考虑空间相关性和交通环境影响的宏观事故建模_靳文舟.pdf

文章编号:1009-6094(2023)03-0846-09考虑空间相关性和交通环境影响的宏观事故建模*靳文舟1，包胜男1，裴晓航1，汤左淦1，2(1 华南理工大学土木与交通学院，广州 510640;2 深圳市城市交通规划设计研究中心，广东深圳 518057)摘要:为准确分析宏观尺度下各项因素对发生交通事故的影响，从人口岗位等社会经济特征、交通环境和城市重要设施分布等角度出发，基于深圳市 61.4 万警情事故和 892 个交通分析小区建立带空间自回归误差项的空间自回归模型(SAA)，采用广义空间二段最小二乘法进行模型参数估计后，计算出各要素的空间溢出效应。模型结果表明:人口数量、岗位数量、区域面积、学校数量、主次干道长度和主次干道衔接不足均会显著增加本区域和周边区域内的交通事故数量;拥堵路段长度与交通事故的发生不存在显著关系。拟合优度对比结果发现，SAA 模型优于 OLS、SA 和 SEM模型，是分析宏观尺度下区域安全水平的有效方法。关键词:安全工程;空间相关性;带空间自回归误差项的空间自回归模型;交通环境;宏观安全分析中图分类号:X951文献标志码:ADOI:10.13637/j issn 1009-6094.2021.1974*收稿日期:2021 11 08作者简介:靳文舟，教授，博士生导师，博士，从事安全工程和 宏 观 安 全 分 析 研 究，ctwzhjin scutedu cn。基金项目:国家自然科学基金项目(52072128)0引言根据国家统计局公布的数据，2019 年我国共发生 247 646 起交通事故，造成 62 763 人死亡和256 101 人受伤，同时导致直接财产损失 1.46 亿元1。交通事故造成的严重后果，与“人民对美好生活的向往”目标相悖。研究表明，进行交通安全规划能够显著提升交通安全水平2。对美国、日本、欧洲等国家的城市进行分析可得，这些城市的交通安全状况不断改善得益于明确制定了交通安全发展目标以及持续开展了行之有效的交通安全改善计划，如东京每 5 年 1 次的交通安全基本计划、纽约和伦敦的零死亡行动计划(VisionZero Action Plan)等。相比而言，我国城市交通规划阶段对交通安全的考虑是较为欠缺的，表现在缺乏滚动的、系统性的交通安全发展战略规划，如深圳2019 年才开始第 1 轮道路交通安全行动规划。国外已有大量学者针对宏观层面交通安全水平的影响因素进行研究，为交通安全规划提供了重要理论支撑。2004 年，Felipe 等3 采取了负二项式回归模型来避免数据过于分散的特性，同时考虑交通安全事故的致命性和伤害性，将模型放入交通分析区域进行一级碰撞模拟。2010 年，Huang 等4 提出了一种 5 ST 级层次结构来表示交通安全中多级数据结构的一般框架，运用一种明确指定多级结构的贝叶斯层次方法来适应多级数据结构所带来的潜在交叉群异质性和时空相关性。同年，Huang 等5 提出了一个贝叶斯空间模型，通过显式控制车辆每日行驶里程和人口变量，来研究佛罗里达州县级碰撞风险的变化，结果表明，危险因素对所有撞车和严重撞车的安全性影响均无显著性差异。Hadayeghi等6 研究一种技术，通过误差项的协方差将空间关系引入到完整的贝叶斯半参数建模框架中，以捕捉纬向碰撞数量与交通规划预测因子之间的空间变化关系。2011 年，Miranda-Moreno 等7 研究土地利用类型、道路网络连通性、交通供给和人口特征对行人活动和行人与车辆碰撞事件的影响，为此提出了一个双方程建模框架。国内学者也主要集中研究了交通小区安全水平的影响因素。2012 年，王雪松等8 考虑事故数据非负、离散的特点，在广义线性模型的基础上，采用贝叶斯方法的空间统计模型提高模型的精度。黄合来等9 基于佛罗里达州事故数据，建立贝叶斯空间模型，用来分析道路属性、土地利用和交通特征层面的安全效应。2014 年，王雪松等10 基于上海的事故数据，利用条件自回归模型进行宏观事故分析，发现主、次干道长度，道路网密度，交叉口数量，客运产生量和土地利用强度等因素与事故数量显著相关。2015 年，刘伟等11 通过分析和归类交通系统中相互依存网络类型，采用复杂网络中多网络体系鲁棒性分析方法研究了复杂城市交通网络的脆弱性特征。2016 年，李静茹等12 优先从微观层面开展了路段脆弱性研究，通过文献分析选取脆弱性因素并采用专家打分法确定因素权重，而后基于 DEMATEL/ISM法构建脆弱性因素的结构模型。