用地組合形態(tài)劃分與交通安全影響因素分析

丁 微 徐鋮鋮 劉 攀

(東南大學(xué)交通學(xué)院, 南京 210096)

用地組合形態(tài)劃分與交通安全影響因素分析

丁 微 徐鋮鋮 劉 攀

(東南大學(xué)交通學(xué)院, 南京 210096)

為了探究土地利用對交通安全的影響,基于交通事故、交通小區(qū)邊界、路網(wǎng)、交通流量、人口以及建筑物用地數(shù)據(jù),以交通小區(qū)為分析單元,將用地特征參數(shù)作為聚類指標(biāo),利用K均值聚類算法將土地利用劃分為5類用地組合形態(tài),采用半?yún)?shù)地理加權(quán)回歸和方差分析的方法研究用地組合形態(tài)對交通安全的影響.結(jié)果表明,自然生態(tài)型用地形態(tài)的事故風(fēng)險是居住用途主導(dǎo)的用地形態(tài)的1.171倍,社區(qū)服務(wù)型用地形態(tài)的事故風(fēng)險是居住用途主導(dǎo)的用地形態(tài)的0.641倍,不同的用地組合形態(tài)之間社會經(jīng)濟和交通運行特征差異顯著.用地組合形態(tài)通過社會經(jīng)濟和交通運行間接地影響交通安全,其中自然生態(tài)型的用地形態(tài)最安全,社區(qū)服務(wù)型用地形態(tài)最危險,是交通安全管理的重點.

用地組合形態(tài);交通安全;K均值聚類算法;半?yún)?shù)地理加權(quán)泊松回歸模型;方差分析

Abstract: To investigate the influence of land use on the traffic safety, by taking the traffic districts as the analysis unit and the land-use characteristic parameters as the clustering index, five land-use combinations were divided by using theK-means clustering algorithm based on crash, traffic analysis zone boundary, road network, traffic flow, population and land-use data. The influence of the land-use combinations on traffic safety was studied by the methods of semi-parametric weighted Poisson regression and variance analysis. The results show that the crash risks of ecotype and community service land-use are 1.171 and 0.641 times that of residential land-use, respectively. The social-demographic and traffic parameters of different land-use combinations are significantly different. The land-use combinations indirectly affect the traffic safety through social-demographic and traffic operation. The ecotype land-use combination is the safest, and the land-use combination of community service is the most dangerous which deserves more attention in traffic safety treatment.

Keywords: land-use combinations; traffic safety;K-means clustering algorithm; semi-parametric geographically weighted Poisson regression; analysis of variance

土地利用是交通出行產(chǎn)生和吸引的源頭.不同的用地組合形態(tài)影響著駕駛員行為、道路條件和交通環(huán)境,這些因素與交通事故的發(fā)生直接相關(guān).因此,研究不同的用地形態(tài)對交通安全的影響,探索用地形態(tài)對交通安全的影響機理,是制定合理的用地策略、預(yù)防和減少交通事故的有效途徑[1].

在研究城市用地與交通安全之間關(guān)系時,通常將土地利用特征與交通運行特征、經(jīng)濟社會特征等一起加入宏觀交通安全模型中[2-4],對土地利用特征的分析僅以單一的用地參數(shù)表征,如用地面積、區(qū)域內(nèi)學(xué)校數(shù)量等.這種傳統(tǒng)的單一用地參數(shù)表征方法分立地研究了各類性質(zhì)的用地對交通安全的影響,沒有考慮到區(qū)域內(nèi)不同性質(zhì)用地間的交互作用,不能充分反映區(qū)域的土地利用特征.

本文以交通分析小區(qū)為分析單元,將用地規(guī)模因素、土地利用密度、用地類別和用地混合度等方面的用地特征參數(shù)作為聚類指標(biāo),將交通分析小區(qū)內(nèi)土地利用劃分為若干用地形態(tài),通過用地組合形態(tài)表征土地利用特征,定量評估土地利用對交通安全的影響,并探索不同用地形態(tài)下影響交通安全的用地特征、社會經(jīng)濟特征與交通運行特征參數(shù),為考慮道路交通安全的土地利用規(guī)劃提供參考.

1 數(shù)據(jù)

1.1 數(shù)據(jù)來源

本文采用加利福尼亞州Los Angeles縣(共計2 244個交通分析小區(qū))2010年的數(shù)據(jù).這些數(shù)據(jù)為GIS格式,包括交通事故、交通分析小區(qū)邊界、路網(wǎng)、交通流量、人口以及建筑物用地性質(zhì)數(shù)據(jù).

