Vol.19No.3
2019年6月JournalofTransportationSystemsEngineeringandInformationTechnology
June2019
文章编号：1009-6744(2019)03-0208-07中图分类号：U491
文献标志码：A
DOI:10.16097/j.cnki.1009-6744.2019.03.031
交通违法事故时空分布特征及其影响因素
——以广州市为例
*(中山大学粤港澳发展研究院张光南，钟俏婷港澳珠江三角洲研究中心，，杨清玄
广州510275)
摘要：为了深入研究我国城市交通事故的时空分布特征及其影响因素，通过对2010年广
州市交通事故原始数据的处理与分析，结合GIS技术及系统聚类法，本文从道路特征，基础设施情况，以及白天和工作日交通事故比例等方面进行实证分析影响城市交通违法事故的风险因素；并在此基础上，结合广州市未来发展规划提出相关政策建议.结果表明：中心城区交通违法事故密集度最高，呈点状密集分布；交通违法事故的道路分布特征为干道多，支路少；上下班高峰时段，交通违法事故分布存在明显区别；从9个交通违法事故高发区域归纳出3大类区域，道路复杂、人多车多的商业地区，高速公路沿线和高架桥附近区域，以及设施齐全、出行方便的市中心.
关键词：交通工程；交通违法事故；GIS；系统聚类法；时空分布；影响因素
Temporal-spatialCharacteristicsandInfluencing
FactorsofAt-faultTrafficCrashes:
ACaseStudyinGuangzhou
ZHANGGuang-nan,ZHONGQiao-ting,YANGQing-xuan
(CenterforStudiesofHongKong,MacaoandPearlRiverDelta,InstituteofGuangdong,HongKongandMacaoDevelopmentStudies,SunYat-SenUniversity,Guangzhou510275,China)
Abstract:Towardsmorein-depthresearchfortemporal-spatialcharacteristicsandpotentialinfluencingfactorsoftrafficaccidentsinurbancities,thispaperanalyzesthetrafficaccidentdataofGuangzhoucityin2010.Usinggeographicinformationsystem(GIS)techniqueandhierarchicalclusteranalysis,thispaperanalyzestheriskfactorsassociatedwithat-faultcrashes,includingcharacteristicsoftheroad,infrastructuresituationandtheaccidentrateonweekdaysandduringthedaytime.AccordingtotheanalysisresultsandfuturedevelopmentplanofGuangzhou,severalproposalsareputforwardtoimprovetheroadsafetysituationinGuangzhou.Analysisresultsshowthatthehighestincidenceofat-faultcrashesoccursinthecentralcitywithaspottydistribution.Forroadfeatures,moreat-faultcrashesoccuronmainroadsratherthanonaccessoryones,andthedistributionofat-faultaccidentsduringthemorningpeakissignificantlydifferentfromthatduringtheafternoonpeak.ThroughexaminingtheidentifiedninecrashhotspotsinGuangzhou,thispaperidentifiesthreemainpatternsofat-faultcrashes.Thefirstoneisthecrowdedbusinessdistrictwithcomplexroads.Thesecondoneisclosetoexpresswaysandtrestles.Thethirdonedisplaysdowntowncharacteristicsincludingwell-equippedfacilitiesandconvenienttransportation.Keywords:trafficengineering;at-faultcrashes;GIS;hierarchicalclusteranalysis;temporal-spatialcharacteristics;riskfactors收稿日期：2018-12-03
修回日期：2019-02-13
录用日期：2019-03-21
基金项目：国家自然科学基金/NationalNaturalScienceFoundationofChina(71573286)；教育部人文社会科学重点研究基地重大项目/MOEProjectofKeyResearchInstituteofHumanitiesandSocialSciencesatUniversities(16JJDGAT006).作者简介：张光南（1981-），男，广东梅州人，教授，博士.
*通信作者：i.qt.zhong@gmail.com
第19卷第3期交通违法事故时空分布特征及其影响因素——以广州市为例209
0引言
随着经济社会发展和机动化进程的不断加快，交通事故已成为危害人们生命财产安全的第一“杀手”.研究道路交通事故的时空分布规律，可以揭示交通事故随时间或者空间变化的趋势，为进一步研究交通事故的形成原因提供依据[1].
