Hoe-Hun Ha Jean-Claude Thill
【摘要】近年来无论是在发达国家还是发展中国家，交通安全研究越来越重视和强调行人所经历的交通事故的危险。在美国，因交通事故死亡的行人数量占所有与交通相关死亡总人数的比例超过10%，而与车辆碰撞时受伤的行人其相应比例常常较低。现况要求提高行人安全问题的公众意识和探寻更多与影响行人交通危险的主要因素有关的知识。本研究的目的是为了更深刻地认识美国城市中行人遭遇交通事故危险，特别是从地理研究的视角研究交通事故。通过建模和统计分析，我们明确了决定危险强度的因素，并按行人的年龄(青少年和成人)和人车相撞事故发生地点的不同位置(交叉口处和非交叉口的街区内)比较和选择了对应的影响因子。道路实体的特性，例如车行道和交叉口的功能类别，发展密度、社会经济和人口变量、潜在的出行吸引点都被一一考察。考虑部分变量具有空间属性，我们使用空间加权回归模型来确定依赖变量和其模型残差的空间依赖性。分析结果表明在交通受害者居住的邻里和在两个年龄组群经常与机动车发生冲撞的邻里，青少年和成年行人发生交通事故的特征有明显的区别。另外，交叉口处和街区内部发生的交通事故不仅与行人及其行走环境的社会经济因素相关，还与事故发生地点在城市结构中的空间分布有关。
【关键词】行人 冲撞事故 交叉口 街区
1.研究问题与背景介绍
自20世纪50年代以来，由于经济的显著增长和个人收入的提高，许多国家的交通环境已经发生了快速的变化。增长的结果是交通需求呈指数级增长，尽管交通服务和设施，比如安全措施、停车空间和其他设施不断增加，仍远远跟不上增长的需求。特别是从安全角度看，机动车与行人之间的交通事故往往造成巨大的社会和经济损失，例如生命损失、身体损伤、情感伤害和交通流受阻等。然而我们对作用于机动车与行人间交通事故(这类事故在后文中均简称为交通事故或事故，机动车间的事故或泛指的交通事故将给予特别说明)的因素只有相对有限的和不准确的理解，从而也在制定有效的防止人车相撞的措施方面面临诸多困难。
本研究旨在扩展我们对决定机动车与行人(包括步行者和骑自行车者)交通冲撞危险强度因素的认知，尤其是从地理学的视角进行研究。研究分析解释了冲撞为什么发生和说明了行人、自行车交通事故的城市环境因素。我们通过统计和空间分析建模以及利用GIS技术来确定在邻里尺度上的冲撞危险强度的变化。本研究关注城市环境中的自然和社会变量，特别强调造成步行或骑自行车的青少年和成人冲撞危害程度的不同因素。诸多研究表明青少年群体和男性占行人事故受害者的较大比例，也发现青少年和老年群体的行人碰撞事故与事故发生的空间位置密切相关。我们通过比较行人交通事故发生的年龄差异，确定了年龄在行人事故发生中的角色。因此在进行分析时，有必要按年龄和道路交叉口和非交叉口的事故发生地点区别研究行人与机动车的交通事故。研究比较了发生在道路交叉口(intersections，指道路交叉口及其约10米范围内的区域)和街区内(mid-blocks，指道路交叉口10米之外的区域)的事故，也比较了可区别年纪较大的行人和年轻行人的其他特征。分析所用的数据是美国纽约州布法罗市(City of Buffalo)2003年和2004年的警察报告(指负责处理交通事故的警察所呈报的记录有事故相关信息的报告)。本研究所采用的方法也可以应用到其他城市地区，同时也可作为交通安全相关决策(如交通设施布局和管制规划)提供服务的有价值的分析工具。
2.行人交通冲撞事故的相关研究
2.1 美国行人交通事故问题概述
(1)行人交通事故的统计数据
与机动车相关的行人冲撞不仅是美国而且是全世界范围内的一个严峻问题。然而，直到近年来人们才充分意识到该问题的严重性。据报告，全美2005年有接近68 881起机动车与行人相撞事故，其中共有4 881名行人被撞身亡，占同年机动车事故死亡总人数的11.2%(NCSA，2006)。另外，有784名骑自行车者因撞车而致死，有大约45 000名行人受伤。
(2)最易遭遇人车相撞事故的人群
以往研究已清楚地表明，社会、人口特性与行人事故发生的风险、频率有相关关系。年轻行人和男性行人遭遇机动车冲撞的比率通常较高。具体地说，年龄在5～9岁的男孩因顽皮和缺乏警惕性而容易奔走到街道与迎面而来的车辆相撞，与其他年龄和性别的群体相比，这类群体有最高的行人冲撞率。1996年美国行人伤亡总数中超过35%的受害者是年龄在15周岁以下的儿童(Lightstone等，2001);2005年该比例下降到27%(NCSA，2006)。该年龄群因车祸而死亡的人数占行人死亡总数的8%。总体上男性较女性更容易发生与机动车相撞的事故。2005年，行人死亡总数的70%是男性，同时，大约60%的受伤行人是男性(NCSA，2006)。
2.2 与行人交通事故相关的因素
通常我们会把行人与机动车的冲撞归咎于骑自行车者，因为骑车者常违反交通规则，或者其行为易引起困惑，或分散驾车者的注意力。然而，不少学者认为这一因素可能掩盖其他多种因素的影响，因为公共通行空间的使用者，如骑车者，更易受到驾车者类似行为(不遵守交通规则、引起困惑的或分散其注意力的行为)的影响和危害(Garder，1994;Roberts and Coggan，1994;Brustman，1999;Dhillon等，2001)。
(1)行人的错误/混乱和其他人的因素
由于行人的错误或混乱行为所引起的行人冲撞是最常见的一类行人交通事故。其中，较大比例的事故发生在离儿童住所不远的地点。Brustman(1999)指出由于行人的错误或混乱行为所造成的交通事故更频繁地出现在街区内，常常涉及年龄太小而不能安全地过马路、甚至不能安全穿越居住小区街道的儿童。典型的例子是儿童在街道上嬉闹玩耍而引发交通事故。误读交通信号和交通符号是行人的错误或混乱行为而引发交通事故的另一个例子(Campbell等，2004)。
