城市混合交通道路路段自行车死亡事故影响因素探析:一项贝叶斯微观研究

《IATSS Research》:Exploring determinants of bicycle fatalities in urban mixed-traffic road segments: A Bayesian microscopic study

【字体: 大 中 小 】 时间:2026年07月09日 来源:IATSS Research 3.4

编辑推荐:

  道路交通伤害(Road Traffic Injuries,RTIs)是全球范围内导致死亡和残疾的主要原因之一。其中,超过一半的负担落在弱势道路使用者(Vulnerable Road Users,VRUs)身上,包括行人、骑行者以及机动化两轮和三轮车辆骑乘者。在

  
道路交通伤害(Road Traffic Injuries,RTIs)是全球范围内导致死亡和残疾的主要原因之一。其中,超过一半的负担落在弱势道路使用者(Vulnerable Road Users,VRUs)身上,包括行人、骑行者以及机动化两轮和三轮车辆骑乘者。在发展中经济体中,自行车主要由低收入人群用于通勤。尽管自行车死亡事故的发生频率较低,但按单位暴露量计算的风险极高,因此有必要对自行车骑行者安全开展研究。

本研究考察了异质性交通条件下导致自行车死亡事故的影响因素。研究在印度德里以道路路段为分析单元开展微观层面的碰撞调查。初步结果表明,汽车和重型商用车辆(Heavy Commercial Vehicles,HCVs)是导致自行车死亡事故的两类主要道路使用者。死亡事故主要发生在清晨时段。研究进一步构建了计数数据模型,强调了多种道路物理特征与运行特征对自行车死亡事故的影响。结果表明,自行车交通量(βln(Cycle) = 0.340)和重型商用车辆交通量(βln(HCV) = 0.320)会提高自行车死亡事故发生的可能性,而公交车交通量(βln(Bus) = ?0.390)则会降低死亡风险。高速道路上存在缘石缓冲带(β = 0.670)同样会增加自行车死亡事故发生概率。

研究还纳入了分区层面属性,以考察分区土地利用和建成环境特征对自行车安全的影响。结果显示,游憩用地(β = 1.390)会提高自行车死亡事故发生概率。纳入分区层面属性后,模型性能得到显著提升。此外,研究结果验证了自行车安全中的安全数量效应(Safety-in-Numbers,SiN)(βln(Cycle) < 1),但同时表明,自行车交通量对自行车安全影响的变异性仍有待进一步探索。最后,研究还讨论了上述结果的政策含义。
该文发表于《IATSS Research》,聚焦发展中经济体城市混合交通环境下自行车死亡事故的形成机制,核心目标是在微观道路路段尺度上识别影响自行车致死风险的关键因素,并检验“安全数量效应”(Safety-in-Numbers,SiN)在异质交通条件中的适用性。研究背景在于:全球道路交通伤害(Road Traffic Injuries,RTIs)中,弱势道路使用者(Vulnerable Road Users,VRUs)承担了过高风险,而在低收入和中等收入国家,自行车常被低收入劳动者用于通勤,具有明显的民生属性。尽管自行车死亡事故在总量上占比不高,但单位暴露风险很高,尤其在缺乏专用骑行设施、机动车与非机动车共享路权、交通流组成复杂的城市道路上,自行车骑行者面临更高致死威胁。既有研究多基于高收入国家的均质交通系统,结论未必能够直接适用于像德里这样的混合交通城市;同时,传统微观安全模型往往只纳入路段或交叉口自身特征,忽略分区土地利用和建成环境变量,可能导致遗漏变量偏差。因此,开展这项研究具有明显的理论与实践价值。