由于交通事故数据的可获得性问题，大部分文献采用的事故数据和指标并不全面，仅包含了高速公路、城市主干道和市区三者中的1种事故数据[2-4]，或者只分析了车和行人相撞事故[5]，或者只包含了道路特征，基础设施情况，以及白天和工作日等其中一些变量指标.使用不全面的数据和指标可能导致抽样偏误及重要变量的遗矢，从而使得道路交通事故的时空分布规律分析不全面，实证分析也存在估计偏差.
针对上述问题，考虑到影响因交通违法导致的交通事故(以下简称“交通违法事故”)的因素同样会影响交通事故的严重程度[6]
，本文基于中国公
安部道路交通事故数据库中的事故报告，对2010年广州市全市进行交通违法事故的时空分布规律研究，并在此基础上，选取9个广州市交通违法事故高发区域为研究对象，运用系统聚类法，从道路特征，基础设施情况，以及白天和工作日交通事故比例方面综合分析广州市交通违法事故的影响因素，这对于理解中国城市交通事故成因，以及制定措施以实现“健康中国2030”目标具有重要意义.
1数据与方法
1.1数据来源
本文数据来源包括2006—2010年中国公安部
道路交通事故数据库中的事故报告，以及道路和场所设施的地理数据.中国公安部道路交通事故数据库是现有中国交通安全研究最详尽、最丰富和最可靠的数据来源，包含每起事故的当事人特征信息、伤亡程度、机动车行驶状态、道路条件、事故原因等部分[6].道路和场所设施的地理数据来源于地图公司的导航数据，包括路口密度、道路长度和路网密度等道路特征，公交站密度、商店密度和客运站密度等场所设施情况.1.2研究方法
基于层次的算法(亦称系统聚类法，
HierarchicalClusterAnalysis)是聚类分析法中被研究者广泛使用的一类方法，该方法根据实际情况分为2种类型，第1种是对实体集合(即研究对象)进行分类，聚集了具有相似特征的实体，分离了差异性大的实体，称为Q型聚类；第2种是对指标集合(即变量)进行分类，聚集了具有相似特征的变量，分离了差异性大的变量，称为R型聚类.
本文采用Q型聚类的系统聚类法，将广州市的9个交通违法事故高发区域作为9个实体，利用欧氏距离模型计算实体间的距离，结合最相似的两个实体，然后利用最小方差法(WARD法)自下而上地聚合，直到所有实体聚为一个簇为止[7].
2广州市交通违法事故时空分布
从2006年开始，广州市因交通违法导致的交
通事故在数量上逐年递增，2008年到达最高值(349起)后开始下降.但2008年以来，交通违法事故所导致的死亡人数以每年超过10%~30%的幅度上升.这表明，虽然广州市的交通事故发生得到有效控制，但一旦发生交通事故，造成的死伤情况仍十分严峻，具体情况如图1所示.
对广州全市2010年交通违法事故按每小时统计，可以发现：广州市中心城区与城外在交通违法数量上存在每日时段上的明显差异，总体而言，城外发生交通违法数量较多，如图2所示；但是，通过考虑行政区域的土地面积，可以发现，中心城区内交通违法事故密集度最高，呈现点状密集分布，如图3所示；相比其他行政区，荔湾区、越秀区和天河区这3个行政区内的交通违法事故密度更高，如图4所示.
对于交通违法事故的道路分布情况，根据分析发现，交通干道多、支路少，如图5所示.重要时段交通事故违法点分布情况如图6~图8所示，00:00-06:00的交通事故违法点主要分布在省、国道和高速路上，如东环路是广州通往深圳的要道，G106是南北大动脉等；07:00-09:00是上班通勤时间，大量人流向市中心聚集，使得市区内交通违法情况发生较多；而17:00-19:00是下班通勤时间，交通违法事故分布明显向市区外扩散，散列分布.
