機(jī)動車闖紅燈行為影響因素分析

(同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，上海201804)

0 引言

機(jī)動車在信號控制交叉口闖紅燈是最常見的交通違法行為，也是導(dǎo)致交叉口事故多發(fā)的重要原因之一。2012年1—10月，中國因闖紅燈肇事導(dǎo)致人員傷亡的交通事故共4 227起，造成798人死亡[1]。在美國，每年由闖紅燈引起約26萬起交通事故，其中約750起事故導(dǎo)致人員死亡[2]。只有深入了解闖紅燈行為的影響因素，才能提出有針對性的改進(jìn)措施。

機(jī)動車闖紅燈行為特征與影響因素已有廣泛研究。文獻(xiàn)[2]對美國阿靈頓縣(Arlington County)1個交叉口進(jìn)行234 h的觀測，記錄闖紅燈與對照組車輛及駕駛?cè)诵畔ⅲl(fā)現(xiàn)48%的闖紅燈發(fā)生在紅燈亮起的0.5～0.9 s，34%發(fā)生在1.0～1.4 s，11%發(fā)生在1.5～1.9 s，7%發(fā)生在2.0 s以上；闖紅燈的駕駛?cè)烁鼮槟贻p、系安全帶比例低、駕駛記錄較差、駕駛較小較舊的車輛比例高。文獻(xiàn)[3-5]分別發(fā)現(xiàn)男性駕駛?cè)恕④噧?nèi)無乘客、不系安全帶等是闖紅燈行為的相關(guān)特征。針對闖紅燈行為影響因素，文獻(xiàn)[6]指出交通環(huán)境對闖紅燈有明顯影響，交叉口大、道路上坡或水平、交叉口信號周期變化快更易導(dǎo)致闖紅燈現(xiàn)象。

在國外，闖紅燈研究通常采用交叉口實地調(diào)查的方法，結(jié)合視頻拍攝和對車輛行為的人工數(shù)據(jù)采集，記錄車輛和駕駛?cè)说奶卣鱗2]，如文獻(xiàn)[7]利用3臺攝像機(jī)對美國奧蘭多市(Orlando)1個道路交叉口同時進(jìn)行視頻拍攝，分析闖紅燈行為與車輛位置、行駛速度等因素之間的關(guān)系。在中國，主要通過調(diào)查問卷[8-9]研究困境區(qū)域(Dilemma Zone)及信號燈倒計時對闖紅燈的影響，但并沒有對闖紅燈行為特征和影響因素進(jìn)行系統(tǒng)深入研究。

本文引入流行病學(xué)中病例對照組的研究方法。設(shè)立對照組即是在交叉口觀測中區(qū)分闖紅燈與未闖紅燈的車輛，對兩種車輛信息進(jìn)行采集。在研究方法上，將人工記錄和視頻觀測數(shù)據(jù)結(jié)合，通過行為編碼，利用隨機(jī)效應(yīng)邏輯斯特模型(Random Effect Binary Logistic Regression)分析闖紅燈行為的影響因素。

1 闖紅燈數(shù)據(jù)調(diào)查

在流行病學(xué)影響因素研究中，對照實驗只是在一個條件不同、其他條件都相同的情況下所進(jìn)行的一組實驗，用于對比的實驗對象組稱為對照組。對照組的設(shè)計一般是為了排除其他因素的影響，得到的實驗結(jié)果更具說服力。本文為了準(zhǔn)確研究闖紅燈行為的影響因素，同時采集了相同行駛條件下未闖紅燈車輛、駕駛?cè)思敖煌啃畔⒆鳛閷φ战M。首先，應(yīng)選擇不同信號控制交叉口，通過人工記錄和視頻拍攝調(diào)查方法采集闖紅燈組和對照組駕駛?cè)恕④囕v信息。其次，提取信號控制交叉口特征，對駕駛?cè)颂卣?、車輛特征和闖紅燈行為進(jìn)行編碼。而后，通過預(yù)調(diào)查研究信號控制交叉口的調(diào)查方案，培訓(xùn)調(diào)查員并明確調(diào)查內(nèi)容。最后，將調(diào)查數(shù)據(jù)進(jìn)行整理、統(tǒng)計和分析。

1.1 交叉口選擇

信號控制交叉口的選擇原則包括：1)位于不同區(qū)域，包括市區(qū)、近郊、遠(yuǎn)郊；2)交通量較大，且有明顯闖紅燈行為；3)有黃燈時間和專用左轉(zhuǎn)相位；4)有綠燈信號倒計時指示。通過預(yù)調(diào)查最終確定上海市4個信號控制交叉口作為本文調(diào)查對象(見圖1)。

信號控制交叉口特征包括交叉口流量、信號周期時長、待行區(qū)設(shè)置、有無闖紅燈攝像機(jī)、有無信號倒計時指示。被調(diào)查信號控制交叉口的基本情況見表1。

