非機(jī)動(dòng)車安全研究國(guó)際最新進(jìn)展

周清雅 侯心一 王雪松

摘 要：非機(jī)動(dòng)車是城市交通系統(tǒng)中的重要組成部分，如何減少非機(jī)動(dòng)車事故、提升其安全性，成為了社會(huì)關(guān)注的重點(diǎn)問題。為解決非機(jī)動(dòng)車安全研究中交通暴露數(shù)據(jù)難以獲取的問題，學(xué)者們開始注重探索利用更豐富多元的數(shù)據(jù)開展分析。為從規(guī)劃和管理層面指導(dǎo)安全改善、減少事故，宏觀安全研究及針對(duì)事故類型的分析受到了學(xué)者的廣泛關(guān)注。旨在減輕事故后果的事故嚴(yán)重程度研究也是熱點(diǎn)之一。在非機(jī)動(dòng)車項(xiàng)目與規(guī)范方面，學(xué)者們更加注重對(duì)已有的經(jīng)驗(yàn)進(jìn)行總結(jié)、評(píng)估和更新。本文從非機(jī)動(dòng)車數(shù)據(jù)采集、事故影響因素分析、事故嚴(yán)重程度影響因素分析、非機(jī)動(dòng)車項(xiàng)目與規(guī)范四方面，分類總結(jié)了近兩年關(guān)于非機(jī)動(dòng)車安全的最新研究進(jìn)展，以期為未來(lái)開展非機(jī)動(dòng)車研究和進(jìn)行實(shí)際安全改善提供指導(dǎo)。

關(guān)鍵詞：非機(jī)動(dòng)車；交通安全；數(shù)據(jù)采集；事故影響因素；事故嚴(yán)重程度

Recent research progress on non-motor vehicle safety

ZHOU Qingya1 ， HOU Xinyi 2 ， WANG Xuesong1

（1. Key Laboratory of Road and Traffic Engineering of the Ministry of Education， Tongji University， Shanghai 201804， China； 2. Shanghai Traffic Police Headquarter， Shanghai200070， China）

Abstract： Non-motor vehicles are important participants in urban traffic. How to reduce non-motor vehicle crashes as well as improving their safety is a key issue of social concern. To address the lack of traffic exposure data in non-motor vehicle safety study， scholars begin to explore the use of more diverse data when conducting analysis. In order to guide safety improvement and to reduce crashes in the aspect of planning and management， macro-level safety research and crash type analysis have been given considerable attention. Crash severity analysis aiming at mitigating the impact of crashes is also a hot topic. In terms of projects and guides involving non-motor vehicles， scholars focus more on reviewing， evaluating and updating their existing experience. This paper summarizes the latest 2-year progress on non-motor vehicle safety in terms of data collection， factors affecting crashes and crash severity， projects and industrial guides， hopefully to provide advice for future research and practical application in the field of non-motor vehicle safety.

Keywords： Non-motor vehicle； traffic safety； data collection； influencing factors of crashes； crash severity

非機(jī)動(dòng)車是城市交通的重要組成部分。據(jù)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)，2017年全年我國(guó)腳踏自行車產(chǎn)量達(dá)7105.24萬(wàn)輛；據(jù)中國(guó)自行車協(xié)會(huì)統(tǒng)計(jì)，到 2018年10月，我國(guó)電動(dòng)自行車車保有量已達(dá)2.5億輛。然而，在道路交通通行中的弱勢(shì)交通方式，非機(jī)動(dòng)車駕駛員在事故中更易受到傷害甚至死亡，其安全狀況堪憂。據(jù)公安部交通管理局統(tǒng)計(jì)[1]，在2015年上海市死亡和受傷交通事故中，非機(jī)動(dòng)車交通事故的占比高達(dá)63.9%和82.3%。面對(duì)如此嚴(yán)峻的形勢(shì)，總結(jié)最新的非機(jī)動(dòng)車安全研究經(jīng)驗(yàn)，指導(dǎo)交通安全規(guī)劃與管理以改善現(xiàn)狀，勢(shì)在必行。