酒精伤害对行人和机动车驾驶者而言都是一个严重的问题，其影响巨大，常导致严重的伤亡。Zegger等(2002)在其报告中指出，从1980～1989年间，44%严重受伤的行人其血液中的酒精浓度比国家限制标准高出0.10以上;到1997年该数值降到29.5%，而酒后驾车者的比例达到12.5%。相比较而言，在夜间撞车死亡的成年行人中，59%的人其体内血液酒精浓度高出国家限制标准0.10以上，而只有31%的人其血液内不含任何酒精。各年龄段因交通事故致死的酒后步行者的比例在1987～1997年10年间都有所降低，下降率最高的是年龄段在55～64岁的人群，降低了19%;而年龄段在35～44岁的人群，其酒后步行者比例所下降的百分比最小，仅有3%。
超速驾驶是引起各种行人交通事故的主要作用因素。根据美国国家个人交通调查局(NPTS)的数据，1997年间所有交通死亡事故中有30%是由于不安全的行车速度造成的;如果这类事故涉及行人，其结果往往更加严重。
(2)交通事故发生地点的分类
根据交通事故的行人受害者的不同年龄，事故倾向于发生在不同的地点。Zegger等(2002)在其报告中提到，2003年所有涉及行人的交通事故中有65%出现在非道路交叉口的位置。Levine等(1995)和Lightstone等(2001)也指出，大多数涉及年轻行人交通冲撞的发生地接近受害者的居住区域。10岁以下的行人在非道路交叉口的地点发生交通事故的频率较高。相比较，年龄在45～65岁的行人大多数可能在某一交叉口或另一个相同的地点发生交通事故。而65岁以及以上的行人更可能在道路交叉口处遭遇交通事故，因为年龄较大的人群比年轻人群更倾向于在过街时使用交叉口(Ekman，1999;Zegger等，2002)。另外，年龄较大的人群受视觉能力和身体状态的限制往往要求可视性更强、更明晰的交叉口标志设计。在交叉口发生的行人交通事故中，较高比例的事故为老年人群与转弯车辆(左转和右转)的冲撞(Zegger等，2002)。
(3)事故发生的时间维度
了解行人交通事故发生的时间对建立可能存在的时间模式、探究与更高的事故风险或更高的事故接触率相关的可能因素有相当重要的意义。一般而言，行人冲撞最常发生在一天中的早晨和傍晚，这些时间段也是交通高峰的时段。尽管在早7～9点和晚4～6点期间行人冲撞的发生频率最高，但是致死的行人冲撞则较多地发生在下午的5～11点，此时照明条件较差，酒后驾车的比例也较高(Van Houten，1999;Zegger等，2002)。
比较年老和年轻的行人，其事故发生的时间模式相当不同。例如，年纪较大的行人发生交通事故的时间更均匀地分布在一天内。然而年老的行人在白天由于更容易暴露于大流量的交通，更容易被机动车撞到。而就一年中的各个月份而言，在9～1月期间的几个月份，全美行人因交通致死的频率最高，其可能因素包括恶劣的天气条件和更短的日照时间。另外，从5～6月的夏季时段，因交通事故死亡的年轻行人的数量最多，因为他们的户外活动更多地发生在这个时段。
2.3 事故的空间分析
除少数研究使用空间地图数据外，大多数研究主要使用来自警察报告的事故数据来分析交通安全问题(Schneider，2001)。近年来地理信息系统(GIS)被广泛用于交通安全问题的研究。GIS的使用具体包括从简单的冲撞事故发生地点的制图或地理编码(Levine等，1995;Kim等，1995;Mohle等，1996;NC CGIA，2000;Schneider，2001)，到空间查询正面碰撞、追尾碰撞和侧面碰撞机动车事故的发生地点(Mohle等，1996)。另外，Chu等(1999)，NCCGIA(2000)和Schneider等(2001)使用核密度估计法识别行人交通事故的空间聚类特征。Levine等(1995)采用偏差椭圆来区别不同冲撞的空间分布特征。绘制的偏差椭圆可突出不同冲撞类型的点模式，有利于不同冲撞差异的推理测试。
数据与方法
a.冲撞数据
本研究使用Buffalo市警察报告的人车相撞事故数据进行地理分析。Buffalo市是纽约州Erie县最大的城市，其领域面积约181.3平方公里，2003年城市总人口为285 018人。警察部门提供的数据是2003～2004年度的冲撞事故记录，所有涉及死亡、受伤或财产损失超过1000美元的事故都会记录在警察部门机动车管理处的MV104A表格上，被记录的信息包括驾驶者、行人、事故发生地点的信息以及冲撞事故发生时的周边环境情况和其他要素。
参照纽约州事故发生地点信息系统的街道网络，我们首先对冲撞地点和行人的住址进行了地理编码。美国的人口普查统计地块单元被用作多元统计分析的空间聚合单元，所有数据被分配给这些空间单元。表示事故发生地的点状数据在GIS中按人口普查地块进行合计。这一数据聚合过程会面临如何对分布在那些构成人口统计单元边界街道上的点数据进行聚合分配问题。有几个方法可作为解决该问题的候选方案。第一个方法是使用由负责事故记录报告的警官所确定的事故发生地址。这种情况下，地址位于道路右侧的点被分配给右边的地块，反之，地址在道路左侧的点被分配给左边的地块。当利用道路中心线向两侧平移一定距离的区域对冲撞事故的位置而进行了地理编码，且道路图层和统计地块边界的图层能完美地匹配时，此操作很容易通过对两个图层进行空间连接而实现，连接后可得到每个统计地块的事故总数。这种方法的最大缺点与所记录地址的准确性有关。警察记录下的事故发生地点很可能不是道路上实际发生事故的位置，而是可观察到的最近的地址。尤其是发生在靠近道路中心线的冲撞事故，其地址的准确性有较大的不确定性。对事故报告所提供的地址进行校核是非常困难的，因此使用该方法可能产生不准确的记录数。
另一个解决方法是对在统计地块边界发生的交通事故进行重复记录。若共享边界的地块数有两个，则重复记录两次;对5个不同地块共享边界上的交通事故最多可重复记录5次。由于该方法产生的总交通事故数量是错误的而导致分析误差，同时，也间接地对重复次数多的边界赋予了更高的权重。