交通事故數(shù)據(jù)來源于加州大學(xué)伯克利分校交通安全研究與教育中心.2010年Los Angles縣共有50 683起交通事故,2 244個交通分析小區(qū)中事故頻數(shù)最少的為0,最多的為321起.

人口數(shù)據(jù)、交通分析小區(qū)邊界數(shù)據(jù)以及路網(wǎng)數(shù)據(jù)均來源于美國人口調(diào)查局.路網(wǎng)數(shù)據(jù)分為高速公路和地方道路2類.交通流量數(shù)據(jù)來源于公共工程部門,包括年平均日車輛里程和貨車年平均日交通流量.

建筑物用地性質(zhì)數(shù)據(jù)來源于Los Angles縣區(qū)域規(guī)劃部門,共計6 735條建筑物用地記錄.建筑物用地基本性質(zhì)分為10類:住宅類、交通類、公用設(shè)施類、工業(yè)類、辦公類、零售類、物流倉儲類、社區(qū)服務(wù)類、休閑娛樂類和自然保護區(qū).

1.2 數(shù)據(jù)處理

交通分析小區(qū)是交通研究的基本劃分單元,連接了交通運行特征與土地利用特征以及人口經(jīng)濟特征.本文采用交通分析小區(qū)作為基本的分析單元.使用ArcGIS 10.1軟件的標(biāo)識工具將上述數(shù)據(jù)匹配到對應(yīng)的交通分析小區(qū),然后基于交通分析小區(qū)編號進行整合,得到的數(shù)據(jù)集共計2 244條記錄.在后續(xù)分析中需要以下數(shù)據(jù):

1) 交通分析小區(qū)交通事故頻數(shù).

2) 交通分析小區(qū)內(nèi)各類建筑物用地比例,其計算公式為

(1)

式中,Pi,r為第i個交通分析小區(qū)中第r類建筑物的用地比例;Si,r為第i個交通分析小區(qū)中第r類建筑物的用地面積;Oi為第i個交通分析小區(qū)的用地面積.

3) 交通分析小區(qū)用地混合度,其計算公式為[5]

(2)

式中,Mi為第i個交通分析小區(qū)的用地混合度;R為建筑物用地類別數(shù).

4) 用地密度,即交通分析小區(qū)建筑物用地總面積除以交通分析小區(qū)的面積.

5) 用地規(guī)模,即交通分析小區(qū)內(nèi)建筑物用地面積之和.

6) 人口密度,即交通分析小區(qū)人口數(shù)除以交通分析小區(qū)的面積.

7) 年平均日車輛里程.

8) 貨車年平均日交通量.

9) 高速公路長度.

10) 高速公路比例,其計算公式為

(3)

式中,Ei為第i個交通分析小區(qū)高速公路所占比例;Li為第i個交通分析小區(qū)地方道路長度,km;Fi為第i個交通分析小區(qū)高速公路長度,km.

2 數(shù)學(xué)模型

2.1 K均值聚類算法

K均值聚類算法具有復(fù)雜度低、收斂速度快等特點,相比于其他復(fù)雜的聚類算法更適合于處理本文這種大數(shù)據(jù)集.對于不同的聚類變量和分類數(shù)組合形成的多個聚類方案,本文采用戴維森堡丁指數(shù)的方法[6]進行方案選擇.根據(jù)此方法,使得下式值最小的組合即為最優(yōu)的聚類方案:

(4)

式中,K為聚類數(shù);Qc和Qt分別為第c個分類和第t個分類的類內(nèi)質(zhì)心距離均值;dc,t為第c個分類和第t個分類的類間質(zhì)心距離.戴維森堡丁指數(shù)值越小表示類內(nèi)差異越小,類間差異越大,則該聚類方案越優(yōu).

2.2 半?yún)?shù)地理加權(quán)泊松回歸模型

半?yún)?shù)地理加權(quán)泊松回歸模型適用于具有空間相關(guān)性和異質(zhì)性的數(shù)據(jù)集,一般形式為

(5)

式中,λi為第i個交通分析小區(qū)事故頻數(shù)的期望值;(ui,vi)為第i個交通分析小區(qū)質(zhì)心的二維坐標(biāo);βj(ui,vi)為第i個交通分析小區(qū)中第j個局部解釋變量xij的回歸參數(shù),該參數(shù)隨交通分析小區(qū)變化而發(fā)生變化;γl為第l個全局解釋變量zil的回歸參數(shù),該參數(shù)與交通分析小區(qū)i無關(guān);εi為誤差項.

