城市電動(dòng)自行車違規(guī)充電隱患的空間分布及其影響因素

廖聰 鄔倫 蔡恒 陳躍毅 田原,?

1. 北京大學(xué)遙感與地理信息系統(tǒng)研究所, 北京100871; 2. 空間信息集成與3S 工程應(yīng)用北京市重點(diǎn)實(shí)驗(yàn)室,北京 100871; ? 通信作者, E-mail: tianyuanpku@pku.edu.cn

電動(dòng)自行車是城市短距離通勤的重要交通工具。據(jù)工業(yè)和信息化部公布的數(shù)據(jù), 2018 年中國電動(dòng)自行車全社會(huì)保有量超兩億輛。在方便出行的同時(shí), 電動(dòng)自行車暗藏許多安全隱患, 不規(guī)范的充電行為是其中的典型, 極易造成火災(zāi)。2013—2017年, 全國共接報(bào)由電動(dòng)自行車不規(guī)范充電行為引發(fā)的火災(zāi)一萬余起, 比前一個(gè) 5 年增長 33.3%[1]。識(shí)別這些違規(guī)充電行為的空間分布規(guī)律和影響因素對(duì)城市火災(zāi)事故預(yù)防具有重要意義, 可以為隱患排查提供參考依據(jù), 降低事故發(fā)生幾率和成災(zāi)損失[2]。

地理環(huán)境對(duì)電動(dòng)自行車違規(guī)充電行為具有顯著的影響。一方面, 電動(dòng)自行車的使用受到出行需求和交通條件等因素的影響; 另一方面, 電動(dòng)自行車充電行為的規(guī)范性受到城市充電樁設(shè)施空間分布位置的影響。對(duì)于地理環(huán)境與其他類型公共安全事件之間的關(guān)系, 已有不少研究成果。例如, 商業(yè)繁華地帶和對(duì)外交通運(yùn)輸區(qū)域存在更明顯的城市犯罪行為[3-4], 不同住房類型對(duì)入室盜竊犯罪行為的影響有差異[5], 城市商業(yè)設(shè)施的布局對(duì)交通事故有重要影響[6], 職住分離現(xiàn)象導(dǎo)致城市交通事故頻發(fā)[7],城市人口分布和城市應(yīng)急避難場(chǎng)所的相互匹配可以更好地應(yīng)對(duì)災(zāi)害和事故[8]。然而, 針對(duì)火災(zāi)隱患與地理環(huán)境之間關(guān)系的研究目前較少。

地理空間分析技術(shù)在揭示火災(zāi)事故與地理環(huán)境的關(guān)系方面可以發(fā)揮重要作用[9-10]。既有研究在城市火災(zāi)的時(shí)空分布特征和影響因素方面取得豐富的成果。借助多樣化的空間分析方法, 相關(guān)研究揭示出火災(zāi)事故的聚集性特征及空間分布格局, 并證明其在季節(jié)、日間及時(shí)刻等不同時(shí)間尺度上具有規(guī)律性[11-14]。收入、就業(yè)、家庭結(jié)構(gòu)和人口特征等社會(huì)經(jīng)濟(jì)因素與火災(zāi)的發(fā)生密切關(guān)聯(lián)[15-17], 安全知識(shí)、住房條件、天氣條件和重大節(jié)日等多種因素也對(duì)火災(zāi)事故的發(fā)生有顯著影響[18-19]。但是, 由于精細(xì)化的火災(zāi)數(shù)據(jù)難于獲取, 面向火災(zāi)事故的研究多以年為時(shí)間尺度, 以大區(qū)域?yàn)榭臻g尺度來開展[20],更精細(xì)時(shí)空分辨率的研究有待發(fā)展。此外, 既有研究中較少對(duì)火災(zāi)隱患進(jìn)行分析, 難以支持城鎮(zhèn)公共安全管理中關(guān)口前移的實(shí)際需求。