1.2 闖紅燈車輛與對照組車輛

根據(jù)《中華人民共和國道路交通安全法》規(guī)定，紅燈表示禁止通行。在黃燈警示后，駕駛?cè)藨?yīng)在紅燈亮起時在停車線后停車，在紅燈亮起后仍穿過交叉口的車輛應(yīng)視為故意闖紅燈。本文對于信號燈已經(jīng)顯示為紅燈，仍然越過交叉口停車線的車輛稱為闖紅燈車輛。對照組有兩種類型：1)與闖紅燈車輛同一周期進(jìn)入交叉口進(jìn)口道，紅燈亮起時處于相鄰車道，闖紅燈車輛與對照組車輛橫向車距在一個車長范圍內(nèi)，但是停在停車線前(見圖2a)；2)與闖紅燈車輛不同周期進(jìn)入交叉口，紅燈亮起時，本周期沒有闖紅燈車輛，對照組車輛選擇紅燈亮起時距離停車線一個車長但停止的車輛(見圖2b)。

1.3 調(diào)查方法

調(diào)查員于2012年4—5月早高峰分別對4個交叉口的兩條相向進(jìn)口道的直行車道和左轉(zhuǎn)車道進(jìn)行連續(xù)3 h的調(diào)查。為獲得詳盡、準(zhǔn)確的調(diào)查數(shù)據(jù)，采用人工記錄和視頻拍攝相結(jié)合的方法。車輛在紅燈亮起通過交叉口時，調(diào)查員迅速記錄第一輛闖紅燈車輛的信息以及對照組車輛信息。

人工記錄包括進(jìn)口道闖紅燈和對照組駕駛?cè)?、車輛、行為信息。其中，駕駛?cè)诵畔ㄐ詣e、估計年齡段(20～59歲，每5歲一段)、是否在使用手機(jī)、是否系安全帶、是否有乘客；車輛信息包括車牌號、車型及顏色；行為信息包括是否闖紅燈、闖紅燈車輛行駛方向、闖紅燈車輛所在車隊中的位置。如圖3所示，調(diào)查員1在出口道位置①記錄闖紅燈的相關(guān)信息，調(diào)查員2在同側(cè)進(jìn)口道②號位置記錄對照組的相關(guān)信息。高清視頻(分辨率1 440×1 080)以正對進(jìn)口道的角度(1號位置)拍攝進(jìn)口道所有機(jī)動車的運(yùn)行情況，須保證攝像機(jī)能夠拍攝到信號燈的變化，以便從拍攝的視頻中提取流量、闖紅燈的時刻等。

人工調(diào)查共記錄375條闖紅燈信息和325條對照組信息，利用Adobe Premiere軟件逐幀播放視頻，將人工記錄信息與視頻拍攝信息對比去除信息不完整的記錄，最終獲得闖紅燈組有效信息304條，對照組有效信息317條，并對闖紅燈車輛在紅燈亮起后的闖紅燈時間進(jìn)行統(tǒng)計。

1.4 行為特征編碼

在獲得調(diào)查信息后，需對闖紅燈車輛與對照組車輛的特征進(jìn)行編碼，包括駕駛?cè)颂卣?、車輛特性和闖紅燈行為特征(見表2)。闖紅燈時間按照紅燈亮起后以0.5 s為1個單元進(jìn)行分類，0～＜4.0 s共分為8個單元，≥4.0 s(至距下一周期綠燈亮起前3 s)為1個單元，紅燈尾(下一周期綠燈亮起前3 s內(nèi))為1個單元，對10個單元進(jìn)行編碼，分析得出

圖1 被調(diào)查信號控制交叉口Fig.1 Selected signalized intersections

表1 被調(diào)查信號控制交叉口的基本情況Tab.1 Characteristics of observed signalized intersections

闖紅燈行為的時間特征。

2 闖紅燈行為特征分析

以有效記錄數(shù)據(jù)為基礎(chǔ)，首先對闖紅燈行為特征進(jìn)行分析和總結(jié)。

圖2 對照組類型Fig.2 Types of control group

圖3 攝像機(jī)與調(diào)查員的位置Fig.3 Locations of camera and investigator

1）各交叉口直行與左轉(zhuǎn)闖紅燈率。

闖紅燈數(shù)量統(tǒng)計見表3。各交叉口中雖然左轉(zhuǎn)流量遠(yuǎn)遠(yuǎn)低于直行流量，但是左轉(zhuǎn)闖紅燈率明顯高于直行。