地理加權(quán)回歸模型中依據(jù)局部光滑的原則,利用加權(quán)最小二乘法來估計模型參數(shù)βj(ui,vi),表示為

(7)

式中,wia為第i個交通分析小區(qū)進行參數(shù)估計時賦予第a個交通分析小區(qū)的權(quán)重;Gia為第i個和第a個交通分析小區(qū)的質(zhì)心距離;bi為第i個交通分析小區(qū)進行參數(shù)估計時的帶寬.

3 結(jié)果與討論

3.1 聚類結(jié)果

本文采用K均值聚類算法對交通分析小區(qū)的用地組合形態(tài)進行分類,以戴維森堡丁指數(shù)作為聚類結(jié)果的評價標(biāo)準(zhǔn).當(dāng)K=5,將用地混合度和各類建筑用地比例作為聚類變量時,戴維森堡丁指數(shù)達(dá)到最小值.用地組合形態(tài)被分為如下5類:自然生態(tài)型用地組合形態(tài)、居住用途主導(dǎo)的用地組合形態(tài)、商業(yè)用途主導(dǎo)的用地組合形態(tài)、休閑娛樂用途主導(dǎo)的用地組合形態(tài)和社區(qū)服務(wù)型用地組合形態(tài).表1給出了不同用地組合形態(tài)的聚類中心.由表可知:

表1 不同用地組合形態(tài)的聚類中心

1) 商業(yè)用途主導(dǎo)的用地組合形態(tài)下交通分析小區(qū)的零售類建筑用地比例較大,達(dá)到1.44%,輔以少量辦公和休閑娛樂建筑.樣本中有466個交通分析小區(qū)被分到此類用地組合形態(tài),平均交通事故為35起.

2) 自然生態(tài)型用地組合形態(tài)的用地混合度在5類中最小,達(dá)到0.115,自然保護區(qū)用地的比例最大,達(dá)到81.02%.樣本中8.16%的交通分析小區(qū)被分到該用地組合形態(tài),平均交通事故25起.圖1描述了5類用地組合形態(tài)的交通分析小區(qū)交通事故頻數(shù)特點,總體交通事故頻數(shù)n的15%分位數(shù)為11起,中位數(shù)為29起,85%分位數(shù)為59起.用地組合形態(tài)2中,少于11起交通事故的交通分析小區(qū)累積比例在5類用地組合形態(tài)中最大,多于59起交通事故的交通分析小區(qū)累積比例在5類用地組合形態(tài)中最小.

圖1 不同用地組合形態(tài)下的交通分析小區(qū)事故頻數(shù)特點

3) 休閑娛樂用途主導(dǎo)的用地組合形態(tài)下,休閑娛樂類建筑物用地比例較大,達(dá)到60.96%,輔以少量零售類建筑.樣本中22.28%的交通分析小區(qū)被分到了此用地組合形態(tài),平均交通事故為36起.

4) 社區(qū)服務(wù)型用地組合形態(tài)的用地混合度達(dá)到0.266,在5類用地組合形態(tài)中最大.社區(qū)服務(wù)類建筑用地比例較大,達(dá)到9.74%,輔以少量的住宅類建筑用地.樣本中964個交通分析小區(qū)被分到此用地組合形態(tài),平均交通事故為37起.圖1中,對于這類用地組合形態(tài),少于11起交通事故的交通分析小區(qū)累積比例在5類用地組合形態(tài)中最小,多于59起交通事故的交通分析小區(qū)累積比例在5類用地組合形態(tài)中最大.

5) 居住用途主導(dǎo)的用地組合形態(tài)下住宅建筑用地比例較大,達(dá)到64.35%,輔以少量的社區(qū)類建筑.樣本中5.84%的交通分析小區(qū)被分到該用地組合形態(tài),平均事故為32起.

3.2 用地組合形態(tài)對交通安全的影響

針對事故數(shù)據(jù)的莫蘭檢驗結(jié)果表明,莫蘭指數(shù)值為4.84×10-3,顯著性水平p<0.001,說明事故數(shù)據(jù)呈現(xiàn)出顯著的空間集聚特征[7],因此本文采用半?yún)?shù)地理加權(quán)泊松回歸模型.以居住用途主導(dǎo)的用地組合形態(tài)作為參照,其他4類用地形態(tài)采用4個啞然變量表示,k1～k4表示其對應(yīng)系數(shù),利用GWR 4.0軟件進行模型參數(shù)估計,結(jié)果見表2.