在數(shù)據(jù)采集方面，非機(jī)動(dòng)車安全研究面臨的主要問題之一，是交通暴露數(shù)據(jù)難以獲取。交通暴露數(shù)據(jù)是衡量非機(jī)動(dòng)車交通活動(dòng)強(qiáng)度的基礎(chǔ)指標(biāo)，與交通安全息息相關(guān)。相比于已經(jīng)較為成熟的各種機(jī)動(dòng)車流量統(tǒng)計(jì)技術(shù)，針對(duì)非機(jī)動(dòng)車的流量和出行量的調(diào)查統(tǒng)計(jì)尚不完善。在針對(duì)事故數(shù)的影響因素分析方面，除了傳統(tǒng)的微觀安全建模以外，學(xué)者們?cè)絹?lái)越多地重視開展宏觀層面的安全分析，以期從規(guī)劃的更高視角理解非機(jī)動(dòng)車的安全現(xiàn)狀，并指導(dǎo)相關(guān)部門在區(qū)域?qū)用骈_展政策和管理方面的改善。事故嚴(yán)重程度是安全評(píng)估的另一個(gè)常用指標(biāo)，尤其針對(duì)非機(jī)動(dòng)車這種交通弱勢(shì)群體，如何降低事故的后果和傷害，減輕事故嚴(yán)重程度，也是學(xué)者們關(guān)心的熱點(diǎn)問題之一。同時(shí)，在實(shí)際項(xiàng)目與政策方面，雖然以往也有較多成功的項(xiàng)目經(jīng)驗(yàn)，但缺乏系統(tǒng)的整理和總結(jié)；且部分行業(yè)手冊(cè)過(guò)于專業(yè)，難以為廣泛公眾提供有效指引。

針對(duì)非機(jī)動(dòng)車安全研究的現(xiàn)狀問題和熱點(diǎn)，本文對(duì)該領(lǐng)域的近兩年最新研究進(jìn)展進(jìn)行了分類總結(jié)，以期為非機(jī)動(dòng)車安全研究人員和相關(guān)項(xiàng)目管理者、參與者提供有益的參考。

1非機(jī)動(dòng)車數(shù)據(jù)采集

充足豐富的數(shù)據(jù)是開展非機(jī)動(dòng)車安全研究的基礎(chǔ)。然而，非機(jī)動(dòng)車交通暴露數(shù)據(jù)獲取困難，且數(shù)據(jù)源單一，往往對(duì)研究的開展造成阻礙。近年來(lái)，除了傳統(tǒng)的事故、交通、設(shè)施等類型數(shù)據(jù)外，非機(jī)動(dòng)車相關(guān)的數(shù)據(jù)類型變得更加多樣，同時(shí)數(shù)據(jù)來(lái)源也更廣泛，逐漸克服了數(shù)據(jù)不足的問題。眾包數(shù)據(jù)如運(yùn)動(dòng)軟件STRAVA、新聞報(bào)道等新型數(shù)據(jù)源逐漸受到研究者的關(guān)注，為非機(jī)動(dòng)車研究提供了更加廣闊的數(shù)據(jù)基礎(chǔ)。同時(shí)，將多源數(shù)據(jù)進(jìn)行鏈接分析，也成為了一種檢視數(shù)據(jù)質(zhì)量的有效方法。

Scott Kelley[2]等基于STRAVA 軟件平臺(tái)提供的自行車出行數(shù)據(jù)，分析了前往位于里諾中心區(qū)的內(nèi)華達(dá)大學(xué)里諾校區(qū)的自行車通勤活動(dòng)的特征。STRAVA是一款針對(duì)自行車騎行者和跑步愛好者開發(fā)的手機(jī)應(yīng)用，其主要功能是使用GPS記錄和追蹤運(yùn)動(dòng)軌跡，兼具社交功能；用戶超過(guò)9000萬(wàn)人。研究對(duì)比分析了STRAVA上的實(shí)際出行軌跡與當(dāng)?shù)氐匦?、城市自行車道設(shè)置情況、推薦的校內(nèi)自行車路徑，以期為未來(lái)的設(shè)施建設(shè)提供建議。結(jié)果表明，大部分（78%）校內(nèi)通勤均遵從了推薦路徑，然而大部分（75%）校外通勤均未發(fā)生在城市自行車道上。這表明城市的自行車道網(wǎng)絡(luò)建設(shè)還需進(jìn)一步完善，以真正符合市民的實(shí)際出行需求。