研究人员以印度德里国家首都辖区为研究区域,在道路路段层面构建自行车死亡事故预测模型,系统分析道路物理特征、交通运行特征以及分区层面土地利用属性对自行车死亡事故的影响。研究结论表明:汽车和重型商用车辆(Heavy Commercial Vehicles,HCVs)是造成自行车死亡事故的主要碰撞对象;死亡事故高发于清晨时段;自行车交通量和HCV交通量会显著提高自行车死亡事故概率,而公交车交通量则与死亡风险下降相关;高速道路上的缘石缓冲带、较高的公交站密度以及分区层面的游憩用地均会增加死亡风险;将交通分析分区(Traffic Analysis Zones,TAZs)层面的属性纳入微观模型后,模型拟合显著改善。研究还证实了自行车安全中的SiN效应,即随着自行车交通量上升,死亡事故虽然增加,但增幅低于暴露增幅,意味着单位骑行者风险下降;不过,这一效应在不同路段间存在一定变异。上述发现为发展中经济体城市自行车安全治理、道路工程改造和速度管理政策提供了实证依据。

研究方法概括:研究人员采用同质化分段方法划分德里道路路段,以2016—2019年警方第一调查报告(First Investigation Report,FIR)提取自行车死亡事故,并结合2018年多来源交通视频计数数据、OpenStreetMap(OSM)路网、Google Maps街景人工识别路段特征,以及基于TAZ的Facebook人口栅格与德里发展局土地利用数据进行建模。统计方法上,依次建立负二项模型(Negative Binomial,NB)、含分区属性的NB模型、随机参数负二项模型(Random Parameter Negative Binomial,RPNB)及贝叶斯随机参数负二项模型,以AIC、BIC、似然比检验和偏差信息准则(Deviance Information Criterion,DIC)比较模型优劣。

研究结果部分可概括如下。

4.1. Descriptive statistics of fatalities
研究人员首先对自行车死亡事故开展描述性统计分析。2016—2019年间,德里共观测到200起自行车死亡事故。通过“Who-hits-Whom”分析,研究发现汽车是最主要的碰撞车辆类型,占34%;重型商用车辆次之,占25%。这说明在城市混合交通环境中,对自行车骑行者构成致命威胁的并非单一高大型车辆,普通小汽车同样是重要风险源。时间分布分析显示,自行车死亡事故主要集中于早晨6时至9时。研究据原文指出,这一时段早于机动车早高峰,而自行车通勤暴露较高;同时,德里对HCV通行存在时段限制,导致其多在清晨或夜间运行。在其他机动车流量较低、平均车速较高的条件下,HCV与自行车之间形成更不利的速度差环境,从而提升致死风险。该部分结果说明,自行车死亡事故不仅受交通量影响,也与日内交通组织和不同车型时段性运行特征密切相关。

4.2. Crash prediction models
在模型构建方面,研究人员以路段层面的自行车死亡事故频数为因变量。由于因变量方差大于均值,存在过度离散(overdispersion),故首先采用负二项模型。模型比较结果表明,纳入TAZ层面变量的模型优于仅含路段变量的模型,说明分区属性可显著改进微观层面的安全预测。随后,研究人员构建随机参数负二项模型以考察参数在路段之间的变异性,但传统极大似然框架下并未显示出明显改进。进一步使用贝叶斯随机参数负二项模型后,得到更佳拟合结果,并识别出自行车交通量效应存在小幅但显著的随机变异。因此,最终以贝叶斯随机参数负二项模型作为最优模型进行解释。

4.2.1. Interpretation of explanatory variables
这一部分是全文的核心结果解释。首先,自行车交通量ln(Cycle)的系数为正,说明随着骑行暴露增加,自行车死亡事故数量上升;但其系数小于1,表明死亡事故增速低于自行车流量增速,从而支持SiN效应。换言之,骑行者越多,单个骑行者面临的致死风险反而下降。研究同时指出,ln(Cycle)的随机参数标准差在贝叶斯模型中具有显著性,意味着这种SiN效应并非在所有路段上完全一致,而是存在一定空间异质性。