第三个方法是按比例分配交通事故数。如果边界为两个统计地块所共享，则分别给两地块分配交通事故数的一半;如果边界为三个统计地块的交集，则各分配交通事故数的三分之一。尽管这种方法很消耗操作与处理时间，但它是三个方法中最能准确表达各地块中事故发生数量的方法。因此本研究采用这种方法进行分析。
b.可视化与地图分析
空间点模式，例如冲撞事件，可以用其第一序列、第二序列属性来表示。第一序列用于描述过程或事件的总强度，是一个全局分析变量。第二序列属性则是一个更小尺度表示空间依赖的属性(Vanjeeswaran等，2003)。核密度制图是一种用来可视化地探索点模式的第二序列效果的方法，如道路冲撞事故点(Ormsby and Alvi，1999; Vanjeeswaran等，2003)。用GIS绘制的核密度地图可以帮助可视化冲撞点的集中趋势，可以有助于发现在城市中分别涉及成人和青少年行人冲撞事故的高密度发生地点(热点)，并可进一步判断两类人群冲撞事故的地理分布热点是否一致。
c.回归分析
步行的冲撞危险可以用不同的方式来度量。在交通安全分析中，冲撞率常用单位车辆、单位出行者，或单位行驶英里的碰撞事故数来表示。然而步行者的出行调查信息很难获得;即使可以获得，这些信息也不适于在整个大都市区范围内进行空间分解。因此一般不可能进行按出行率正态化后的行人冲撞风险(即发生事故的行人数与暴露于可能发生交通事故的环境中行人总数的比例)来进行空间分析。
由于没有关于产生潜在交通冲突的步行者流量数据，再考虑到本研究的核心是空间分析，我们把冲撞危险视为位置具体的对象。行人冲撞风险的强度以足够大的邻里(人口普查统计地块)为空间单元加以计算，从而避免频率小、少有发生的冲突事件。此外，行人冲撞的频率被适当调整以控制人口统计地块大小的可变性。因此，我们采用两个互补的方法来计算冲撞风险强度。第一个测量变量是报告的冲撞数量与统计地块内人口数的比率，即人口调整冲撞强度。第二个测量变量被称为面积调整冲撞强度，它是冲撞数量与统计地块面积的比率。接下来，我们在人口统计地块的尺度上建立冲撞灾害强度与地方因子的回归关系，这些地方因子实际上是用于描述基础设施实体(如道路路段，交叉口类型和密度)、机动车和步行交通流量、社会经济和人口信息的变量。
考虑到青少年和成年步行者在交通体验、步行目的的差异，数据集被划分为不同的子集以分别建立这两个人群组的回归模型。所有变量按人口统计地块进行合计。在美国纽约州，机动车驾驶的法定年龄是16岁，因此群组按年龄划分为两组，15岁及其以下的青少年群体和16岁及其以上的成年群体。针对不同群组的交通规则教育、安全驾驶课程的讲授都可能影响与交通法律相关的步行行为。
本研究总共建立了十个模型，并基于按不同要素调整后的行人冲撞数量来估计各模型的参数。这些模型的依赖变量分别是:
·交通碰撞数与统计地块人口的比率。
·交通碰撞数与统计地块面积的比率。
·交叉口处的交通碰撞数与统计地块人口的比率。
·交叉口处的交通碰撞数与统计地块面积的比率。
·街区中央的交通碰撞数与统计地块人口的比率。
·街区中央的交通碰撞数与统计地块面积的比率。
·被撞成人交通事故发生地的数量与统计地块人口的比率。
·被撞成人交通事故发生地的数量与统计地块面积的比率。
·被撞青少年交通事故发生地的数量与统计地块人口的比率。
·被撞青少年交通事故发生地的数量与统计地块面积的比率。
我们采用逐步普通最小二乘法(OLS)回归分析的方法识别各个模型所涉及的重要的独立变量。某变量对模型的显著性水平若满足0.05，则接受为模型的独立变量;若高于0.10，则从模型的独立变量集中排除。由于可能存在的空间效应会使普通最小平方回归的估计结果产生偏差，因此需要首先在统计软件(如GeoDA)中进行诊断，以检测是否存在依赖变量以及残差本身的空间依赖关系(Anselin等，2006)。具体地是通过计算与空间滞后模型(LMlag)和空间误差模型(LMerror)有关的拉格朗日乘数检验统计量(Lagrange Multiplier test statistics)，再依据Anselin(2005)所提出的选择合适回归模型的指导方针建立合适的模型。
选择模型的指导方针如下:如果两个拉格朗日乘数检验统计都不具有显著性，则认为OLS的统计结果有效;如果两个统计量中的一个有显著性，则该统计量对应的空间模型作为替代的回归模型;如果两个统计量都具有显著性，则先检查统计量的稳健(Robust)方差，从而选择显著性更明显的那个统计量所对应的模型。在两个检验统计量都拒绝不存在空间依赖性的零假设的情况下，显著性最高的那个统计量被用来指导空间模型的选择，以替代非空间统计的普通最小平方模型。所有的空间模型都根据Queen的邻接准则(Queen's contiguity criterion)指定空间权重矩阵，并检查各模型是否满足回归分析的共线性和均等变异数的条件。最后我们用最大似然法来估计空间滞后模型和空间误差模型。
空间滞后模型包括一个空间滞后的依赖变量Wy作为模型的解释性变量:
y=ρWy+Xβ+ε
其中，y是依赖变量，X是独立变量(或称为解释性变量)的矢量，β是回归系数的矢量，ε是随机误差项，ρ是空间自回归系数。另一个空间模型，即空间误差模型，是周围残差的函数。
y=Xβ+ε
ε=λWε+ξ
其中ε是随机误差项，β是回归系数，λ是空间自回归系数，Wε是空间滞后误差，ξ是均值为0、方差为σ2I的正态分布。
3.GIS数据描述和冲撞危险强度因子的选择
3.1 街道网络
本研究所执行的空间分析是使用来自纽约州事故发生地点信息系统(ALIS)的街道网络而进行的。与美国人口统计局所提供的TIGERLine数据相比，ALIS的街道网络数据不仅在道路的几何特征、准确性和属性等方面有明显的改善，还包含完整的地址范围，从而可按道路对交通冲撞数据进行地理编码。