針對(duì)現(xiàn)有自行車安全研究均面臨交通暴露指標(biāo)難以獲得的問題，Moatz Saad等人[3]使用2013～2016四年美國(guó)Orange County的STRAVA 軟件眾包數(shù)據(jù)獲得交通暴露指標(biāo)，對(duì)交叉口處自行車事故進(jìn)行建模。研究用四種方式對(duì)采集的STRAVA數(shù)據(jù)進(jìn)行了處理，即：1）無(wú)校核； 2） 人口代表性校核，即依據(jù)當(dāng)?shù)厝丝趯?shí)際的性別、年齡分布，按照一定公式計(jì)算校正系數(shù)；3）實(shí)地?cái)?shù)據(jù)校核，即隨機(jī)抽取171個(gè)交叉口，從交通部獲取觀測(cè)的自行車出行量，與STRAVA數(shù)據(jù)進(jìn)行相關(guān)分析、回歸分析，得到校正系數(shù)；4）結(jié)合前兩種校核方法。該研究基于上述四類處理后的STRAVA數(shù)據(jù)作為交通暴露變量，結(jié)合道路設(shè)施數(shù)據(jù)構(gòu)建安全分析模型，發(fā)現(xiàn)結(jié)合了兩種校核方法的STRAVA數(shù)據(jù)可以有效地應(yīng)用于安全分析。

Calvin Thigpen[4]等基于bikemaps.org平臺(tái)，收集調(diào)查報(bào)告數(shù)據(jù)，以期探索發(fā)生事故或未遂事故的經(jīng)歷對(duì)當(dāng)事人未來(lái)騎行意愿的影響。該平臺(tái)旨在通過(guò)市民的眾包自我報(bào)告收集自行車事故和未遂事故（near miss）數(shù)據(jù)?；谑占臄?shù)據(jù)，研究構(gòu)建了貝葉斯有序邏輯模型，發(fā)現(xiàn)就診類型的影響呈現(xiàn)出有趣的模式：嚴(yán)重但表皮的擦傷可能導(dǎo)致急診室就診，但愈合較快，因此導(dǎo)致未來(lái)騎行行為改變較少，看家庭醫(yī)生也是類似情況；相反，最終需要住院治療的損傷可能在事故現(xiàn)場(chǎng)并未表現(xiàn)，但可能需要長(zhǎng)期治療才能康復(fù)，因此住院對(duì)未來(lái)騎行影響最大。另外，相對(duì)于男性，經(jīng)歷過(guò)交通事故的女性更有可能改變自己未來(lái)的行為。

Julie Bond[5]等人將社會(huì)新聞報(bào)道數(shù)據(jù)應(yīng)用于非機(jī)動(dòng)車安全研究。研究者收集了Hillsborough縣近9年間關(guān)于自行車死亡的新聞報(bào)道，并對(duì)其文字表達(dá)進(jìn)行提取和編碼，通過(guò)CDA方法進(jìn)行分析。研究發(fā)現(xiàn)，新聞報(bào)道中的詞匯、語(yǔ)法結(jié)構(gòu)和敘事框架在很大程度上有助于消除機(jī)動(dòng)車駕駛員的事故責(zé)任，而突出騎車人的行為。這些語(yǔ)言策略暗含了一個(gè)假設(shè)，即安全責(zé)任由自行車騎行人承擔(dān)，而這很有可能使公眾注意力集中于具體的人和事由，反而忽視了更宏觀的社會(huì)政策改革對(duì)于改善自行車安全的重要性。