2018 年，王雪松等13 利用贝叶斯负二项模型对道路、人口、土地利用数据进行分析，提取出上海市中心城区交通小区的行人事故影响因素。同年，段晓红等14 以道路的脆弱性为视角，运用 N K 模型对体系中各层级脆弱性因素之间的耦合关系进行分析。2020 年，汤左648第 23 卷第 3 期2023 年 3 月安全 与 环 境 学 报Journal of Safety and EnvironmentVol 23No 3Mar，2023淦等15 主要分析路网特征数据、城市建成环境和夜间灯光数据对街道死伤人数的影响。同年，牛毅等16 将传统关联规则算法与社会网络分析法相结合来分析高速公路货车交通事故的影响因素，并提出了相对应的事故预防对策与建议。2021 年，靳文舟等17 探究多因素耦合作用下公路车辆群事故伤害的影响因素，以美国得克萨斯州 2016 年的公路碰撞数据为基础，构建了考虑异质性的公路车辆群事故随机参数 Logit 模型。张道文等18 提取国家车辆事故深度调查体系数据库中的 2 726 例事故，以事故严重程度为因变量，从环境要素、时段气象要素、参与者要素 3 个方面选取 10 个自变量建立了二元Lasso-Logistic 回归分析模型。徐金华等19 为探究平面交叉口不同严重程度的交通事故影响因素的关联特性，从人、车、路、环境 4 个维度出发，建立了带约束的二进制粒子群 蚁群算法以挖掘交叉口事故严重程度的关联规则。袁振洲等20 采用定向约束的 Apriori 算法分别分析了工作日和休息日下高速公路交通事故致因，发现工作日和休息日存在不同等级事故的差异性。通过梳理国内外研究现状，可以看出大部分研究是基于一般程序事故或国外事故数据展开的，研究的事故样本不够全面或不符合本国国情。根据我国公安部的交通事故划分标准，将交通事故分为一般程序事故和简易程序事故。一般而言，一般程序事故较简易程序事故严重，但是 2 个事故的划分标准较为模糊，只是由处理案件的民警凭经验划分。一般程序事故和简易程序事故最大的区别为死亡事故属于一般程序事故的统计范畴，而受伤或财产损失事故可能被划分至 2 个事故中的任意一种。其次，有许多较为轻微的剐、蹭事故，并未纳入至一般程序事故和简易程序事故，如远程事故，一般只有保险公司才有此类数据。因此，使用一般程序事故和简易事故进行宏观分析将遗漏大量轻微事故，从而造成严重的模型参数估计偏差21。在宏观层面的事故分析中，每个区域(如交通小区)的事故数据一定包含非负、离散 2 个特性，故许多研究人员采用线性回归或负二项式等广义线性模型进行建模。并且，安全数据在空间层面存在明显的空间自相关性，即越相邻的区域，事故特征会越相近。因此，在进行宏观事故分析时，有必要考虑空间自相关，故本文拟采用带空间自回归误差项的空间自回归模型进行宏观事故建模。综合以上分析，为了更加深入地研究宏观层面下各影响因素的安全效应，本文在前人研究的基础上，拟采用深圳市 2019 年的警情事故数据，考虑空间相关性和城市道路交通环境，构建带空间自回归误差项的空间自回归模型(Spatial AutoregressiveModelwithSpatialAutoregressiveDisturbances，SAA)，以期为国内进行系统性宏观区域交通安全分析提供方法，为城市交通安全规划提供依据和理念支撑。1研究方法1.1最小二乘法基于古典线性回归模型的假设，假设每个区域的交通事故数为 y，X 为解释变量，包括人口数量、就业岗位、学校数量、拥堵路段长度等，则可以构建最小二乘法如下y=X+(1)式中X 为 n k 数据矩阵，n 为矩阵的行数，矩阵中有 k 列解释变量，而 为 k 1 的系数向量，为扰动项。1.2空间自回归模型根据地理学第一定律:所有的事物都与其他事物相关联，且距离越近关联性越强24。这种空间依赖关系亦被称为“空间自相关”，表示为位置相近的区域具有相似的变量取值。最常见的空间自相关模型(Spatial Autoregression，SA)形式如下y=Wy+X+(2)式中W 为空间权重矩阵，为空间自回归系数，用以度量滞后 Wy 对 y 的影响，即衡量空间依赖性。可以看出，当 等于0 时，SA 模型退化为最小二乘法。相比于最小二乘法，SA 模型最直观的区别就是相邻区域的被解释变量 y 相互依赖，SA 模型一般用最大似然法进行估计。空间依赖性除了体现在被解释变量上，还可能体现在误差项上。