道路和交叉口的功能可作为表达冲撞危险的潜在指标。框架分类代码(FCC)是一种按功能性质对道路路段和交叉口进行分类的代码。其中，A2、A3、A4、和A6都是表示道路路段的分类代码。A2类车行道指无可达性限制的高速公路(或大道)，通常限速为每小时45英里;A3和A4类车行道则是服务于城市的地方道路，其限速分别为每小时35英里和25英里;A6类车行道的限速为每小时20英里，典型地包括集散道路、迂回线路和高速公路的坡道。所有有可达性限制的高速公路(分类代码为A1)因限制行人的使用而排除在本研究的道路网络范围之外。为了在回归分析中加入道路路段的分类信息，我们按人口统计地块进行合计。各类道路的比例被计算汇总并分配给对应的地块。
道路交叉口按照在代表道路网各交叉口的节点上所发生的道路路段事故进行分组。在建立道路拓扑结构，并把起始道路节点的信息分配给各路段之后，我们在GIS网络数据上运行用Python编写的脚本程序来获得各节点所对应的相交路段数量的信息和各路段的FCC分类代码信息。该信息被添加到节点的属性表中，并把代表交叉口的节点分为以下几类:A2/A2，A3/A3，A4/A4，A6/A6，A2/A3，A2/A4，A2/A6，A3/A4，A3/A6和A4/A6。各类交叉口的比例也按统计地块加以汇总。由于在地块边界上的交叉口涉及多个地块，这类交叉口的信息将被分配给每个相邻的地块，以准确评价在各边界范围内每种类型的交叉口的影响。
既然一起行人与机动车碰撞的事故要求一辆机动车和一个行人在同时同地出现，我们使用地块内各类道路的比例和各类交叉口的比例、道路中心线里程数密度和交叉口密度来表示人车碰撞的可能性。不是所有的道路路段上都有机动车交通量。
3.2 非机动化的交通吸引点
由于在较高的地理分辨率尺度上(如街道路段或人口普查地块)缺乏行人数量的详细信息，我们只能用其他的数据代替。2000年商业人口普查数据集可提供每个分区(zone)的雇员和商业数据。假设密度较高的工作地点或商业地段承担着主要的出行吸引点的功能，则这些地点也会出现数量较大的行人。由于这一数据集的空间单元是Buffalo市的邮政编码分区，我们需要进行区域面积内插来获得各人口统计地块内的估计值。就对聚合数据进行空间分解的操作而言，我们一般假设源误差值均匀地分布在整个聚合单元内。源误差通常随着空间单元大小的提高而增加。
其他潜在的出行吸引点包括学校和大学校园。这些活动中心的地理数据可以从纽约州的GIS数据交换中心(GIS Clearinghouse)得到，按地块统计的各类活动中心的数量可作为衡量行人冲撞危险强度的指标。
3.3 社会人口变量
社会人口和平均收入的统计数据可以从美国人口统计局获得，这些数据的空间单元是人口普查地块。从2000年的人口和住房普查数据中，我们选择或导出以下变量作为冲撞率回归模型的独立变量:平均家庭规模、住房密度、平均收入、生活在贫穷水平以下的人口占总人口的百分率、男性人口占总人口的百分比、1～17岁、18～29岁、30～64岁、64岁及以上四个年龄组的个体(人口)的百分比。这些变量反映了各个人口统计地块的人口和社会经济特征，界定了有风险的人口(行人)和可能置骑车者于更大冲撞风险的行为，进而可检验这些变量在人口普查地块层次上与行人冲撞强度的关系。
4.制图和建模分析结果
4.1 数据描述
在2003和2004两年间，Buffalo市记录在案的行人交通事故共有619起，其中有609起案件可被地理坐标配准。在619起被报告的事故中涉及一位行人受害者的事件占大多数，仅有18起事故涉及两位行人，没有案件涉及两个以上的行人受害者。而2003年和2004年年度的行人受伤率分别是每10万名居民114人和103人。这两年间因车祸死亡的行人数量不多，每10万名居民的行人死亡率在2003年是0.35，2004年为1.05。图1所示为行人机动车冲撞的分布图，其中发生在交叉口处的事故共有306起，占总事故的49.4%，而出现在街区内的冲撞事故有313起，占总事故的50.6%。道路交叉口是指两条或两条以上车行道(不含入户的私有车道)的交叉点，MV-104冲撞事故报告可提供发生在交叉口处事故的位置信息。
Buffalo市行人交通事故发生的特点与以往的研究结果相当一致，即事故受害者的人口特征取决于事故发生的位置。图2表示的是发生在交叉口(图2(a))或街区内(图2(b))、按年龄统计的行人受害者数量的直方图。在街区内部和交叉口处被撞的行人事故分别为323起(占总数的51%)和314起(占总数的49%)。与发生在交叉口的事故相比，街区内部的冲撞事故更多地涉及年龄在1～15岁的青少年行人(见图1)，其比率高达35%，比在交叉口附近发生的青少年行人事故率高出12%。
被撞行人的个体信息在性别上有明显的差别，其中男性行人数量超出女性行人的30%。2003年和2004年，Buffalo市的男性行人事故发生率是每10万居民121人，而女性行人事故发生率为每10万居民81人。另外，男性比女性更容易在街区内部发生碰撞事故(比例分别为63%和37%，如图3(a)、图3(b)所示)。这些差异主要是男性与女性的行为差异所决定的。男性，尤其是青少年男孩，其性格多表现为活跃、精力充沛、行事较马虎，常喜欢在户外，尤其是在街区内的道路附近从事娱乐和社会活动，因此他们更容易在街区内道路上发生交通事故，与女性相比，面临更高的与机动车相撞的风险。
图1 行人冲撞事故发生地和强度(纽约Buffalo市，2003-2004)
研究表明行为要素与行人交通事故发生的原因有关。根据MV-104警察报告中的编码信息，我们把驾驶者的行为分为14类(见表1)。图4(a)、图4(b)表示的是在交叉口和非交叉口处的不同驾驶行为所引发的行人交通事故数。具体地说，如果事故发生在街区内，引发事故的机动车的行驶方式常常为直行，而不是转弯、倒车或其他移动方式。在所有街区内发生的事故中有75%发生在机动车直行时，而只有44%的发生在交叉口的事故出现在机动车直行时。相反，对应于在交叉口附近发生的事故，汽车转弯是一个主要影响因素，大约有一半(比例为45%)的交叉口处的事故发生在汽车转弯时。左转车辆所引发的车祸数量是右转车辆的3倍，而行人与左转车辆相撞的风险更是大得惊人。