針對(duì)交警報(bào)告中行人和非機(jī)動(dòng)車事故漏報(bào)現(xiàn)象，Sarah Doggett[6]等人回顧了十項(xiàng)研究，這些研究使用數(shù)據(jù)鏈接對(duì)方法來(lái)探討該問題。由于報(bào)告水平定義、研究時(shí)間和研究地點(diǎn)不同，很難直接比較研究。在與醫(yī)院數(shù)據(jù)鏈接的六項(xiàng)研究中，行人事故的報(bào)告水平估計(jì)值為44%～75%，自行車事故的報(bào)告水平估計(jì)值更低，為7%～46%，這表明存在嚴(yán)重的報(bào)告不足問題。

2事故影響因素分析

事故影響因素分析是交通安全領(lǐng)域的常用研究方法之一。非機(jī)動(dòng)車事故的熱點(diǎn)研究集中于宏觀安全建模，從規(guī)劃層面探討合適的安全分析模型形式，分析安全影響因素并進(jìn)而提出相應(yīng)改善措施。也有部分研究人員創(chuàng)新性地在模型中引入了新的變量進(jìn)行探索。

不同于針對(duì)設(shè)施的微觀安全建模，近年來(lái)，宏觀安全分析逐漸成為關(guān)注熱點(diǎn)。宏觀安全建?？舍槍?duì)特定區(qū)域單元開展分析，探索區(qū)域內(nèi)的社會(huì)經(jīng)濟(jì)、交通特征、土地利用、基礎(chǔ)設(shè)施等特征與交通安全的關(guān)系，其結(jié)論有助于從規(guī)劃層面為安全改善提供啟示。Md Sharikur Rahman[7]等應(yīng)用數(shù)據(jù)挖掘技術(shù)，在州級(jí)交通分析小區(qū)（STAZ）層面探索行人和自行車事故的影響因素。在該研究中，首次將決策樹回歸（DTR）應(yīng)用于宏觀安全建模。為提高模型的預(yù)測(cè)精度，該研究引入了相鄰STAZ的空間預(yù)測(cè)變量，發(fā)現(xiàn)其明顯優(yōu)于不考慮空間變量的模型。最后，研究對(duì)比了隨機(jī)森林、梯度增強(qiáng)等算法在提高預(yù)測(cè)精度方面的效果，發(fā)現(xiàn)梯度增強(qiáng)算法最佳。

另一項(xiàng)非機(jī)動(dòng)車宏觀安全研究的動(dòng)機(jī)來(lái)源于紐約Vision Zero零死亡愿景，Omar Abou Kasm等人[8]力圖彌補(bǔ)現(xiàn)有的現(xiàn)有事故模型中未考慮騎自行車者行為的文獻(xiàn)空白。該項(xiàng)研究針對(duì)曼哈頓地區(qū)，基于事故、區(qū)位、頭盔使用等數(shù)據(jù)，建立了三個(gè)宏觀安全模型分別研究騎行行為與事故數(shù)、事故率和當(dāng)量死亡人數(shù)之間的關(guān)系。結(jié)果表明，在自行車道上逆行是造成事故的最大原因，而在非自車道或相鄰車道上騎行是造成死亡的最大原因。針對(duì)頭盔使用的敏感性分析表明，使用頭盔可降低高達(dá)60%的現(xiàn)狀當(dāng)量死亡人數(shù)。該研究的結(jié)論對(duì)于當(dāng)?shù)氐慕煌ü芾碚咛峁┝藰O大啟示，具有較大的現(xiàn)實(shí)意義。