空间误差模型(Spatial ErrorsModel，SEM)，如式(3)所示。y=X+(3)式中误差项 的生成过程为=+(4)式中M 为空间权重矩阵，为相关系数。式(3)和(4)表明，未被纳入解释变量的遗漏变量之间存在空间相关性。当被解释变量 y 和误差项同时存在空间相关性时，可以构建带空间自回归误差项的空间自回归模型以适用这种情况，模型形式如式(5)所示。7482023 年 3 月靳文舟，等:考虑空间相关性和交通环境影响的宏观事故建模Mar，2023y=Wy+X+(5)式中 与式(4)相同，空间权重矩阵 W 和 可以相等，可知，SA 模型和 SEM 模型是 SAA 模型的特例。1.3Moran 检验在建立空间自回归模型前，需要检验样本数据是否存在空间自相关性，最常用的检验方法为Moran 检验法。对于某个空间序列 xini=1(一般为被解释变量)，当空间权重矩阵被标准化时，Moran 指数 I 的计算公式为I=ni=1nj=1wij(xi x)(xj x)ni=1(xi x)2(6)wij为空间权重矩阵中的元素，Moran 指数 I 的取值介于 1，1，正数表示正相关，负数表示负相关，指数为 0 表示无相关性，空间呈随机。Moran 检验一般是指全局检验。1.4空间权重矩阵在上述的空间自回归模型和 Moran 检验中均涉及到空间权重矩阵，空间权重矩阵是空间关系的一种度量。最常用的空间权重矩阵有 2 种，分别为相邻矩阵和反距离矩阵。假设 wij为空间权重矩阵 W中的(i，j)元素，则空间矩阵的元素公式为wij(相邻)=1有共同的边界0其他(7)wij(反距离)=1dij(8)wij(相邻)和 wij(反距离)分别表示相邻空间矩阵和反距离空间矩阵的元素，dij为区域 i 和区域 j 之间的地理距离，本文用质心之间的长度计算。2数据准备使用一般程序事故/简易事故进行宏观分析将遗漏大量轻微事故，从而造成严重的模型参数估计偏差。相较而言，交警接出警记录的交通事故数量是最为全面的，故本文采用警情事故作为研究对象。基于深圳市交通局警察支队接出警系统，统计涵盖所有报过警的交通事故记录(见表 1)。提取 2019全年的事故警情，并与全市的交通小区进行空间连接，得到每个交通小区(892 个)的事故频数，见图 1。结合前人的研究成果和深圳的事故特征，选择交通小区的面积、人口数和岗位数为控制变量，工厂数量、交叉口数量、学校数量、电子警察数量、拥堵路段长度、主干道长度、次干道长度、主干道长度是否超过次干道长度为解释变量，事故数量为被解释变量。面积为交通小区的面积;工厂数量、学校数量均来源于高德地图 POI 数据;交通事故、信号控制交叉口和电子警察数量来源于深圳市交通警察支队;路网长度、人口、岗位数量来源深圳市城市交通规划研究中心。本文涉及的数据来源汇总说明见表 2，描述性统计见表 3。3实证分析3.1空间自相关检验在正式建立空间自相关模型前，需要对数据进行空间自相关检验，本文对被解释量“事故数量”开展 Moran 全局检验。为提高检验的稳健性，本文分别使用空间相邻矩阵和反距离空间权重进行检验，检验结果见表 4。表 4 结果显示，基于反距离空间权重矩阵和相邻空间矩阵的 Moran 检验均强烈拒绝“无空间自相关”假设，表明使用最小二乘法进行估计是有偏差的，应该使用空间回归模型进行实证分析。3.2模型建立及参数估计在正式建模前，依次建立了基于反距离矩阵和相邻空间权重矩阵的空间回归模型，结果表明基于相邻空间权重建立的模型具有更高的拟合优度，因表 1近 5 年深圳市道路交通事故数据对比22 Table 1Comparison of road traffic accident datain Shenzhen in recent five years22 年份一般程序/宗简易程序/万宗事故警情/万宗20151 1187.447.420161 2978.158.620172 0047.250.820181 9435.755.120191 6987.161.4图 1深圳市警情事故频数分布Fig 1Frequency distribution of police accidentsin Shenzhen848Vol 23No 3安全 与 环 境 学 报第 23 卷第 3 期表 2数据来源说明Table 2Data source description数据名称数据来源交通事故深圳市交通警察支队POI 数据高德地图(爬虫获取)，包括工厂、学校数据，爬取时间为 