图2 按年龄统计的行人受害者的直方图
图3 按性别统计的行人受害者的直方图
表1 车辆驾驶行为的分类和描述
续表
图4 按车辆驾驶行为统计的事故直方图
MV-104警察报告所记录行人的行为可分为13类(表2)。图5(a)和图5(b)分别表示在不同的事故发生地点(交叉口附近和街区内)按不同类型的行人行为统计的事故直方图。大多数交叉口事故(37%)是行人在交通信号灯为绿灯的情况下穿越马路时发生的，这类事故往往归因于驾驶者的过错而非行人的错误。相比较而言，街区内部的冲撞事故中，最频繁发生的事故(达40%)出现在无信号灯的路口或人行横道上。另外，有35起街区内的事故是由于行人出现在准备启动的停着的机动车的前面或后面;尤其是青少年行人，由于往往喜欢嬉闹，加上其个头较小不易被驾驶者观察到或发现，从而面临更高的风险。另外，有相当数量的街区内部的事故(约44起)是当车辆在私人入户车道上倒车时发生的。其他行人的行为，例如站在街道中间或站在机动车附近所涉及交通事故共有32起。
表2 行人行为的分类和描述
图5 按行人行为统计的事故直方图
总体上说，影响行人交通事故的因素可分为三大类，包括人的因素，机动车的因素和环境的因素。人的因素是最主要的，它们导致2003年和2004年间Buffalo市有将近90%的行人冲撞事件发生。这一结果强调了防止人为错误以降低事故发生量的重要性。另外，就引发事故的具体人文因素而言，不同事故发生地点对应于不同的人文因素。大量街区内部的事故是由于行人的过错或使人困惑的行为所导致的，而交叉口处的事故更多与驾车者的疏忽或注意力不集中有关。对诱导事故发生因素的这种空间差异所存在的一种解释是，大多数行人在确保行走更安全的情况下才穿越交叉路口，因此在交叉口处发生的事故多是驾车者的过失(如在路口违反交通规则)所造成的，而行人自身的失误或违反交通管制的行为较少出现。再者，街区内部的事故频繁与青少年行人相关联，青少年行人在街道上玩耍或粗心大意而使他们的行走面临较高的事故风险。
4.2 地图可视化
(1)所有事故
在GIS中创建的核密度图能可视化地显示事故的空间分布，且有助于发现事故在Buffalo市集中发生的地理区域。两个不同的缓冲区带宽被用来识别不同分辨率的事故分布结构。较小的搜索半径(400米)常用来探测特定的道路或交叉口周边的聚类结构，而较大的搜索半径(800米)适用于更大范围内事故发生地点的空间集中趋势的判定。搜索半径越大，核密度变化越平缓。图6(a)和图6(b)分别是400米和800米带宽的核密度图。行人交通事故在某几个地点有相对较高程度的集中。在较低和较高的分辨率下，Buffalo市中心的局部区域是事故的最高发地段，而Buffalo市中东部地区有一些高密度的地段也是冲撞事故发生数量较高的区域。
图6 核密度图
(2)按年龄组比较事故发生的密度
本研究比较了涉及15岁及其以下的青少年和16岁及其以上的成年人两个人群组的事故空间分布的核密度图。图7所示为400米带宽的青少年和成年受害者发生事故的核密度图。青少年行人所遭遇的车祸多集中在Buffalo东部的部分区域，这些区域内有较多的居住邻里小区。与成年行人相关的交通事故则表现出不同的地理分布模式，即聚集在Buffalo的市中心和城市西部的几个活动中心处。
青少年行人常在离家不远的地方发生交通事故，据报告超过50%的事故出现在邻近其居住地的街道上，大约25%的事故则出现在他们家的附近。青少年在步行时往往缺乏警觉，且其行为具有更大的不确定性，比如在街道上嬉闹奔走。另一方面，成年人交通事故发生密度最高的地点在Buffalo的市中心，那里集中了较多的零售和非零售商业场所和就业地点。总之，青少年行人更倾向于行走在所居住的邻里区域内的道路上，而成年行人的交通事故则分散在中心商业区的多个地段。
图7 比较400米带宽的核密度图
(3)按事故发生位置比较事故发生密度
接下来，我们比较在交叉口和街区内所发生事故的核密度地图，以识别行人遭遇事故的风险高低与事故发生地点类型的关系。通过分析事故在两个不同地点的地理分布(如图8(a)和图8(b)所示)，我们发现街区内事故的密度图与青少年行人事故的密度图相当一致，而交叉口处事故的密度图相似于成年行人事故的密度图。这是由于街区内部发生的交通事故多与喜欢在其邻里区域内玩闹和进行社会交往的较年轻的行人相关，而成年人则往往步行到离家几个街区远的地方，多在道路交叉口处遭遇冲撞事故。
如果考虑住宅地址和冲撞事故发生地点之间的平均距离与行人年龄特征的关系，我们发现年龄在15岁以上的行人遭遇事故的地点离其住宅的平均距离约4.073公里，而15岁及以下的行人，其出事地点距离其住宅的平均距离仅1.96公里。图9为按距离进行行人事故统计的直方图。对青少年和成年人群组而言，交通事故发生地与住宅的距离分布模式明显不同。大多数成年人冲撞事故发生在离家160米以上的地方。
图8 比较400米带宽的核密度图
4.3 回归模型
我们首先分别检验如表3所示独立变量对每个行人碰撞强度模型的显著性，模型建立在Buffalo市所有90个人口普查统计地块的数据基础上。
图9 按年龄对所报告事故的统计直方图
表3 为建立回归模型选择的独立变量
接下来，我们将一一介绍描述冲撞危险强度的十个回归模型，包括所有冲撞事故、仅涉及青少年(15岁以下)的冲撞、涉及成人的冲撞、在交叉口处的冲撞和在街区内的冲撞等五类危险强度模型。每类模型的冲撞危险强度密度有根据人口或按地块面积进行调整，从而产生十个回归模型。我们使用逐步线性回归分析的方法来选择有意义的变量，以最小化多重共线性问题。
(1)模型1、2:总体事故强度