Dibakar Saha[9]等以人口普查街區(qū)組為研究單元構(gòu)建宏觀安全模型，針對(duì)總體自行車事故和死亡/重傷自行車事故，分別分析了事故影響因素。值得一提的是，研究中用于計(jì)算自行車出行里程和自行車出行強(qiáng)度的數(shù)據(jù)，均來(lái)自于上文提到的Strava軟件。考慮到宏觀分析單元之間事故的空間相關(guān)性，研究者在分層貝葉斯框架中采用條件自回歸模型，并對(duì)比了兩種貝葉斯模型（Besag模型和Leroux模型）的數(shù)據(jù)擬合效果。結(jié)果表明，Besag模型的效果更佳。對(duì)事故影響因素的分析結(jié)果表明，不論是對(duì)總體事故還是死亡/重傷事故，人口、日均車輛行駛里程（VMT）、年齡段、家庭汽車保有量、城市道路密度、自行車出行里程和自行車出行強(qiáng)度都與事故呈正相關(guān)；而教育程度、卡車率和農(nóng)村道路密度則與事故呈現(xiàn)負(fù)相關(guān)。

事故類型的分析有助于讓研究者快速了解整體安全概況，從而采取主動(dòng)的安全改善對(duì)策。Libby Thomas[10]等對(duì)美國(guó)自行車事故開展了詳盡統(tǒng)計(jì)分析。結(jié)果表明：大部分自行車事故發(fā)生于城市地區(qū)，且死亡率也高于鄉(xiāng)村；盡管大多數(shù)事故發(fā)生在交叉口，但大多數(shù)死亡和致殘事故都發(fā)生在非交叉口；機(jī)動(dòng)車超越自行車是最常見的自行車死亡事故類型，占比達(dá)28%。該研究結(jié)論有利于指導(dǎo)交通管理部門開展針對(duì)性執(zhí)法和教育。Timothy J. Wright[11]對(duì)加州、佛羅里達(dá)等6個(gè)州的交警事故報(bào)告開展分析，并與一項(xiàng)20年前的早期研究[12]結(jié)論進(jìn)行對(duì)比，以期探索自行車事故的分布和特征是否發(fā)生了變化。研究者未發(fā)現(xiàn)超出現(xiàn)有模式的新的事故類型；此外，當(dāng)前研究的事故類型分布與早期樣本之間存在良好對(duì)應(yīng)。但與早期樣本相比，當(dāng)前樣本的分類準(zhǔn)確度更高，這可能是由于近年來(lái)計(jì)算機(jī)事故分類工具的應(yīng)用以及執(zhí)法意識(shí)的提高，使得事故信息采集更加細(xì)化。

Greg P. Griffin[13]等首次創(chuàng)新性將街道噪音納入非機(jī)動(dòng)車事故分析中。研究在奧斯汀和華盛頓特區(qū)進(jìn)行，在自行車上搭載智能手機(jī)上，使用手機(jī)軟件記錄周圍街道噪聲和騎行軌跡，并結(jié)合過(guò)去5～7年的歷史事故數(shù)據(jù)分析。研究采用普通最小二乘回歸模型，結(jié)果表明，在控制了其他因素后，街道噪音與標(biāo)準(zhǔn)化處理后的事故風(fēng)險(xiǎn)之間沒有顯著關(guān)系。然而，該研究只是一個(gè)良好的創(chuàng)新，其結(jié)論并不是是決定性的，有待未來(lái)基于更高質(zhì)量的數(shù)據(jù)進(jìn)一步探索和證實(shí)。

3非機(jī)動(dòng)車事故嚴(yán)重程度

非機(jī)動(dòng)車事故嚴(yán)重程度的影響因素多樣，包括駕駛員特征、騎行者特征、道路幾何設(shè)計(jì)、環(huán)境、時(shí)間、光照等。該領(lǐng)域的研究可從車輛制造、道路設(shè)計(jì)、交通管理、執(zhí)法等多方面提供建議，以有效減輕事故造成的危害和損失。

Dibakar Saha[14]采集了美國(guó)佛羅里達(dá)州4年的自行車事故數(shù)據(jù)，并按照騎行者年齡將其分為四組：非常年輕（6～19歲）、年輕（20～44歲）、中年（45～64歲）和老年（65歲及以上）。研究者構(gòu)建了多項(xiàng)邏輯回歸模型，結(jié)果表明，不同年齡組自行車騎行者受傷嚴(yán)重程度的顯著變量其影響均不同。研究發(fā)現(xiàn)，事故類型、照明條件、車輛類型、機(jī)動(dòng)車駕駛員不當(dāng)行為、酒精和藥物影響以及安全裝置的使用等變量對(duì)不同年齡組的受傷嚴(yán)重程度有不同的影響。據(jù)此，研究者進(jìn)一步提供了具體建議用于改善特定年齡段人群的騎行安全。