表2 半?yún)?shù)地理加權(quán)泊松回歸模型參數(shù)估計結(jié)果

模型中年平均日車輛里程的參數(shù)都為正值,表明年平均日車輛里程與交通事故頻次呈正相關(guān),這與文獻[8-12]的結(jié)果一致.參數(shù)變化范圍為[0.344,2.113],具有較為明顯的空間不穩(wěn)定性,說明該模型較好地捕捉到事故和年平均日車輛里程的空間異質(zhì)性關(guān)系,模型具有合理性.

以居住用途主導(dǎo)的用地組合形態(tài)作為參照,社區(qū)服務(wù)型用地組合形態(tài)的參數(shù)中位數(shù)為0.158,在5類用地組合形態(tài)中最大.社區(qū)服務(wù)型用地組合形態(tài)、商業(yè)用途主導(dǎo)的用地組合形態(tài)、自然生態(tài)型用地組合形態(tài)和休閑娛樂用途主導(dǎo)的用地組合形態(tài)的事故風(fēng)險分別為居住用途主導(dǎo)的用地組合形態(tài)的1.171,1.079,0.641和1.125倍.因此,5類用地組合形態(tài)中,自然生態(tài)型用地組合形態(tài)對應(yīng)安全水平最高,社區(qū)服務(wù)型用地組合形態(tài)對應(yīng)安全水平最低,是交通安全管理的重點.

3.3 用地組合形態(tài)對交通安全的影響機理

為了進一步考察不同用地組合形態(tài)下安全風(fēng)險等級不同的原因,選取了年平均日車輛里程、貨車年平均日交通量、高速公路長度比例、人口密度4個關(guān)鍵參數(shù)進行研究.對這些參數(shù)進行單因素方差分析,結(jié)果見表3.由表可知,在95%的置信水平下,不同用地組合形態(tài)之間社會經(jīng)濟與交通運行特征參數(shù)差異顯著.

表3 單因素方差分析結(jié)果

單因素方差分析只能研究不同用地形態(tài)之間是否存在顯著差異,無法獲知具體的差異情況.本文采用累積分布曲線圖來研究差異趨勢.圖2為不同用地組合形態(tài)下上述參數(shù)的累積分布曲線.由圖可知,安全水平較低的用地組合形態(tài)對應(yīng)著較大的年平均日車輛里程、貨車年平均日交通量和人口密度,而安全水平較高的用地組合形態(tài)對應(yīng)著較大的高速公路長度比例,這與文獻[8-12]的結(jié)果一致.綜合單因素方差分析結(jié)果和累積分布曲線圖可以發(fā)現(xiàn),用地組合形態(tài)通過影響社會經(jīng)濟特征與交通運行間接地影響著交通安全.

(a) 年平均日車輛里程

(c) 高速公路比例

4 結(jié)論

1) 根據(jù)用地混合度和用地比例指標(biāo)可將用地組合形態(tài)分為5類:自然生態(tài)型用地組合形態(tài)、居住用途主導(dǎo)的用地組合形態(tài)、商業(yè)用途主導(dǎo)的用地組合形態(tài)、休閑娛樂用途主導(dǎo)的用地組合形態(tài)和社區(qū)服務(wù)型用地組合形態(tài).

2) 用地組合形態(tài)對交通安全影響顯著,自然生態(tài)型用地組合形態(tài)對應(yīng)安全水平最高,社區(qū)服務(wù)型用地組合形態(tài)對應(yīng)安全水平最低,是交通安全管理的重點.

3) 不同用地組合形態(tài)之間的社會經(jīng)濟與交通運行特征參數(shù)存在的顯著差異,是用地組合形態(tài)影響交通安全水平的原因.

References)

[1] 唐玨琳.城市規(guī)劃中的交通安全因素分析[J].公路與汽運,2007(4):47-48,103. DOI:10.3969/j.issn.1671-2668.2007.04.019.

[2] Pulugurtha S S, Duddu V R, Kotagiri Y. Traffic analysis zone level crash estimation models based on land use characteristics[J].AccidentAnalysisandPrevention, 2013,50(1): 678-687. DOI:10.1016/j.aap.2012.06.016.