城市網(wǎng)格化管理為分析更精細(xì)分辨率的火災(zāi)隱患空間分布規(guī)律提供了數(shù)據(jù)支持。按照一定的標(biāo)準(zhǔn), 將管理轄區(qū)劃分為單元網(wǎng)格, 明確轄區(qū)網(wǎng)格管理責(zé)任人, 可以主動(dòng)排查單元網(wǎng)格中的隱患事件,實(shí)現(xiàn)對(duì)不安全事件的早期介入和提前處置。在城市網(wǎng)格化管理的背景下, 累積了大量城市事故隱患的日常巡查數(shù)據(jù)?；谶@些巡查數(shù)據(jù), 可以在單元網(wǎng)格尺度對(duì)城市火災(zāi)隱患進(jìn)行分析, 時(shí)間分辨率可以到每日, 甚至小時(shí), 大大擴(kuò)展研究的時(shí)空尺度, 也加強(qiáng)了火災(zāi)隱患防范的針對(duì)性。

根據(jù)事故致因論, 事故發(fā)生前通常伴隨“物的不安全狀態(tài)”和“人的不安全行為”兩類隱患[21]。本文選取城市電動(dòng)自行車違規(guī)充電這一典型“人的不安全行為”導(dǎo)致的火災(zāi)隱患為研究對(duì)象, 以深圳市光明區(qū)網(wǎng)格化管理實(shí)踐中的電動(dòng)自行車違規(guī)充電隱患排查數(shù)據(jù)為基礎(chǔ), 探究電動(dòng)自行車違規(guī)充電隱患的空間分布規(guī)律及其影響因素, 以便更好地進(jìn)行火災(zāi)的精細(xì)化防控。

1 數(shù)據(jù)與研究方法

1.1 研究區(qū)域與數(shù)據(jù)來源

光明區(qū)是深圳市第一個(gè)功能區(qū), 位于深圳市西北部, 轄區(qū)面積約為 156 km2, 地勢(shì)東北高、西南低。2018 年, 光明區(qū)常駐人口為 56.08 萬, 其中戶籍人口為 6.79 萬, 非戶籍人口為 49.29 萬, 實(shí)際管理人口為 138 萬。2018 年的全年本地生產(chǎn)總值為920.59 億元, 其中第一產(chǎn)業(yè)增加值為 1.74 億元, 第二產(chǎn)業(yè)增加值為 588.51 億元, 第三產(chǎn)業(yè)增加值為330.34 億元。近十年來, 光明區(qū)發(fā)生火災(zāi)幾千起,造成嚴(yán)重的生命傷亡和財(cái)產(chǎn)損失。其中, 因電氣事故導(dǎo)致的火災(zāi)占總火災(zāi)數(shù)量的近 30%, 電動(dòng)自行車違規(guī)充電是電氣火災(zāi)的重要原因①根據(jù)深圳市城市公共安全技術(shù)研究院 2018 年 11 月發(fā)布的《光明區(qū)安全風(fēng)險(xiǎn)評(píng)估報(bào)告》。。光明區(qū)可以作為快速發(fā)展中小城市的典型代表, 其電動(dòng)自行車違規(guī)充電隱患的研究結(jié)果對(duì)其他類似城市有較強(qiáng)的借鑒意義。

本文對(duì)深圳市光明區(qū) 2019 年 10 月違規(guī)充電事件的網(wǎng)格巡查數(shù)據(jù)進(jìn)行分析, 數(shù)據(jù)來自光明區(qū)數(shù)字化城市管理系統(tǒng)。違規(guī)充電隱患包括在居住建筑物的公共走道、樓梯間、前室及房間內(nèi)充電, 亂接亂拉電源線充電, 或?qū)㈦姵夭鹦逗笾糜谑覂?nèi)充電等不安全行為。光明區(qū)數(shù)字化城市管理系統(tǒng)將轄區(qū)劃分為一千五百多個(gè)網(wǎng)格(非規(guī)則網(wǎng)格), 每個(gè)網(wǎng)格都配置網(wǎng)格員進(jìn)行日常管理和巡查, 并將日常隱患、突發(fā)事件及市容環(huán)境問題等上報(bào)數(shù)字化系統(tǒng)。經(jīng)過地址匹配和人工校核排除錯(cuò)誤信息, 得到電動(dòng)車違規(guī)充電隱患數(shù)據(jù) 14043 條, 包含巡查時(shí)間、位置、所屬網(wǎng)格和隱患明細(xì)等屬性信息。