总体事故强度模型(表4)没有空间依赖性，且有较强的解释力(R2分别是74.8%和74.2%)。当事故强度按地块面积调整后，9个独立变量被认为是有意义的变量(表4(a))。商业网点的密度是其中的一个变量，人口密度也是对总体行人交通事故起作用的因素。在有较多商业网点和居住人口的地块，有更高流量的行人，从而对应着较高强度的行人交通事故。几个反映社会人口特征的变量被纳入面积模型，包括男性人口的百分比、非洲裔美国人的比例、单身者的百分比和生活在贫穷水平以下人口的百分比。除了单身者百分比这一变量外，其他变量与行人事故强度都呈正相关关系。因此，在较贫穷、有较大比例的非洲裔美国人、较多的男性、较少的单身家庭数的邻里，行人交通事故的发生率较高。
这些社区的居民一般都不富有，汽车拥有率较低，步行是他们采用的最普通的交通模式。此外，道路实体特征(如分类代码为A2/A3和A3/A4的交叉口的百分比)和交叉口密度都是总体事故强度模型的重要因子。事故强度随着交叉口密度的增加而降低，而A2、A3和A4类车行道的百分比也都是有意义的因子。这表明交叉口类型比潜在冲突点的数量更重要。显然某些类型的交叉口与更高频率的行人交通事故相关联。有趣的是，车行道的功能分类和邻里形成的时间长短都不是对该模型有影响力的因子。
在事故数量按人口进行正态化后的第二个模型中，有三个变量被识别为行人事故强度模型的独立变量:A2/A2类交叉口的百分比、年龄段在30～64岁的人口所占的百分比和年龄在65岁以上的人口所占的百分比。总体上说，年龄越大的行人其行动越困难、越迟钝，因而越不可能在街道上遭遇事故风险。相反，他们会选择其他交通出行模式如使用小汽车或公共汽车。变量A2/A2类交叉口的百分比与行人事故有正相关关系，它是人口校正后模型中最重要的因子。
表4(a) 按面积调整的总体事故模型的OLS逐步回归结果
表4(b) 按人口调整的总体事故模型的OLS逐步回归结果
(2)模型3、4:交叉口处的事故
交叉口处的事故模型没有空间依赖性，其拟合良好性测度(goodness-of-fit)值也比较高(分别达到79.5%和74.4%)。表5所示为OLS估计的结果。大体上说，总体事故模型中的变量也对该模型有显著性效果。对按面积正态化的模型而言，5个重要的独立变量是:商业网点的密度、人口密度、生活在贫穷水平以下的人口的百分比、A2/A3类型交叉口的百分比和女性的百分比。该模型也包括其他事故强度因子。A3/A6类型交叉口的百分比是一个特别重要的变量，因为有许多集散道路的邻里内部区域往往有相对小流量的行人，从而对应较低的行人事故发生概率。对按人口正态化的模型而言，所选的变量和参数与人口正态化的总体事故模型所涉及的变量非常相似。
表5(a) 按面积调整的交叉口处发生事故的OLS逐步回归结果
表5(b) 按人口调整的交叉口处发生事故的OLS逐步回归结果
(3)模型5、6:街区内部发生的事故
由于街区内部的事故与交叉口的状况无太大关联，交叉口密度和交叉口的功能类别并未被当做街区内部事故模型的独立变量。对两个模型进行空间依赖性诊断的结果见表7，按地块面积调整的事故强度模型无空间依赖性，而按人口调整的冲撞强度模型则显示有一定的空间依赖性。因此，按人口调整的冲撞强度模型采用空间滞后回归估计代替OLS估计。街区内行人交通事故模型有中等水平的拟合良好性测度值(分别达到40.1%和68.8%)。总体上说，街区内部事故模型的解释力没有交叉口处事故模型的解释力强。这说明用数学模型预测街区内部的事故存在一定的难度。
非交叉口处事故的回归模型，其估计结果如表6所示。在按面积调整的模型中，唯一相关的社会人口变量是生活在贫困水平以下的人口的百分比，该变量也是交叉口处事故模型的重要变量之一。然而，年龄结构变量对按面积调整的模型不具有显著性，这一结果让人有所吃惊，因为它不支持我们事先分析的街区内部事故更多涉及青少年行人的结论。对这一问题可能的解释是，在生活在贫困水平以下人口的百分比越高的地方，人口密度和家庭规模就越大，因而15岁以下的青少年儿童的数量就相对越多。人口和商业网点的密度，这两个潜在行人交通量量度变量也是影响街区内部事故发生频率的重要因子。考虑到与商业网点密度的关系，主要道路(A2类)也是一个重要变量。更大的商业区多沿主要道路布置，而城市邻里往往邻近这些主要道路。行人在时间紧迫又需要购物或从事其他商业活动的情况下，可能会擅自穿越马路以便能较快地抵达商业区，而擅自穿越马路的行为提高了行人被机动车冲撞的风险。
当按人口对街区内部事故强度进行正态化后，其模型可以很好地被四个变量解释，它们是非白人居民的比例、中年居民的比例、老年居民的缺乏度(与老年居民的比例成负相关)和集散道路(A3类)的缺乏度。这大体上与按面积调整模型的结果是一致的:更高的事故强度与更年轻的人群、不富有的居住人口、较短的通勤距离和较少的集散道路相关，即这类事故多发生在内城邻里的内部。
表6(a) 按面积调整的街区内部发生事故的回归结果
表6(b) 按人口调整的街区内部发生事故的回归结果
表7 街区内部事故回归模型的空间效应诊断(其中‘*’星号表示显著性为0.05的检验统计)
(4)模型7、8:青少年行人事故
按面积正态化的青少年行人事故模型有空间依赖性，LM滞后和误差检验都有显著性。因此，遵循Anselin(2005)所提出的选择空间回归模型的步骤，我们需要进一步执行稳健性(也称鲁棒性)检验统计。而两个常规LM检验(滞后和误差)在0.05水平上的显著性都比较高，我们还需要比较稳健性检验的显著性结果。对道路标准化而言，是否采取某一空间模型的决策取决于显著性最高的统计模型。比较结果(表8)表明LM空间滞后统计对按面积正态化的青少年行人事故模型有显著性。在此基础上，我们使用空间滞后回归模型来估计按面积正态化的青少年行人事故(表9)。
表8 青少年行人事故回归模型的空间效应诊断(其中‘*’星号表示显著性为0.05的检验统计)
青少年行人事故强度模型只有中等水平的拟合良好性测度值(分别达到56.6%和67.9%)，这表示建立一个有效的、好的青少年行人事故强度模型是比较难的。非洲裔美国人的百分比是按面积调整的事故频率模型的一个重要的因子(表9)，除此以外，该模型中没有其他社会人口变量。青少年人口密度变量也是该模型的独立变量之一，这个变量的特殊之处在于，我们既可以把它当做人口结构的指示变量，也可以认为它代表着人口密度的高低、居住模式的特征。青少年人口的高密度与较高的单位面积(每英亩)的青少年行人事故数密切相关。最后，模型支持青少年行人事故倾向于发生在许多地方街道相交的地段(如居住邻里内部)。