2）交叉口車輛闖紅燈時間分布。

闖紅燈時間分布數(shù)據(jù)統(tǒng)計見表4。調(diào)查結(jié)果顯示，隨紅燈亮起后時間越長，闖紅燈車輛數(shù)越少，在紅燈亮起3.5 s后闖紅燈的車輛已少于1%。而在紅燈尾闖紅燈的數(shù)量略有增加，因為紅燈倒計時亮起時，駕駛?cè)巳菀装l(fā)生搶先綠燈亮而行駛的情況。

在初步數(shù)據(jù)分析中，本文還發(fā)現(xiàn)闖紅燈駕駛?cè)酥心行哉冀^大多數(shù)。在闖紅燈車輛中，沒有乘客的車輛占多數(shù)。此外，本地車牌的車輛闖紅燈現(xiàn)象更顯著。

3 闖紅燈行為影響因素分析

3.1 模型構(gòu)建

本文結(jié)合人工記錄數(shù)據(jù)，利用行為編碼結(jié)果，采用邏輯斯特模型和隨機(jī)效應(yīng)邏輯斯特模型分析闖紅燈行為影響因素。由于數(shù)據(jù)來源于4個交叉口，天氣、地形、交通組成、信號配時等帶來的差異導(dǎo)致交叉口存在異質(zhì)性，而交叉口層面的隨機(jī)效應(yīng)可以考慮到這些未被觀測到的因素，因而建立隨機(jī)效應(yīng)邏輯斯特模型。隨機(jī)效應(yīng)邏輯斯特模型在交通安全研究中被證明可以有效考慮到異質(zhì)性[10-11]。兩個模型中因變量是闖紅燈行為，假設(shè)闖紅燈行為y=1，未闖紅燈行為y=0，闖紅燈行為發(fā)生的概率為p。影響因素包括交叉口流量、周期時長、車道數(shù)、車牌歸屬地、車輛類型、駕駛?cè)诵詣e、駕駛?cè)四挲g、安全帶使用、電話使用和是否有乘客。隨機(jī)效應(yīng)邏輯斯特模型為

式中：β0為截距；X為解釋變量向量；β為解釋變量系數(shù)；μj為隨機(jī)效應(yīng)變量，在本文中代表每個交叉口由于天氣、地形、交通組成、信號配時等帶來的未被觀測到的異質(zhì)性。設(shè)定隨機(jī)效應(yīng)服從正態(tài)分布0.001)。由于沒有可靠的先驗信息，假定所有的回歸系數(shù)服從正態(tài)分布Normal(0,0.001)。

3.2 模型估計

本文采用貝葉斯估計方法對模型參數(shù)進(jìn)行估計，設(shè)定馬爾科夫鏈進(jìn)行2萬次迭代，舍棄前5 000個不穩(wěn)定的樣本。通過觀測估計系數(shù)的馬爾科夫軌跡線是否穩(wěn)定判定模型是否收斂。模型估計結(jié)果見表5，如果置信區(qū)間內(nèi)不包含0，則說明對應(yīng)變量在95%顯著性水平下是顯著的；如果包含0，則對應(yīng)變量不顯著。偏差信息準(zhǔn)則(Deviance Information Criterion,DIC)用來評價模型的優(yōu)劣，DIC數(shù)值越小，模型擬合越好。

3.3 結(jié)果分析

分析結(jié)果顯示，共有6個變量顯著影響闖紅燈行為，涉及駕駛環(huán)境、駕駛?cè)颂攸c、車輛自身特征。

駕駛環(huán)境方面，流量與闖紅燈行為正相關(guān)，流量增加會導(dǎo)致闖紅燈行為的增加，這與文獻(xiàn)[5]的研究一致。無乘客車輛的駕駛?cè)烁菀钻J紅燈，說明乘客會提高駕駛?cè)说陌踩栊?，一般會在綠燈結(jié)束時提醒駕駛?cè)薣4]。

表2 信號控制交叉口特征及闖紅燈行為編碼Tab.2 Characteristics of signalized intersections and the data coding of red light running

表3 交叉口流量及闖紅燈數(shù)量統(tǒng)計Tab.3 Statistics of traffic volume and the number of red light running vehicles at intersection

駕駛?cè)颂攸c方面，性別和年齡都是顯著因素。男性駕駛?cè)烁菀钻J紅燈，這與文獻(xiàn)[3]的研究一致。駕駛?cè)四挲g越大，越不容易闖紅燈，因為年齡越大的駕駛?cè)笋{駛越謹(jǐn)慎，速度越低，可以降低闖紅燈的概率[4]。

車輛自身特征方面，本地車輛比外地車輛更容易闖紅燈，因為外地車輛對駕駛環(huán)境不熟悉，比本地駕駛?cè)烁?jǐn)慎；客車系數(shù)的估計結(jié)果為正，說明客車比貨車更容易闖紅燈。