為方便建模分析, 結(jié)合實(shí)際網(wǎng)格的數(shù)量和平均面積, 本文用 300 m×300 m 的均勻網(wǎng)格, 將光明區(qū)重新劃分成 1587 個(gè)網(wǎng)格(圖 1)。按照空間位置, 將隱患數(shù)據(jù)投射到均勻網(wǎng)格中, 將每個(gè)網(wǎng)格覆蓋的違規(guī)充電隱患數(shù)量作為因變量。單個(gè)網(wǎng)格中最少隱患數(shù)量為 0 個(gè), 最大隱患數(shù)量為 852 個(gè), 平均每個(gè)網(wǎng)格的違規(guī)充電隱患數(shù)量約為 9 起, 標(biāo)準(zhǔn)差為 39.27。

圖1 案例區(qū)概況Fig. 1 Overview of the study area

參照文獻(xiàn)[18,22-24]確定自變量, 選取用地類型、人口及就業(yè)情況、生活設(shè)施分布和交通條件作為違規(guī)充電隱患事件的影響因素, 涉及土地類型、人口密度、設(shè)施要素、企業(yè)數(shù)量、道路密度及公交站點(diǎn)數(shù)量等。其中, 用地類型數(shù)據(jù)為土地利用變更調(diào)查數(shù)據(jù), 人口密度數(shù)據(jù)來源于 WorldPop 開放數(shù)據(jù),其他數(shù)據(jù)(如設(shè)施分布、企業(yè)和道路等)來源于高德POI (point of Interest)和OpenStreetMap 等多源數(shù)據(jù)平臺(tái)。主要變量的空間分布見圖 2, 變量的解釋及描述性統(tǒng)計(jì)見表 1。通過自變量間的相關(guān)系數(shù), 檢驗(yàn)變量間的共線性, 結(jié)果顯示各變量間的相關(guān)系數(shù)均小于 0.75 (表 2), 不存在明顯的共線性問題。

表1 變量說明及描述性統(tǒng)計(jì)Table 1 Variable description and descriptive statistics

表2 自變量間的相關(guān)性Table 2 Correlation between independent variables

圖2 主要解釋變量的空間分布Fig. 2 Spatial distribution of explanatory variables

1.2 研究方法

電動(dòng)自行車違規(guī)充電隱患的空間分布具有聚集性特征。一方面, 電動(dòng)自行車主要用于日常生活中的短距離出行, 部分違規(guī)充電行為容易在重要的生活區(qū)域周邊聚集; 另一方面, 在對(duì)電動(dòng)自行車出行具有較大需求的部分區(qū)域, 住宅建筑年代較早及不完備的電動(dòng)充電設(shè)施等因素會(huì)刺激該區(qū)域違規(guī)充電行為的發(fā)生。本文采用空間熱點(diǎn)分析法揭示電動(dòng)自行車的空間聚集現(xiàn)象, 并采用考慮變量間空間相關(guān)性的空間誤差模型分析其影響因素。

1) 空間熱點(diǎn)分析。采用 Getis-Ord GeneralG和Getis-Ord Gi*指數(shù)[25], 揭示違規(guī)充電事件的全局和局部空間聚集規(guī)律。Getis-Ord GeneralG統(tǒng)計(jì)的零假設(shè)規(guī)定不存在要素值的空間聚類, 如果統(tǒng)計(jì)值返回的p值較小且在統(tǒng)計(jì)學(xué)上顯著, 則可以拒絕零假設(shè)。如果零假設(shè)被拒絕,z值得分為正數(shù), 表明高值在研究區(qū)聚集; 如果z值得分為負(fù)數(shù), 表明低值在研究區(qū)聚集, 計(jì)算公式如下:

其中,n表示空間要素總數(shù);i和j表示要素序號(hào);Wij表示i與j的空間關(guān)系, 本研究中采用Q鄰接矩陣表示, 即如果兩個(gè)多邊形要素之間“共享邊或角”, 則其值為 1, 否則為 0;xi和xj分別表示多邊形要素對(duì)象。Getis-Ord Gi*指數(shù)的計(jì)算公式如下:

空間熱點(diǎn)分析采用 ArcGIS 空間統(tǒng)計(jì)工具, 空間鄰接關(guān)系基于“共享邊或角”。

2) 空間誤差模型。對(duì)違規(guī)充電隱患進(jìn)行空間自相關(guān)分析, 得到全局莫蘭指數(shù)(Moran’sI)為 0.6,且通過顯著性檢驗(yàn), 說明隱患數(shù)據(jù)存在顯著的空間自相關(guān)性, 不能滿足最小二乘回歸模型對(duì)變量獨(dú)立正態(tài)分布的要求。在此情況下, 采用空間誤差模型可以更好地應(yīng)對(duì)具有空間相關(guān)性的統(tǒng)計(jì)分析?？臻g誤差模型認(rèn)為誤差項(xiàng)在空間上相關(guān), 在誤差項(xiàng)中考慮了空間效應(yīng)[26]。模型表達(dá)式如下:

y表示隱患數(shù)據(jù)數(shù)量;X表示影響因素;β反映自變量X對(duì)因變量y的影響;μ表示誤差項(xiàng);λ為空間回歸關(guān)系數(shù), 反映樣本觀測(cè)值中的空間依賴作用;?表示符合正態(tài)分布的隨機(jī)誤差;W表示網(wǎng)格間的空間關(guān)系。本文中空間誤差模型采用GeoDa軟件完成。

2 空間分布特征

基于網(wǎng)格的隱患數(shù)量統(tǒng)計(jì)結(jié)果顯示, 違規(guī)充電隱患數(shù)量在空間網(wǎng)格中分布不均勻。圖 3 是采用ArcGIS 中的自然斷裂法(Jenks)對(duì)網(wǎng)格隱患數(shù)量進(jìn)行5 級(jí)分級(jí)的結(jié)果, 案例區(qū) 9.2%的網(wǎng)格貢獻(xiàn) 84.94%的違規(guī)充電隱患數(shù)量。這種網(wǎng)格聚類特征也為空間自相關(guān)分析提供了基礎(chǔ)。第一級(jí)分類的違規(guī)充電數(shù)量為 2115 次, 占總隱患事故的 15.06%。1441 個(gè)網(wǎng)格的隱患數(shù)量小于 18 次, 占總網(wǎng)格的 90.80%; 93 個(gè)網(wǎng)格的隱患數(shù)量在 18～64 之間, 占比為 6.18%; 29 個(gè)網(wǎng)格的隱患數(shù)量在 64～136 之間, 占比為 1.83%; 19 個(gè)網(wǎng)格的隱患數(shù)量在 136～322 之間, 占比 1.20%; 5 個(gè)網(wǎng)格的隱患數(shù)量在 322～852 之間, 占比為0.32%。

圖3 基于ArcGIS 中自然斷裂法的網(wǎng)格隱患數(shù)量分級(jí)Fig. 3 Quantitative grades of hidden danger of grid based on Jenks in ArcGIS

統(tǒng)計(jì)結(jié)果顯示, 違規(guī)充電行為在空間上具有相關(guān)性。根據(jù)空間自相關(guān)指數(shù)計(jì)算結(jié)果, Getis-OrdG的觀察值大于其數(shù)學(xué)期望,z值為正數(shù)值 15.41, 通過顯著性水平為 0.001 的統(tǒng)計(jì)檢驗(yàn), 反映違規(guī)充電行為具有全局空間聚集特征?；诰植孔韵嚓P(guān)指數(shù)Getis-Ord Gi*的違規(guī)充電空間聚集特征如圖 4 所示,在網(wǎng)格尺度上呈現(xiàn) 10 余個(gè)熱點(diǎn)。

圖4 違規(guī)充電隱患熱點(diǎn)與主要道路分布Fig. 4 Hot spot of hidden danger of unsafe charging behavior of electric bicycle

同時(shí), 違規(guī)充電熱點(diǎn)區(qū)域的空間分布與道路密度具有耦合性, 違規(guī)充電隱患高發(fā)地區(qū)分布于松白路、光僑路和公常路等光明區(qū)主干道附近的居民區(qū), 該地區(qū)居民出行的主要交通方式以電動(dòng)車為主,這也為后續(xù)優(yōu)化該地區(qū)消防通道提供一定的參考。