Jun Liu[15]采用地理加權(quán)有序邏輯回歸（GWOLR）研究了2007～2014年間美國(guó)北卡羅來(lái)納州的7000多起自行車-機(jī)動(dòng)車事故。在GWOLR模型中，受傷嚴(yán)重程度與其影響因素之間的關(guān)系是局部的。例如，與夏洛特地區(qū)的同齡人相比，三角地區(qū)的青少年和老年騎行者更容易受到嚴(yán)重傷害。因酒精或藥物對(duì)騎行人或機(jī)動(dòng)車駕駛員行為造成影響，從而加劇騎車人受傷程度的情況，在西部地區(qū)尤為明顯。因此，應(yīng)針對(duì)特定區(qū)域制定對(duì)應(yīng)的自行車安全改善對(duì)策，而不是針對(duì)整個(gè)州制定統(tǒng)一的對(duì)策。該研究者的另一研究[16]應(yīng)用路徑分析量化了影響因素（如騎行人特征、道路類型、車輛特征等）、事故前行為和騎行人受傷嚴(yán)重程度三者之間的直接和間接關(guān)聯(lián)。建?？蚣芤娤聢D。結(jié)果表明，不論事故前的行為如何，醉酒的騎車人均更容易在事故中受傷。此外，醉酒的騎車人更可能不愿意讓行其他車輛，因此若與機(jī)動(dòng)車相撞，這將進(jìn)一步加重其受傷嚴(yán)重程度。同時(shí)，較高的機(jī)動(dòng)車車速、車型為貨車、車道數(shù)為3～4車道，均與事故和事故嚴(yán)重程度的增加有正向關(guān)系。

4非機(jī)動(dòng)車項(xiàng)目與規(guī)范

隨著自行車和步行越來(lái)越融入交通運(yùn)輸機(jī)構(gòu)的規(guī)劃、設(shè)計(jì)和運(yùn)營(yíng)過(guò)程，美國(guó)部分州、地區(qū)和地方機(jī)構(gòu)建立了不同范圍、不同方法的非機(jī)動(dòng)交通數(shù)據(jù)采集項(xiàng)目，見圖5。Peter B. Ohlms等人[17]總結(jié)了現(xiàn)有文獻(xiàn)中的指導(dǎo)方案，并通過(guò)與相關(guān)工作和研究人員進(jìn)行訪談，學(xué)習(xí)了其他州交通部開展非機(jī)動(dòng)車數(shù)據(jù)采集項(xiàng)目的案例，試圖確定實(shí)施此類項(xiàng)目的最有效方法。該論文發(fā)現(xiàn)，近年來(lái)非機(jī)動(dòng)車出行監(jiān)測(cè)方面的實(shí)踐正在不斷發(fā)展；目前已有許多商業(yè)上可獲得的行人/非機(jī)動(dòng)車計(jì)數(shù)技術(shù)，該論文進(jìn)而對(duì)各技術(shù)進(jìn)行了評(píng)估。該研究為正在考慮開展國(guó)家級(jí)行人、自行車數(shù)據(jù)采集項(xiàng)目的交通部門提供了基礎(chǔ)資源。