基于模型的DIC值，隨機(jī)效應(yīng)邏輯斯特模型比普通邏輯斯特模型擬合度更好。通過比較4個交叉口的隨機(jī)效應(yīng)(見圖4)，肇嘉浜路—東安路交叉口極大似然值最低，而曹安公路—嘉松北路交叉口極大似然值最高，說明該交叉口更容易發(fā)生闖紅燈行為。交叉口對是否闖紅燈的影響是綜合性的，本文選取的4個交叉口待行區(qū)和倒計時情況基本一致，而信號配時和交叉口機(jī)動車、非機(jī)動車的組成情況均不相同，因而各交叉口隨機(jī)效應(yīng)的估計值不同。

表4 交叉口車輛闖紅燈時間分布Tab.4 Time distribution of red light running vehicles at intersection

表5 邏輯斯特模型估計結(jié)果Tab.5 Logistic Model estimation

4 結(jié)論

本文為準(zhǔn)確研究闖紅燈行為的影響因素，依據(jù)上海市4個信號控制交叉口人工觀測和視頻觀測數(shù)據(jù)，采集相同行駛條件下闖紅燈和未闖紅燈行為車輛、駕駛?cè)?、流量、交叉口幾何設(shè)計和信號控制信息，基于闖紅燈組和對照組的對比，分析闖紅燈行為的影響因素，并且在建模過程中采用隨機(jī)效應(yīng)考慮各個交叉口的異質(zhì)性。

從模型結(jié)果可以看出：本地駕駛?cè)?、男性駕駛?cè)?、客車更容易闖紅燈，流量大會增加闖紅燈的可能性。這些分析結(jié)果與美國類似研究結(jié)果一致，表明在交通法規(guī)和駕駛行為不同的情況下，闖紅燈行為的影響因素相似。既往研究中發(fā)現(xiàn)是否系安全帶是影響闖紅燈行為的重要因素，而本文研究結(jié)果顯示是否系安全帶并不會顯著影響闖紅燈行為，這可能與中國駕駛?cè)讼蛋踩珟П壤^低有關(guān)。與普通邏輯斯特模型相比，隨機(jī)效應(yīng)邏輯斯特模型的擬合度較高，表明隨機(jī)效應(yīng)模型能夠更好地分析交叉口闖紅燈行為的影響因素。

圖4 信號控制交叉口隨機(jī)效應(yīng)Fig.4 Random effects at signalized intersections

[1]張洋.人民日報：12月2日是首個全國交通安全日——汽車時代，道路文明需提速[EB/OL].2011[2012-12-03].http://www.mps.gov.cn/n16/n1252/n1837/n2557/3433227.html.

[2]Retting R A,Williams A F.Characteristics of Red Light Violators:Results of a Field Investigation[J].Journal of Safety Research,1996,27(1):9-15.

[3]Retting R A,Ulmer R G,Williams A F.Prevalence and Characteristics of Red Light Running Crashes in the United States[J].Accident Analysis and Prevention,1999,31(6):687-694.

[4]Porter B E,Berry T D.A Nationwide Survey of Self-reported Red Light Running:Measuring Prevalence,Predictors,and Perceived Consequences[J].Accident Analysis and Prevention,2001,33(6):735-741.

[5]Porter B E,England K J.Predicting Red-light Running Behavior:A Traffic Safety Study in Three Urban Settings[J].Journal of Safety Research,2000,31(1):1-8.

[6]James B,Karl Z,Marcus B.Engineering Countermeasures to Reduce Red-light Running[R].Washington DC:Federal Highway Administration,2009.

[7]Elmitiny N,Yan X,Radwan E,et al.Classification Analysis of Driver's Stop/go Decision and Red-light Running Violation[J].Accident Analysis and Prevention,2010,42(1):101-111.

[8]張杰，賀玉龍，孫小端，劉曉明.城市路口倒計時顯示對駕駛行為的影響分析[J].交通信息與安全，2009，27(5)：99-101.Zhang Jie,He Yulong,Sun Xiaoduan,Liu Xiaoming.Influence of Traffic Countdown on Driver Behavior at Crossing[J].Journal of Transportation Information and Safety,2009,27(5):99-101.

[9]錢紅波，韓皓.機(jī)動車綠燈倒計時對交叉口交通安全的影響研究[J].中國安全科學(xué)學(xué)報，2010，20(3)：9-13.Qian Hongbo,Han Hao.Influence of Countdown of Green Signal on Traffic Safety at Crossing[J].China Safety Science Journal,2010,20(3):9-13.

[10]Huang H,Chin H C,Haque M M.Severity of Driver Injury and Vehicle Damage in Traffic Crashes at Intersections:A Bayesian Hierarchical Analysis[J].Accident Analysis and Prevention,2008,40(1):45-54.

[11]Yu R,Abdel-Aty M.Multi-level Bayesian Analyses for Single-and Multi-vehicle Freeway Crashes[J].Accident Analysis and Prevention,2013,58:97-105.