210交通运输系统工程与信息2019年6月
Fig.图11The2006—2010annualtrend年广州市总体交通违法事故数量和伤亡程度的年度情况ofperiodthequantityof2006-2010andinjuryinGuangzhouseverityofcity
at-faulttrafficcrashesforthe
Fig.图22Traffic2010年按每小时统计的广州市交通违法事故数量accidentsbyhourofthedayinGuangzhoucityin2010
图4
广州市行政区域交通违法事故图3广州市交通违法事故空间分布图
Fig.3
Distributionmapofat-faultcrashesinGuangzhou
Fig.4estimationThespatial加权核密度分布图
oflayoutoftheweightedKerneladministrativeat-faultaccidentsdensity
districts
inGuangzhou
第19卷第3期交通违法事故时空分布特征及其影响因素——以广州市为例211
图5交通违法事故道路分布图
Fig.5
Theroaddistributionofat-faultaccidents
图6交通违法事故分布图(00:00-06:00)Fig.6
Thedistribution00:00-06:00
ofat-faultaccidentsduring
3广州市交通违法事故高发的影响因素分析
3.1广州市交通违法事故高发区域
根据事故热力图分析(图3)，以及区域事故密度(单位面积的事故数量)，我们具体选取了广州市交通违法事故较为高发的9个区域作为研究对象，如表1所示.3.2系统聚类分析
采用系统聚类法对广州市交通违法事故高发
影响因素分析的具体步骤如下：
图7交通违法事故分布图(07:00-09:00)Fig.7
Thedistribution07:00-09:00
ofat-faultaccidentsduring
图8
交通违法事故分布图(17:00-19:00)Fig.8
Thedistributionofat-faultaccidents(1)根据路口密度、17:00-19:00
during
道路长度和路网密度3个道路特征，公交站密度、商店密度和客运站密度的基础设施情况，以及白天事故比例和工作日事故比例，观测选定的广州市9个交通违法事故高发区域的8个指标，并记录它们在表格中，得到原始数据，如表2所示，并生成变量矩阵：X=(xij),i=1,2,…,9;j=1,2,…,8.
212
交通运输系统工程与信息
2019年6月
表1
广州市2010年交通违法事故高发区域
Table1
Highat-faulttrafficaccidentzonesof2010inGuangzhou
编号区域边界
行政区1广州大道，金穗路，天河东路，天寿路，广园快速路天河区2番禺大道北，迎星中路，富华东路，富华中路，富华北路，西环路
番禺区3广清高速，迎宾大道，雅瑶中路花都区4广清高速，南航大道，金狮大道东，振兴路花都区5府佑路，X291沿江西路，荔城大道，荔景大道
增城市6车陂路，黄村大道，汇彩路，桃园东路天河区7X271尖彭路，Y012丛云路，黄石东路，江夏北二路
白云区8S41-机场高速，G15-北二环高速，G105-白云大道北，S303华南快速
白云区9
内环路，东濠涌高架
越秀区，荔湾区
表2
相关统计数据
Table2
Statisticsofpotentialinfluencingfactorsofat-faultaccidentsinGuangzhou
编号路口密度/道路长路网密度/公交站密度/商店密度/客运站密度/
白天事故数工作日事故
（个/万km2）度/km（km/万km2）(个/万km2)(间/万km2)(个/万km2)
占全天事故数占一周事
数比重故数比重1
2878500.8215278785065421130840.020.6423566740.601315429913551418690.010.4431480831.9284731775715700956070.020.7544271520.911504915895981318690.011.0056370970.441761710281869218690.010.5061547230.619969158910280400.010.4072172620.669867289711775700.000.5081269642.7470623738320560718690.010.9291844341.96128235140220000093460.040.67平均值2822491.18121415161010695739460.010.65中位数2172620.8212829158910280418690.010.64标准差
157992
0.77
331
110873
64868
4266
0.01
0.20
(2)利用标准化变换，消除变量的量纲，使得距离最近的2个实体会聚合为同一簇，其他样每个变量的均值为0，且标准差为1，从而将变量矩本各自定义为一簇，共8个簇.
阵变为X∗=(x∗ij).采用的标准化公式为
(4)利用最小方差法将距离最近的2簇进一步x∗ij(1)
聚为同一簇，簇间距离的度量方法为
ij=
xS-xˉj
j
,i=1,2,…,9;j=1,2,…,8D式中：S[8]avg(Cr,Cs)=n1p∑d(p,mrsr+ns∈(Cr
)
(4)
j表示第j个变量的样本标准差；xˉj表示所有
,Cs
)
指标关于违法事故高发区的平均值.