按人口调整的青少年行人事故强度模型有三个与面积模型相同的变量。另外，调整后的青少年行人事故发生频率与交叉口的密度是负相关关系，而与男性人口占地方人口的百分比正相关。分析结果再一次强调了不同类型交叉口对事故危险强度的影响，尽管主要道路的交叉口处有相对较低频率的青少年行人事故发生。
表9(a) 按面积调整的青少年行人事故的OLS逐步回归结果
表9(b) 按人口调整的青少年行人事故的OLS逐步回归结果
(5)模型9、10:成年行人事故
空间依赖性诊断未发现成年行人事故模型有任何显著的空间依赖性。两个成年行人事故模型都有较高的拟合良好性测度值(分别达到74.2%和75.9%)。OLS估计结果如表10所示。
成年行人事故回归模型中典型的独立变量包括:成年人口的密度(人口和年龄结构的综合指标)、生活在贫困水平以下的人口的百分比和男性人口的百分比。商业网点的密度(如与商业区的邻近度)与成人事故发生的频率正相关。A2/A3类交叉口的百分比是两个模型都涉及的独立变量。较大比例的中年人口(和较小规模的老年人口)也是引起较多成人事故发生的因素。
表10(a) 按面积调整的成年行人事故的OLS逐步回归结果
表10(b) 按人口调整的成年行人事故的OLS逐步回归结果
5.结论及对规划决策的意义
本研究主要关注于决定行人和机动车冲撞强度的因素，包括在交叉口处和非交叉口处的街区内的不同因素，青少年和成年人事故发生频率的差别。本文中的案例研究结合复杂的数据集探讨行人交通事故的地理空间变化，进一步评价是否事故有集聚特征，是否事故的分布模式在不同的年龄群组间和事故发生的不同地点之间存在差别。核密度图表明青少年事故的分布模式与在街区内发生的模式相似，而成人事故与在交叉口处事故发生的模式有相似之处。尤其是在Buffalo市的中东部地区，有较多的家庭居住，也是青少年事故和街区内事故发生的高密度地段。相反，在Buffalo市的中西部区域(尤其是市中心附近)，集中了较多的商业活动，也涉及较高密度的成人事故和交叉口处的事故。
基于社会、人口、经济特点和环境因素，以人口普查统计地块为空间分析单位，我们建立了十个不同的回归分析模型来识别事故发生的频率。交叉口处事故和成人事故都与A2/A3和A2/A2类交叉口(在商业区有较高比例的交叉口)、出行吸引力变量(如商业网点的密度)有正相关关系。另一方面，青少年事故则与A3/A4类交叉口(在商业区有较高比例的交叉口)、青少年人口比例和非洲裔美国人的百分比相关。此外，研究还发现行人事故在商业区和在居住密度较高、有较多非洲裔美国人和贫困人口的邻里内发生频率更高。
总之，本研究显示不同年龄组和事故发生地点在行人的行为、风险因素和空间模式等方面的重要差别。正如负责事故调查的警官所述，冲撞发生的最常见原因是人的失误，包括驾驶者和行人的失误。研究结果还表明，只要遵守交通规则(如停车等待其他车辆和行人通过)和小心驾驶，大量的冲撞事故可以避免。
既然我们已经明确了行人事故强度与其影响因素的相关关系，我们可以应用这些知识来减少城市内部行人事故的发生。青少年和成年人发生事故的环境是不同的，因此针对两个年龄组推行的交通教育计划/方案的具体内容也应有所区别。同时，我们可以在不同的城市环境中采取不同的城市和交通设计政策与措施，以有效地减少青少年和成年人的事故发生数量。青少年冲撞事故在居住街区内的高发生率要求在进行城市规划，尤其是社区邻里规划时，应为青少年规划和设计较多的远离车行道和人行道的娱乐活动设施，并在交通设计时降低车行交通量和减少邻里的通过交通量。同时，除了交通工程中设计的防御措施外(如在街区内设置减速带和在交叉口处局部拓宽人行横道的区域)，规划中也可考虑不采用在19世纪末和20世纪初形成和流行的、传统网格状的街道布局模式(如Buffalo市现状的道路布局模式);相反，使用北美郊区多采用的密度较低和连通性较高的道路网，可以创造更安全、隔离性更好的街区空间。
有关道路网格局的安全问题的研究目前仍相对较少。然而，基于更广泛的交通安全文献的研究结果，我们发现有不同密度和连通性街道的邻里，其安全程度是有所差异的。在不同国家和环境(无论是城市、郊区还是农村环境)下的交通安全研究已明确事故风险与交叉口数量直接相关(如Hadi et al.，1995)。Hauer(2001)也指出事故的数量可以用以下模型进行估计:
其中，qs是交通流量(如AADT)，βs是回归系数(通常都为正值)。根据这一模型，在控制总的交通流量的前提下，随着交叉口数量的提高，交通事故的数量也会有所增加，因此，在其他变量和条件都保持不变时，在以方格网为道路骨架的邻里内，与路网有较低连通性的典型的郊区邻里相比，可能有更多的交通事故出现。另外，速度也是引发事故的一个常见因子。在居住区道路上行车速度的大小直接与事故的数量和严重程度相关(Davis，1998;Lindenmann，2005)。在连通性低的邻里，组团道路和入户路的车行速度较低，而与传统的基于方格网状道路的邻里相比，其居住区内的集散道路虽然长度较短，但车行速度相对较高。因此，通过调整城市区域内新建设的居住邻里内部的道路网布局，行人冲撞强度可以得到有效的降低。城市规划和建设者们可以利用这些分析结果和知识来改进城市道路系统的设计，从而提高城市环境的宜居性和可持续性。
【参考文献】
［1］Anselin，L.，2005.Exploring Spatial Data with GeoDa:A Workbook.Spatial Analysis Laboratory，Department of Geography，University of Illinois，Urbana-Champaign，IL.