其次,HCV交通量ln(HCV)与自行车死亡事故呈正相关。结合前述时间分布特征,研究人员认为,HCV多在清晨时段运行,而此时道路整体机动车干扰较少、行驶速度偏高,与自行车共享路权时更容易形成致命风险。由此可见,重型商用车辆管理是改善自行车安全的重要切入点。

再次,公交车交通量ln(Bus)与自行车死亡风险呈负相关。这一结果表明,公交运行时段通常伴随较低的整体机动车速度,且公交的存在会进一步强化交通流异质性,从而降低机动车平均速度,为骑行者提供相对更安全的环境。但与此同时,公交站密度与自行车死亡事故正相关,说明公交站附近由于公交车辆进出站、减速与加速操作,与自行车产生更频繁的横向和纵向交互,显著提高了风险。研究据此强调,在缺乏自行车专用设施时,公交站周边是需要重点治理的高风险点位。

此外,高速道路上的缘石缓冲带(即车行道与人行道缘石之间的闲置空间)显著增加自行车死亡风险。研究指出,这类空间虽不应被占用,却常被非法路侧停车使用,迫使骑行者向右侧机动车流中偏移,进而增加与高速机动车发生危险交互的概率。该结果揭示了看似“缓冲”的边缘空间在实际管理失效条件下可能演化为安全隐患。

在分区层面变量中,游憩用地显著增加自行车死亡事故概率。研究显示,拥有较多公园和历史景点等游憩用地的TAZ,往往机动车交通量相对较低,但速度执法不足、超速倾向更强。在缺乏专用骑行设施时,自行车与高速机动车混行,形成更高致死风险。工业用地在模型中虽有正向系数,但在文中结果解释中未被明确作为稳健结论展开,因而不宜过度延伸。

讨论部分的核心在于,对混合交通条件下自行车安全机理的再认识。研究表明,自行车死亡事故并非单纯由骑行暴露增加所致,而是由暴露、车型结构、速度环境、路侧空间占用及周边土地利用共同作用形成。研究尤其强调,在发展中经济体共享路权环境下,速度差是塑造风险的关键机制之一。公交车流量之所以表现出“保护性”效应,并不意味着公交本身天然安全,而是其与低速运行环境相联系;相反,公交站点这一局部设施会因频繁交织而增加风险。研究同时指出,将TAZ层面的建成环境变量纳入微观模型,能够有效避免仅凭路段变量作出片面解释,证明了宏微观整合建模在非机动车安全研究中的必要性。对于SiN效应,论文既给予支持,也指出其路段间变异性,说明单纯提升骑行量并不必然在所有场景中等比例改善安全,仍需与机动车管理和基础设施供给协同推进。

研究结论部分可译为:通过在道路路段层面构建自行车死亡事故预测模型,本研究成功识别了多种道路物理和运行特征对自行车安全的影响。不同计数模型的结果表明,自行车交通量增加会提高自行车死亡事故数量,但死亡事故的增幅低于自行车流量的增幅,从而验证了自行车安全中的安全数量效应(Safety-in-Numbers,SiN)。模型同时表明,自行车交通量对安全的影响存在变异性。重型商用车辆(HCVs)是自行车死亡事故的重要促成因素,HCV交通量越高,自行车死亡风险越高。公交车交通量会降低死亡风险,但公交站的存在会提高风险。高速道路上的缘石缓冲带为非法停车提供了机会,因此会增加自行车死亡事故概率。与此同时,游憩用地占比较高的交通分析分区(TAZs)呈现更高的自行车死亡事故水平。研究还表明,在微观安全预测模型中纳入分区层面属性,可显著提升模型拟合效果。总体而言,研究支持以下政策方向:在机动车平均速度超过30 kmph的道路上应优先配置自行车专用基础设施;在公交站和游憩区域等易超速路段需实施交通稳静化(traffic calming);应加强对超速和非法路侧停车的执法;促进自行车出行增长的政策亦有助于提升自行车安全,但须注意不同路段之间效应并不一致。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号