Erin Robartes[18]等對(duì)弗吉尼亞州范圍內(nèi)鎮(zhèn)、市、縣、地區(qū)和州的交通規(guī)劃人員、工程師和其他政府人員進(jìn)行了網(wǎng)上調(diào)查，以總結(jié)他們?cè)谧孕熊嚮A(chǔ)設(shè)施建設(shè)方面的經(jīng)驗(yàn)，探索阻礙此類項(xiàng)目落地實(shí)施的最大障礙。結(jié)果表明，弗吉尼亞州大部分地區(qū)都在積極致力于實(shí)施新的自行車基礎(chǔ)設(shè)施，但仍有一定改善空間。調(diào)查結(jié)果顯示，資金和路權(quán)獲取是阻礙自行車基礎(chǔ)設(shè)施發(fā)展的其他主要障礙。同時(shí)，由于基礎(chǔ)設(shè)施建設(shè)的成功往往取決于公眾的接受程度，公眾反對(duì)也是自行車基礎(chǔ)設(shè)施建設(shè)的主要障礙之一，許多地區(qū)應(yīng)考慮在自行車基礎(chǔ)設(shè)施決策中加大公眾參與程度。

傳統(tǒng)的街道設(shè)計(jì)手冊(cè)可為專業(yè)的交通工程師提供技術(shù)規(guī)范和案例研究信息。然而，這些專業(yè)手冊(cè)對(duì)于更廣泛的受眾來(lái)說(shuō)過(guò)于詳細(xì)，且缺乏實(shí)例。為彌補(bǔ)這方面空白，俄勒岡大學(xué)的研究團(tuán)隊(duì)于2014年發(fā)布了《重新思考街道：25個(gè)街道改造的循證指南》，通過(guò)總結(jié)和記錄已完成的項(xiàng)目，為從事街道項(xiàng)目的工程師、規(guī)劃者、城市設(shè)計(jì)師、政府部門和公眾提供了良好的參考材料。而該指南的更新版，即《為自行車重新思考街道》即將發(fā)布[19]。下圖6是一個(gè)典型的4頁(yè)案例分析展示。作為一個(gè)免費(fèi)且公開的自行車運(yùn)輸項(xiàng)目指南，該手冊(cè)總結(jié)了來(lái)自美國(guó)各地已完成的典型街道項(xiàng)目實(shí)例，以幫助廣泛受眾進(jìn)行面向自行車的街道設(shè)計(jì)。

5結(jié)語(yǔ)

隨著科技的發(fā)展，各類運(yùn)動(dòng)軟件、社交媒體和平臺(tái)的廣泛使用，為研究者提供了更豐富的數(shù)據(jù)采集途徑。新的數(shù)據(jù)類型和數(shù)據(jù)源的涌現(xiàn)，和鏈接多源數(shù)據(jù)的方法，使得非機(jī)動(dòng)車安全研究中一些過(guò)去的“難題”有了新的解決思路。

宏觀層面的建模和數(shù)據(jù)分析，以及事故嚴(yán)重程度分析仍然是近年來(lái)非機(jī)動(dòng)車研究的熱點(diǎn)話題。令人欣慰的是，不限于理論，更多的研究越來(lái)越重視結(jié)果對(duì)于改善安全現(xiàn)狀的現(xiàn)實(shí)指導(dǎo)作用。

在非機(jī)動(dòng)車項(xiàng)目與規(guī)范方面，研究者逐漸開始對(duì)以往的項(xiàng)目案例經(jīng)驗(yàn)開展系統(tǒng)性評(píng)估和總結(jié)，以期為交通工程師們提供可靠的實(shí)例指導(dǎo)。

通過(guò)對(duì)非機(jī)動(dòng)車安全領(lǐng)域的熱點(diǎn)研究和最新研究進(jìn)展進(jìn)行總結(jié)，可以了解到國(guó)際先進(jìn)的研究方法和關(guān)注熱點(diǎn)，同時(shí)反思我國(guó)交通安全規(guī)劃與管理的現(xiàn)狀不足，為未來(lái)的研究和實(shí)際應(yīng)用指引方向。

參考文獻(xiàn)

[1] 公安部交通管理局.中華人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào)（2015年度）[R]無(wú)錫：公安部交通管理科學(xué)研究所，2016.

[2] Scott Kelley， Chrissy Klenke， et al. An Assessment of Bicycle Commuting Activity Using Strava and Implications for Developing Infrastructure[C]//Transportation Research Board 98th Annual Meeting. 2019.