式中：
d(∙,∙)表示实体间的欧氏距离；p表示簇Cr和Cs(3)计算标准化后9个实体的欧式距离，实体i中的实体；
mrs表示簇Cr和Cs合并后的质心；nr和ns分和实体j之间的距离为
别表示簇Cr和Cs中的实体数量.
(5)重复第(4)步直到所有实体聚为同一簇时d(péi,pj)=ê∑8
(x∗12ëik-x∗jk)2ùú,(2)
聚类结束.k=1ûi,j=1,2,…,9式中：
p3.3结果与分析
i表示实体i；pj表示实体j.令d通过SPSS软件使用系统聚类法对选定的9个ij=d(pi,pj)，D=(dij)9×9
，得到矩阵D为
交通违法事故高发区域进行聚类，根据分析得到æ0d12⋯d的聚类系谱图，将选定的区域划分为3大类较合
D=ççd(3)
ç⋮21
⋮0…d19ö
⋮29÷÷÷适.表3展示了这3个类别高发区域的位置分布，不èd91d92⋯0ø
同类别间的特征总结如下.
第19卷第3期
交通违法事故时空分布特征及其影响因素——以广州市为例
213
表3广州市2010年交通违法事故高发
区域被分为3大类
Table3Threecategoriesofhighat-faulttraffic
accidentzonesof2010inGuangzhou
编号区域边界
分类1广州大道，金穗路，天河东路，
天寿路，广园快速路I2番禺大道北，迎星中路，富华东路，富华中路，富华北路，西环路I3广清高速，迎宾大道，雅瑶中路II4广清高速，南航大道，金狮大道东，振兴路
I5府佑路，X291沿江西路，
荔城大道，荔景大道I6车陂路，黄村大道，汇彩路，桃园东路
III7X271尖彭路，Y012丛云路，黄石东路，江夏北二路III8S41-机场高速，G15-北二环高速，G105-白云大道北，S303华南快速
II9
内环路，东濠涌高架
II
(1)第1类事故高发地区：道路复杂，人多车多的商业地区.
这一类地区包括了广州大道，番禺大道北，南航大道，府佑路等，多位于商店密集的地段.从9个事故高发地区的特征来看，这一类事故高发地区的路网密集且路口数目众多.利用9个事故高发地区数据绘制散点图，发现路网密集度越大，事故率越高，如图9所示.这可能是因为路网越密，单位长度的道路上十字路口越多，从而司机在驾驶时会更频繁地变动车速，且路上视线遮挡物越多，从而更易导致交通事故的发生.
(2)第2类事故高发地区：高速公路沿线和高架桥附近.
和第1类相比，第2类地区多位于高速公路沿线和高架桥附近且道路较长.根据单因素方差分析方法(ANOVA)分析可知，道路长度对事故发生率有显著影响(F(2,6)=25.099,p=0.001).根据图凯HSD检验，进一步分析不同类别的事故高发地区可知，在道路长度方面，第2类与第1类、第3类事故高发区的组间均值具有显著差异(P值分别为0.002和0.003).此外，第2类事故高发地区还有1个显著的特点，白天和工作日的事故率高，如图10所示，这可能是因为在工作日与白天通过该地区的车辆较多，所以更容易引发交通违法事故.
图9路网密度与交通违法事故数量的线性关系Fig.9
Correlationbetweenroaddensityandat-faulttraffic
(3)第3类事故高发地区：accident
设施齐全，出行方便的市中心.
和第1类、第2类地区相比，第3类地区路网密度不高，道路长度适中，路口密度也较低，但有较多的商店.利用9个事故高发地区数据分析发现，商店数量越多，交通违法事故量越大，如图11所示.为确认第3类事故高发地区与另外两类的差别，通过图凯HSD检验可知，第3类与第1类、第2类事故高发区在商店密度方面具有显著的组间均值差异(P值分别为0.033和0.002).