2020 年 1 月份信号交叉口和电警数据深圳市交通警察支队，通过设备监管平台导出，导出时间为 2020 年 3 月份路网深圳市城市交通规划设计研究中心股份有限公司(交通中心)，包括主次干道长度交通小区交通中心，图层常年用于交通规划实践人口岗位交通中心，交通调查和手机信令估算表 3变量描述及描述性统计Table 3Description of variables and statistics变量名称均值标准差最小值最大值事故数量1 089.341 427.10016 062工厂数量5.3210.440114学校数量0.881.40022信控交叉口数量2.953.33021电子警察数量0.490.97011拥堵路段长度0.400.9408主干道长度2 597.123 127.38023 273.26次干道长度1 523.102 121.31016 136.97主干道长度超过次干道长度0.600.4901人口/万人2.132.12013.64岗位/万个1.291.2207.87面积2.234.940.0359.79注:人口、岗位和面积为控制变量。表 4莫兰检验结果Table 4Moran test results反距离空间矩阵空间相邻矩阵指标值指标值原假设无空间自相关原假设无空间自相关卡方210.34卡方364.23p0.000 0p0.000 0此后续的空间回归模型均基于相邻空间矩阵。为了对比，在建立空间回归模型前先建立了最小二乘法模型(Ordinary Least Squares，OLS)。同时，依次建立空间自回归模型(SA)和空间误差回归模型(SEM)。为了对比，3 个模型均基于最大似然法进行参数估计，模型对比结果和参数估计结果分别见表 5 和 6。AIC 和 BIC 统计量越小，表示模型的拟合优度越高。对比 3 个模型的拟合优度结果(见表 5)，模型拟合优度从高到低的排名依次为 SEM、SA 和OLS。即建立的空间回归模型较最小二乘法模型具有更高的拟合优度。根据表 6 的模型参数估计结果可以看出，SA模型的空间滞后参数 和 SEM 模型的 均在1%的显著性水平上显著，表明数据中不仅存在空间自相关性，还存在误差空间效应，应当建立带空间自回归误差项的空间自回归模型(SAA)，以便更好地刻画空间溢出效应。因此，对 SAA 模型进行估计。考虑到最大似然法估计在数据存在异方差的情况可能会导致结果不收敛，SAA 模型采用广义空9482023 年 3 月靳文舟，等:考虑空间相关性和交通环境影响的宏观事故建模Mar，2023表 5模型对比结果Table 5Model estimation results模型名称仅含常数项的对数似然值含全部参数收敛的对数似然值赤池信息量(AIC)贝叶斯信息量(BIC)最小二乘法模型(OLS)7 744.157 538.0815 100.1715 157.69空间自回归模型(SA)7 744.157 428.1114 884.2214 951.33空间误差回归模型(SEM)7 744.157 424.5914 877.1814 944.29注:1)AIC:Akaike Information Criterion。2)BIC:Bayesian Information Criterion。表 6OLS、SA 和 SEM 模型估计结果Table 6Estimation results for OLS，SA，and SEM models变量名称OLS 模型SA 模型SEM 模型工厂数量1.201(0.25)1.627(0.39)9.533(2.10)学校数量95.04 (3.09)79.22 (3.00)68.14 (2.73)信控交叉口数量3.298(0.17)6.992(0.43)1.521(0.10)电子警察数量58.31(1.29)13.02(0.33)21.48(0.56)拥堵路段长度0.042 1(0.47)0.029 0(0.38)0.123(1.61)主干道长度0.103 (4.94)0.096 1 (5.37)0.129 (7.34)次干道长度0.027 8(1.13)0.042 7(2.02)0.016 9(0.78)主干道长度超过次干道215.6(2.12)317.2 (3.63)285.0 (3.39)人口(万人)107.9 (3.67)78.46 (3.10)84.97 (3.38)岗位(万个)272.4 (4.97)176.3 (3.72)86.12*(1.85)面积59.54 (6.66)40.64 (5.25)68.32 (7.75)_cons 指标213.1(2.57)124.5*(1.68)439.2 (3.29)0.578 (16.70)0.838 (24.66)注:括号内为 t 统计量，*p 0.1，p 0.05，p 0.01。