

5)根據得到的γm對Fm(x)進行更新,Fm(x)=Fm-1(x)+γmhm(x);

6)判斷是否達到預先設置的迭代次數與精度要求,若滿足,則得到最終估計結果;否則,返回2)。

GBDT模型通過計算所有加法樹的均值,從而得到每個變量對因變量的相對重要程度,如式(6):

(6)

4 實證分析

4.1 模型訓練

學習率、最大決策樹數量、樹深度這3個參數取值決定了GBDT模型的整體效果。GBDT模型中樹的深度不會超過log2(n),其中n為樣本數量,因此文中樹的深度取7。對學習率、最大決策樹數量取值進行調參,探究不同取值對模型得分的影響,從而獲得最優參數值,如圖3。由圖3可看出:有多處位置可取到最大值,最終文中模型的學習率取值0.15,樹的數量取值82。

圖3 參數調整

4.2 模型結果

經訓練后的模型擬合效果穩定,各變量對交通事故嚴重程度影響的重要度見表5。

表5 變量重要度排序

建成環境變量中:土地利用混合度、快速路及主干路密度、次干路及支路密度、人口密度及可達性的累計重要度達60.57%。故這5個變量是解釋建成環境對交通事故嚴重程度影響的主要因素。其中土地利用混合度對交通事故嚴重程度的影響最大,為14.29%;其次是快速路及主干路密度、次干路及支路密度、人口密度和可達性,分別占比12.43%、11.54%、11.35%、10.96%;剩余變量重要度較低,均低于10%,這說明這些變量對交通事故嚴重程度影響較小。道路情況與文獻[14]研究結果中的道路物理隔離與車道數對事故嚴重程度不顯著相吻合;事故發生時間變量與文獻[15]研究結果中的時間段對事故嚴重程度的重要度較低的結果一致。土地利用混合度、快速路及主干路密度、次干路及支路密度、人口密度及可達性對交通事故嚴重程度的影響曲線見圖4。

圖4 事故嚴重程度影響曲線

由圖4可知:土地利用混合度在1.72處發生較大突變,土地利用混合度高的地方,車輛的速度會受到限制,從而導致較低的事故嚴重程度;快速路及主干路密度在2.2 km/km2處發生較大突變,這表明快速路及主干路密度在超過該閾值后,對事故嚴重程度將產生較大影響,因此快速路及主干路密度在前期規劃中應考慮安全合理取值;人口密度方面,在約1 600人/km2和19 000人/km2處發生突變,在該區間內基本對事故嚴重程度影響基本不變,因此人口密度只有達到閾值后對事故嚴重程度的影響才能得到凸顯;次干路及支路密度對事故嚴重程度的影響與快速路及主干路相反,整體上表現出下降的趨勢,因此從交通安全的角度出發,次干路及支路的建設應受到重視?？蛇_性對交通事故的影響呈現出上升的趨勢,最后趨于穩定;即隨著距離市中心距離越遠,事故嚴重程度越高,且在超過閾值后基本穩定。

5 結 語

筆者基于重慶市某區的交通事故數據,運用GBDT模型探索了建成環境與交通事故嚴重程度的非線性關系;得到各變量的重要程度排序,同時給出了重要度較高的變量對事故嚴重程度的影響曲線。從研究結果可看出:① 建成環境變量在事故嚴重程度方面具有重要作用,其中土地利用混合度、快速路及主干路密度、次干路及支路密度、人口密度及可達性的集體貢獻占比60.57%;② GBDT模型能更加精確地捕獲各變量對事故嚴重程度影響的非線性關系及閾值效應。