[3] Moatz Saad， Mohamed Abdel-Aty， Jaeyoung Lee， Qing Cai. Bicycle Safety Analysis at Intersections Using Crowdsourced Data [C]//Transportation Research Board 98th Annual Meeting. 2019.

[4] Calvin Thigpen， Trisalyn Nelson， et al. The Impact of Near Misses and Collisions on Bicyclist Behavior[C]//Transportation Research Board 98th Annual Meeting. 2019.

[5] Julie Bond， Erin Scheffels， et al. Framing the Bicyclist： A Qualitative Study of Media Discourse about Fatal Bicycle Crashes[C]//Transportation Research Board 98th Annual Meeting. 2019.

[6] Sarah Doggett， David R. Ragland， Grace Felschundneff. Evaluating Research on Data Linkage to Assess Underreporting of Pedestrian and Bicyclist Injury in Police Crash Data [C]//Transportation Research Board 98th Annual Meeting. 2019.

[7] Md Sharikur Rahman， Mohamed Abdel-Aty， et al. Applying Data Mining Techniques to Analyze the Pedestrian and Bicycle Crashes at the Macroscopic Level [C]//Transportation Research Board 98th Annual Meeting. 2019.

[8] Omar Abou Kasm， Ziyi Ma， Joseph Y. J. Chow， Ali Diabat. Quantifying the Effect of Cyclist Behavior on Bicycle Crashes and Fatalities [C]//Transportation Research Board 98th Annual Meeting. 2019.

[9] Dibakar Saha， Priyanka Alluri， Albert Gan， et al. Spatial Analysis of Macro-Level Bicycle Crashes Using the Class of Conditional Autoregressive Models[J]. Accident Analysis and Prevention， 2018： S000145751830071X.

[10] Libby Thomas， Krista Nordback， et al. Bicyclist Crash Types on National， State and Local Levels： A New Look [C]//Transportation Research Board 98th Annual Meeting. 2019.

[11] Timothy J. Wright， Richard D. Blomberg， et al. Re-Examination of Bicycle/Motor Vehicle Crash Typologies [C]//Transportation Research Board 98th Annual Meeting. 2019.

[12] Hunter， W.W.， J.C. Stutts， W.E. Pein， and C.L. Cox. Pedestrian and Bicycle Crash Types of the Early 1990s. Report FHWA-RD-95-163. FHWA， Department of Transportation， 1995.

[13] Greg P. Griffin， Steve Hankey， et al. Exploring Street Noise and Bicycle Safety： Initial Evidence from Austin， TX and the Washington， DC Capital Area [C]//Transportation Research Board 98th Annual Meeting. 2019.

[14] Dibakar Saha， Priyanka Alluri， et al. An Investigation into the Varying Effects of Factors Contributing to Injury Severity of Different Bicyclist Age Groups in Bicycle-Vehicle Crashes [C]//Transportation Research Board 98th Annual Meeting. 2019.

[15] Jun Liu， Asad J. Khattak， et al. Examining nonstationary correlates of bicyclist injury severity in traffic crashes： A spatial approach for geo-referenced crash data [C]//Transportation Research Board 98th Annual Meeting. 2019.

[16] Jun Liu， Steven Jones. Behavioral pathways in bicycle-motor vehicle crashes： From contributing factors， pre-crash actions， to injury severities[C]//Transportation Research Board 98th Annual Meeting. 2019.

[17] Peter B. Ohlms， Lance E. Dougald， Hannah E. MacKnight. Bicycle and Pedestrian Count Programs： A Scan of Current U.S. Practice [C]//Transportation Research Board 98th Annual Meeting. 2019.

[18] E r i n R o b a r t e s ， E m i l y C h e n ， e t a l . Assessment of Local， State， and Federal Barriers to Implementing Bicycle Infrastructure： A Virginia Case Study [C]//Transportation Research Board 98th Annual Meeting. 2019.

[19] Dave Amos， Roger Lindgren， et al. Rethinking Streets for People on Bikes： An Evidence-Based， Visual Guide of Completed Street Retrofits [C]//Transportation Research Board 98th Annual Meeting. 2019.