间二段最小二乘法进行估计，并计算空间溢出效应，结果见表 7。SAA 模型的 参数为正且在1%显著性水平上显著，表明交通事故在地理空间的邻接上客观表现出较为明显的空间依赖，且距离越近，空间关系联系越紧密，即存在空间正相关关系。SAA 模型的参数估计没有很强的实际意义，因此一般分析其边际效应。3.3模型结果分析SAA 模型的结果显示，学校数量、主干道路网长度、次干道路网长度和主干道长度超过次干道长度4 个解释变量在1%的显著性水平上显著;而工厂数量、信号交叉口数量、电警数量和拥堵路段长度均不显著。此外，3 个控制变量(人口数、就业岗位数和交通小区面积)在 1%的显著性水平上显著。1)学校数量的边际效应值均为正，表明区域内学校数量越多，交通事故频数越高。边际效应结果显示，1 个区域每增加 1 所学校，则本区域内交通事故数量将约增加 28 起(28.165);与此同时，由于存在空间溢出效应，周边区域将会平均增加约 59 起事故(58.688)，但距离越远，影响越微弱。这主要是因为学校上下学期间学校周围道路的车流、人流剧增，交通冲突次数多，进而导致事故多发23。2)主干道和次干道长度的边际效应均为正，表明区域内主、次干道的长度越长，发生交通事故的可能性越高。区域内主干道或次干道每增加 10 km，区域的警情事故数量将会分别增加 0.19 起和 0.2起，同时周边区域会平均增加 0.48 起和 0.45 起。结果表明，主次干道长度的增加对周边区域的影响高于对本区域内的安全性影响，这与前人的研究结果基本一致10。3)路网衔接结构对区域内的交通事故存在显著影响。主干道长度高于次干道长度的区域，警情事故的发生数将增多 93.8 起，同时周边区域的事故将增加 221.5 起。这一发现揭示了交通规划一定要考058Vol 23No 3安全 与 环 境 学 报第 23 卷第 3 期表 7SAA 模型估计结果Table 7SAA Model estimation results变量名称SAA直接效应间接效应总体效应工厂数量0.0467(0.01)4.3117.98312.293学校数量76.52 (3.00)28.16558.68884.579信控交叉口数量5.546(0.35)17.42532.35749.760电子警察数量14.58(0.39)41.22576.049117.210拥堵路段长度0.0693(0.95)0.0810.1540.235主干道长度0.0861 (5.00)0.0190.0480.064次干道长度0.0440(2.19)0.0220.0450.067主干道长度超过次干道长度320.1 (3.80)93.843221.458305.648人口/万人65.21 (2.70)26.62353.28878.069岗位/万个166.1 (3.63)50.134103.695147.585面积29.54 (4.05)7.98316.96223.734_cons 指标170.1(2.47)0.733 (17.92)0.388 (5.12)注:括号内为 t 统计量，表示变量在 1%的显著性水平上显著，表示变量在 1%的显著性水平上不显著。虑主次干道的衔接问题，要尽量避免低等级道路里程低于高等级道路里程的情况。以深圳市龙岗区为例，龙岗区的事故数量常年位列全市第一或第二，是全市的事故大户，这也与其路网结构存在紧密联系。如表 8 所示，由龙岗区的路网结构可以看出，龙岗区的主干道规模远大于次干道的规模，导致主干道不可避免地直接与支路相衔接，路网跨等级衔接也是龙岗区事故高发的原因，同样印证了本结论的正确性。4)SAA 模型结果显示，拥堵路段的长度并不会显著增加交通事故数量，这一结论与文献 24 的结论类似。一方面，虽然在拥堵状态下，车流较大，车间距较短，可能会增加潜在的事故碰撞风险。但是，在拥堵状态下，车辆只能保持较低的速度行驶，1582023 年 3 月靳文舟，等:考虑空间相关性和交通环境影响的宏观事故建模Mar，2023表 8龙岗区路网结构Table 8oad structure of Longang指标路网规模/km密度/(kmm 2)高速公路81.00.37快速路24.00.11主干道264.91.20次干道174.60.79加之驾驶员的谨慎驾驶，甚至在拥堵情况下更不容易发生交通事故。