[3] Amohgyimah R, Sarvi M, Saberi M. Investigating the effects of traffic, socioeconomic, and land use characteristics on pedestrian and bicycle crashes: A case study of Melbourne, Australia[J].JournalofBiomechanics, 2016,48(7): 1325-1330.

[4] Wang X, Yang J, Lee C, et al. Macro-level safety analysis of pedestrian crashes in Shanghai, China[J].AccidentAnalysisandPrevention, 2016,96: 12-21. DOI:10.1016/j.aap.2016.07.028.

[5] Yasmin S, Eluru N. Latent segmentation based count models: Analysis of bicycle safety in Montreal and Toronto[J].AccidentAnalysisandPrevention, 2016,95(Pt A): 157-171. DOI:10.1016/j.aap.2016.07.015.

[6] Yannis G, Papadimitriou E, Antoniou C. Multilevel modelling for the regional effect of enforcement on road accidents[J].AccidentAnalysisandPrevention, 2007,39(4): 818-825. DOI:10.1016/j.aap.2006.12.004.

[7] Li Z, Wang W, Liu P, et al. Using geographically weighted poisson regression for county-level crash modeling in California[J].SafetyScience, 2013,58(10): 89-97. DOI:10.1016/j.ssci.2013.04.005.

[8] 李楊.基于數(shù)據(jù)分析的交通事故預(yù)測方法[J].電子技術(shù)與軟件工程,2016(21):171. Li Yang. Traffic accident prediction method based on data analysis[J].ElectronicTechnology&SoftwareEngineering, 2016(21): 171. (in Chinese)

[9] Huang H, Abdelaty M A, Darwiche A L. County-level crash risk analysis in Florida[J].TransportationResearchRecord:JournaloftheTransportationResearchBoard, 2010,2148: 27-37. DOI:10.3141/2148-04.

[10] 張鐵軍,唐琤琤,康云霞,等.Poisson系列交通事故預(yù)測模型特點分析及應(yīng)用[J].公路交通科技,2010,27(6):132-137. DOI:10.3969/j.issn.1002-0268.2010.06.024. Zhang Tiejun, Tang Chengcheng, Kang Yunxia, et al. Analysis of Poisson traffic accident prediction models and their application[J].JournalofHighwayandTransportationResearchandDevelopment, 2010,27(6): 132-137. DOI:10.3969/j.issn.1002-0268.2010.06.024.(in Chinese)

[11] 季彥婕,王煒,鄧衛(wèi).道路交通事故多因素時間序列宏觀預(yù)測模型[J].武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版),2006,30(3):433-436. DOI:10.3963/j.issn.2095-3844.2006.03.018. Ji Yanjie, Wang Wei, Deng Wei. Multi-factor time series model for macro-level road accident prediction[J].JournalofWuhanUniversityofTechnology(TransportationScienceandEngineering), 2006,30(3): 433-436. DOI:10.3963/j.issn.2095-3844.2006.03.018.(in Chinese)

[12] 黃合來,鄧雪,許鵬鵬.考慮空間自相關(guān)的貝葉斯事故預(yù)測模型[J].同濟大學(xué)學(xué)報(自然科學(xué)版),2013,41(9):1378-1383. DOI:10.3969/j.issn.0253-374x.2013.09.016. Huang Helai, Deng Xue, Xu Pengpeng. Bayesian crash prediction model based on a consideration of spatial autocorrelation[J].JournalofTongjiUniversity(NaturalScience), 2013,41(9): 1378-1383. DOI:10.3969/j.issn.0253-374x.2013.09.016.(in Chinese)

Classificationofland-usecombinationsandanalysisofinfluencingfactorsontrafficsafety

Ding Wei Xu Chengcheng Liu Pan

(School of Transportation, Southeast University, Nanjing 210096, China)

U491.31

A

1001-0505(2017)05-1074-05

2017-01-16.

丁微(1992—),女,碩士生;劉攀(聯(lián)系人),男,博士,教授,博士生導(dǎo)師,liupan@seu.edu.cn.

國家自然科學(xué)基金資助項目(51508093).

丁微,徐鋮鋮,劉攀.用地組合形態(tài)劃分與交通安全影響因素分析[J].東南大學(xué)學(xué)報(自然科學(xué)版),2017,47(5):1074-1078.

10.3969/j.issn.1001-0505.2017.05.037.

10.3969/j.issn.1001-0505.2017.05.037