［2］Anselin，L.，Syabri，I.and Kho，Y.，2006.GeoDA:An Introduction to Spatial Data Analysis.Geographical Analysis38，pp.5-22
［3］Bailey，T.and Gatrell，A.，1995.Interactive Spatial Data Analysis.Longman，Harlow.
［4］Bass，D.H.，Albertyn，R.and Melis，J.，1992.Road Traffic Collisions Involving Children as Pedestrian，South African Medical Journal，82，pp.268-270
［5］Brustman，R.，1999.An Analysis of Available Bicycle and Pedestrian Accident Data.NewYork Bicycling Coalition，Albany，NY.
［6］Campbell，B.J.，Zegeer，C.V.，Huang，H.H.and Cynecki，M.J.，2004.AReviewof Pedestrian Safety Research in the United States and Abroad.FHWA-RD-03-042，Federal Highway Administration，U.S.Department of Transportation.Washington，D.C..
［7］Chu，Y.，Azer，M.，Catalanotto，F.，Ungar，H.and Goodman，L.，1999.Safety/GIS Models
Reviewed and Related to Long Island Arterial Needs Study，Enhancing Transportation Safety in the 21st Century ITE International Conference，Conference Proceedings.
［8］Davis，Gary A.，1998.Method for Estimating Effect of Traffic Volume and Speed on Pedestrian Safety for Residential Streets，Transportation Research Record 1636，pp.110-115
［9］Dhillon，P.K.，Lightstone，A.S.，Peek-Asa，C.and Kraus，J.F.，2001.Assessment of Hospital and Police Ascertainment of Automobile versus Childhood Pedestrian and Bicyclist Collisions.Accident Analysis and Prevention 33，pp.529-537
［10］Ekman，L.，1999.Pedestrian Safety in Sweden，Report No.FHWA-RD-99-091，Federal Highway Administration，US Department of Transportation，Washington，DC.
［11］Garder，P.，1994.Bicycle Accidents in Maine:An Analysis.Transportation Research Record 1438，pp.34-41
［12］Hadi，M.A.，Aruldhas，J.，Chow，L.-F.and Wattleworth，J.A.，1995.Estimating Safety Effects of Cross-section Design for Various Highway Types Using a Negative Binomial Regression，Transportation Research Record 1500，pp.169-177
［13］Hauer，Ezra，2001.Access and Safety.Unpublished document，ca.geocities.com/hauer@rogers.com/Pubs/Access.pdf.
［14］Kim，K.，Takeyama，D.and Nitz，L.，1995.Moped Safety in Honolulu，Hawaii.Journal of Safety Research 26，pp.177-185
［15］Levine，N.，Kim，K.and Nitz，L.，1995.Spatial Analysis of Honolulu Motor Vehicle Crashes:I.Spatial Patterns.Accident Analysis and Prevention 27，pp.663-674
［16］Lightstone，A.S.，Dhillon，P.J.，Peek-Asa，C.and Kraus，J.F.，2001.AGeographic Analysis of Motor Vehicle Collisions with Child Pedestrians in Long Beach，California:Comparing.
［17］Intersections and Midblock Incident Locations.Injury Prevention 7，pp.155-160
［18］Lindenmann，Hans Peter，2005.The Effects on Road Safety of 30 Kilometer-per-Hour Zone Signposting in Residential Districts.ITE Journal 75，pp.50-54
［19］National Center for Statistics and Analysis(NCSA)，2006.Traffic Safety Facts 2005，Publication No.DOT-HS-810-618，National Highway Traffic Safety Administration，US Department of Transportation，Washington，D.C.
［20］Mohle，Hank and Associates，1996.GIS for Small Municipalities，Presentation materials，OTS Summit，Ames，IA.
［21］North Carolina Center for Geographic Information and Analysis(NCCGIA)，2000.Pedestrian and Bicycle Safety Analysis Tools，McLean，VA.
［22］Ormsby，T.and Alvi，J.，1999.Extending ArcViewGIS.EnvironmentalSystemResearch Institute，Inc.Redlands，CA.
［23］Roberts，I.and Coggan，C.，1994.Blaming Children for Child Pedestrian Injuries.Social Science and Medicine 38，pp.749-753
［24］Schneider，R.，2001.Development of a Proactive Approach to Pedestrian Safety Planning.
［25］Master's Project in City and Regional Planning，University of North Carolina，Chapel Hill，NC.
［26］Van Houten，R.，1999.Canadian Research on Pedestrian Safety，Report No.FHWA-RD-99-090，Federal Highway Administration，Washington，DC.
［27］Vanjeeswaran，K.，Pulugurtha，S.and Nambisan，S.，2003.Development of Criteria to Identify Pedestrian High Crash Locations in Nevada.Nevada Department of Transportation，Carson City，NV.
［28］Zegeer，C.V.，Seiderman，C.，Lagerwey，P.，Cynecki，M.，Ronkin，M.and Schneider，R.，2002.Pedestrian Facilities Users Guide-Providing Safety and Mobility.Publication No.FHWA-RD-01-102.Federal Highway Administration，U.S.Department of Transportation，Washington，DC.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