对于这一研究结论，未来需要分道路等级、分时段进行更加深入的分析，以期获得更加稳健、可靠的结论。5)人口数量、工作岗位和区域面积 3 个控制变量均与交通事故数量呈正相关，这与我们的预期一致。其次，这 3 个控制变量对周边区域的安全效应均高于本区域。3.4安全借鉴思路模型分析结果为未来深圳市，乃至其他区域的交通安全规划和交通治理提供了借鉴。在区域交通规划过程中，要注意路网结构的衔接问题，尤其是要避免高等级道路里程高于低等级道路里程。高等级道路越高，意味着必然存在部分高等级道路直接与更低等级的道路相连接，即阶差大。阶差越大，代表路网结构越差，拥堵与事故的风险越高。研究结果表明，学校越多的区域，发生事故的概率越高，这主要是因为学校上下学期间学校周围道路的车流、人流剧增，交通冲突次数多，进而导致事故多发。因此，在交通治理时，要严格排查学校周边交通安全隐患，同时应重点加强对非机动车、摩托车和货车的安全管理，保障学校周边的安全。4结论1)考虑交通事故自身存在空间自相关性和交通环境对宏观尺度区域的安全水平的影响，基于深圳市 61.4 万警情事故数据，构建空间自回归误差项的空间自回归模型(SAA)，结果表明 SAA 模型的整体拟合优度均高于 OLS、SA 和 SEM 模型，是研究宏观尺度交通事故的一种有效方法。2)模型估计结果表明学校数量、主次干道长度和主次干道衔接不足均会显著增加本区域和周边区域内的交通事故数量。其次，人口数量、工作岗位数和区域面积 3 个控制也均显著。3)区域内的道路拥堵长度不显著，表明拥堵不会显著增加本区域和周边区域的事故发生概率。4)本文仅使用深圳市 1 年的警情事故进行实证分析，为获取更加稳健的实证分析结果，未来可考虑采用多年的面板数据进行安全分析。其次，本文建立的 SAA 模型仅考虑了空间滞后项和误差项的空间相关性，未来可进一步考虑融合自变量的空间相关性的统计模型，以获得更加丰富的结果。参考文献(eferences):1 中华人民共和国统计局 中国统计年鉴M 北京:中国统计出版社，2018.Statistics Bureau of the Peoples epublic of China Chinastatistical yearbook M Beijing:China Statistics Press，2018.2 NationalAcademiesofSciences，Engineering，andMedicine，Transportation esearch Board Incorporatingsafety intolong-rangetransportationplanning M American:National Academies Press，2006.3 FELIPE L，WASHINGTON S，OH J Forecasting crashesat the planning level:simultaneous negative binomialcrashmodelappliedinTucson，arizona J TransportationesearchecordJournaloftheTransportation esearch Board，2004，1897(1):191 199.4 HUANG H L，ABDEL-ATY MMultilevel data andbayesian analysis in traffic safetyJ Accident Analysis Prevention，2010，42(6):1556 1565.5 HUANG H L，ABDEL-ATY M，DAWICHE L ACounty-level crash risk analysis in florida:bayesianspatial modelingJ Transportation esearch ecord:Journal of the Transportation esearch Board，2010，2148(1):27 37.6 HADAYEGHIA，SHALABYA，PESAUDBDevelopment of planning-level transportation safety modelsusing