图10不同类别高发区的白天和工作日事故情况Fig.different10
categoryTheaccidentofhighrateat-faultofworkdaytrafficandcrashesdaytimezones
for
图11商店数量与交通违法事故数量的线性关系Fig.11
Correlationbetweenaccidents
shoppingmallandat-fault
214交通运输系统工程与信息2019年6月
4结论
本文以2010年广州市发生的交通事故原始数据处理与分析为例，运用GIS技术和系统聚类法，对广州市交通违法事故的时空分布特征及影响因素进行分析.鉴于以上的事故时空分布现状，结合广州市未来发展规划，本文提出以下政策建议：
第一，广州市的清晨和傍晚无日照、能见度低，因此有必要在夜间容易发生交通违法事故的区域(譬如在第3类交通违法事故高发区域)增设道路照明设施和监控、警醒设施，以减少该类地区交通违法行为、增加道路安全.
第二，对于道路较长且工作日和白天交通流量大的区域，通过完善道路基础设施建设，设立足够的监控设备，以及加强高速公路与立交桥驾驶安全教育的宣传力度来提高这类区域(譬如第2类交通违法事故高发区域)的道路安全.
第三，对于道路复杂、人多车多的商业地区，有关部门可以考虑通过增设道路隔离带以有效进行人车分离来减少交通事故的发生.有效调节红绿灯的时长也是减少人车闯红灯等交通违法行为的解决途径.
本研究所采取的广州市交通事故数据指标相当具有代表性，因此得出的研究结果及分析方法可以推广到分析广州市更新的交通事故数据，以及研究中国其他城市的交通安全问题.但需要指出的是，受调查数据的限制，本文在指标选取方面尚未考察酒吧密度、餐厅密度和电影院密度等变量对交通违法事故的影响，亦缺少交通流水平和灯光条件等变量，这些不足将在后续进行更为详细的研究.
参考文献：
[1]
李文权科Time学学,王炜报,2005,.交通事故的时间分布规律15(4):56-[J].中国安全[2]
周素红SciencedistributionJournal,2005,oftraffic61.[LIWQ,WANGW.15(4):56-61.]
accident[J].ChinaSafety及成因,H,[J]郑重．地理科学,柳林．,城市交通消散期事故高峰现象2012，32(6):649-657.[ZHOUStrafficZHENGZ,LIUL.Spatio-temporalanalysisofpeak[3]
马壮林GeographicaaccidentsSinica,inthecityofHuizhou[J].Scientia通事故时空分布特征研究,张宏璐,谭晓伟．高速公路连续下坡路段交2012,32(6):649-657.]
2014,W.24(5)：85-91．[MAZ[J]L,．中国安全科学学报ZHANGHL,TANX,trafficTemporal-segment[J].accidentsspatialChinaonSafetyfreewaydistributioncharacteristicsofSciencecontinuousJournal,2014,downgrade[4]DE85-91.]
24(5):BrazilianANDRADEL,VISSOCIJRN,[5]
YAOenvironmentalroadanalysis[J].trafficPloSfatalities:RodriguesCG,etal.One,2014,A9(1):spatialandbasedS,pedestrianpedestrianLOOBPY,exposureLAMWWY.Measuresofactivity-e87244.tree[6]
(75):methods[J].collisions:AccidentSpace-timetotheAnalysispathriskofvehicle-&Prevention,vspotential2015pathZHANG320-332.
associatedGChina[J].AccidentwithN,trafficYAUKW,CHENGH.RiskfactorsAnalysisviolationsandandPrevention,accidentseverity2013(59):in[7]
邓敏18-25.
北京,刘启亮,李光强,etal.:科学出版社,2011.等．空间聚类分析及应用[DENGM,LIUQL,LIG[M].Q,[8]
陈俊Beijing:SpatialScienceclusteringPress,2011.]
analysisandapplication[M].研究,XIAO[J].蔡付斌,肖碧云.基于系统聚类的江西旅游发展onB对外经贸Y.Study,of2013(1):tourism66-68.industry[CHENinJiangxiJ,CAIFB,Trade,system2013(1):clustering[J].66-68.]
ForeignEconomicRelationsbased&
因篇幅问题不能全部显示，请点此查看更多更全内容