full bayesian semiparametric additive techniques J Journal of Transportation Safety Security，2010，2(1):45 68.7 MIANDA-MOENO L F，MOENCY P，EL-GENEIDYA MThe link between built environment，pedestrianactivity and pedestrian-vehicle collision occurrence atsignalizedintersections J AccidentAnalysisPrevention，2011，43(5):1624 1634.8 王雪松，吴杏薇，金昱 宏观交通安全建模研究与安全影响因素分析J 同济大学学报(自然科学版)，2012，40(11):1627 1633.258Vol 23No 3安全 与 环 境 学 报第 23 卷第 3 期WANG X S，WU X W，JIN YMacro level safetymodeling and impact factor analysis J Journal of TongjiUniversity(Natural Science)，2012，40(11):1627 1633.9 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研究J 同济大学学报(自然科学版)，2013，41(9):1378 1383.HUANG H L，DENG X，XU P PBayesian crashprediction model based on a consideration of spatialautocorrelationJ Journal of Tongji University(NaturalScience)，2013，41(9):1378 1383.10 王雪松，宋洋 基于条件自回归模型的城市宏观安全分析 J 同济大学学报(自然科学版)，2014，42(8):1176 1180.WANG X S，SONG Y Macro-level safety analysis inurbanusingconditionalautoregressivemodel J Journal of Tongji University(Natural Science)，2014，(8):1176 1180.11 刘伟，王奥博 基于多网络体系分析的城市交通系统脆弱性研究 J 武汉理工大学学报(交通科学与工程版)，2015，39(6):1140 1143.LIU W，WANG A B esearch on vulnerability of urbantraffic system based on network of networks analysis J JournalofWuhanUniversityofTechnology:Transportation Science and Engineering，2015，39(6):1140 1143.12 李静茹，安实，胡晓伟 基于 DEMATEL/ISM 的高速公路路段脆弱性影响因素研究J 公路交通技术，2016，32(5):109 113.LI J，AN S，HU X W DEMATEL/ISM based studyon influence factors to road vulnerability of highway J Technology of Highway and Transport，2016，32(5):109 113.13 王雪松，杨俊广，杨筱菡，等 考虑空间相关性的行人宏观安全研究 J 中国公路学报，2018，31(5):136 142.WANG X S，YANG J G，YANG X H，et Macro-levelpedestrian safety analysis considering spatial correlation J China Journal Highway Transportation，2018，31(5):136 142.14 段晓红，张妍，侯晓丽 基于因素耦合分析的道路交通系统脆弱性 J 安全与环境学报，2018，18(5):1749 1755.DUAN X H，ZHANG Y，HOU X L Analysis of theroad traffic system vulnerability based on the factorcouplingmethod J JournalofSafetyandEnvironment，2018，18(5):1749 1755.15 汤左淦，孙烨垚，郭莹，等 基于多源数据融合的街道交通事故死伤人数建模C/第十五届中国智能交通年会科技论文集(1)深圳:中国智能交通协会，2020:390 400.TANG Z G，SUN Y Y，GUO Y，etModeling thecasualties of traffic accidents in street level based onmulti-source data fusionC/Collection of Scientificandtechnologicalproceedingsofthe15thchinaintelligent transportation conferenceShenzhen:ChinaInteligent Transportation System Association(1)，2020:390 400.16 牛毅，李振明，樊运晓 基于数据挖掘的高速公路火车交通事故影响因素关联分析研究 J 安全与环境工程，2020，27(4):180 188.NIU Y，LI Z M，FAN Y XCorrelation analysis ofinfluencing of truck traffic accidents on expressways J Safety and Environmental Engineering，2020，27(4):180 188.17 靳文舟，姚尹杰 多因素耦合作用下的车辆群事故伤害程度估计 J 郑州大学学报(工学版)，2021，42(3):1 7.JIN W Z，YAO Y JEstimation of accident injuryseverityofvehiclegroupsconsideringmulti-factorcoupling J JournalofZhengzhouUniversity(Engineering Science)，2021，42(3):1 7.18 张道文，母尧尧，王朝健，等 城市道路交通事故特性及严重程度研究 J/OL 安全与环境学报，1 9 2022 01 02 DOI:10.13637/j issn 1009-60942021 0299.ZHANG D W，MU Y Y，WANG C J，et esearch oncharacteristics and severity of urban road traffic accidentsJ/OL Journal of Safety and Environment，1 9 2022 01 02 DOI:10.13637/j issn 1009-60942021 0299.19 徐金华，李岩，张玉婷 一种挖掘交叉口事故严重程度影响因素关联特性的算法 J/OL 安全与环境学报，1 10 2022 01 02 DOI:10.13637/j issn1009-6094.2021.1553.XU J H，LI Y，ZHANG Y T An algorithm to mine theassociation rules among causes of accident severity atintersection J/OL Journal of Safety and Environment，1 10 2022 01 02 DOI:10 13637/j issn 1009-6094 2021 1553.20 袁振洲，娄晨，杨洋 时间差异条件下的高速公路交通事故致因分析J 北京交通大学学报，2021，453582023 年 3 月靳文舟，等:考虑空间相关性和交通环境影响的宏观事故建模Mar，2023(3):1 7.YUAN Z Z，LOU C，YANG Y Analysis of freewaytraffic crash causes under time differences J Journalof Beijing Jiaotong University，2021，45(3):1 7.21 YAMAMOTOT，HASHJIJ，SHANKAVNUnderreportingintrafficaccidentdata，biasi