3 違規(guī)充電隱患的影響因素分析

模型分析結(jié)果顯示, 城市空間要素對(duì)電動(dòng)自行車違規(guī)充電隱患存在顯著的影響, 決定系數(shù)為 0.22,通過 0.01 的顯著性水平檢驗(yàn), 說明回歸分析結(jié)果在統(tǒng)計(jì)學(xué)意義上有效。因 1587 個(gè)網(wǎng)格中有許多網(wǎng)格的因變量值為 0, 故這一決定系數(shù)值符合預(yù)期。

表 3 顯示, 土地利用類型對(duì)電動(dòng)自行車違規(guī)充電有顯著影響。其中, 住宅用地占比對(duì)違規(guī)充電有正向作用, 標(biāo)準(zhǔn)化系數(shù)為 0.09。大多數(shù)電動(dòng)車違規(guī)充電是在非工作時(shí)間和住宅區(qū)域完成的, 公用設(shè)施用地占比與違規(guī)充電行為負(fù)相關(guān), 標(biāo)準(zhǔn)化相關(guān)系數(shù)為-0.02。通常, 市政管理的加強(qiáng)對(duì)公共場(chǎng)所違規(guī)充電行為會(huì)起到抑制作用。工礦和商貿(mào)用地占比與違規(guī)充電行為的關(guān)系不顯著。不同用地類型對(duì)違規(guī)充電行為的差異化影響反映違規(guī)充電行為潛在的空間分布特點(diǎn), 可以為電動(dòng)自行車充電樁的布設(shè)和隱患巡查的優(yōu)化提供一定的參考。

表3 空間誤差模型回歸分析結(jié)果Table 3 Regression results of spatial error model

就業(yè)情況對(duì)違規(guī)充電行為有正面影響, 企業(yè)數(shù)量這一指標(biāo)的統(tǒng)計(jì)結(jié)果呈現(xiàn)顯著性, 標(biāo)準(zhǔn)化相關(guān)系數(shù)為 0.03。由于電動(dòng)車較短的續(xù)航里程, 企業(yè)員工在居住地和工作地都有大量的充電需求。根據(jù)走訪調(diào)查, 案例區(qū)企業(yè)具備安全條件的電動(dòng)自行車充電樁數(shù)量相對(duì)較少, 電動(dòng)車充電樁的供需矛盾在一定程度上會(huì)加劇居住區(qū)的違規(guī)充電風(fēng)險(xiǎn)。

人口密度指標(biāo)的回歸分析結(jié)果不具顯著性。案例區(qū)大量外來就業(yè)人口的日常出行依賴電動(dòng)自行車, 這種人口特征難以反映在傳統(tǒng)的人口統(tǒng)計(jì)數(shù)據(jù)中, 因此人口密度指標(biāo)的有效性有待驗(yàn)證。此外,電動(dòng)自行車違規(guī)充電是客觀需求與主觀安全意識(shí)相結(jié)合的行為, 人口密度大并不意味著必然導(dǎo)致更多的違規(guī)充電行為。因此, 在日常違規(guī)充電巡查過程中, 可以更多地考慮電動(dòng)自行車的使用需求。

生活設(shè)施的分布對(duì)電動(dòng)自行車違規(guī)充電行為有顯著正面影響, 標(biāo)準(zhǔn)化系數(shù)為 0.07, 說明電動(dòng)自行車在日常生活出行中有重要作用。這也會(huì)增加違規(guī)充電行為發(fā)生的可能性。生活設(shè)施數(shù)量的標(biāo)準(zhǔn)化系數(shù)值大于企業(yè)數(shù)量, 說明相較于就業(yè)出行, 生活出行與電動(dòng)自行車的關(guān)系更加密切, 這一結(jié)論與楊勵(lì)雅等[27]的研究結(jié)果相符。

到小學(xué)的距離與違規(guī)充電行為負(fù)相關(guān), 說明案例區(qū)存在一定的基于電動(dòng)自行車工具的上學(xué)行為。電動(dòng)自行車通常用于 30 分鐘以內(nèi)的中、短距離交通出行, 到學(xué)校距離的負(fù)向顯著統(tǒng)計(jì)結(jié)果大體上符合這一規(guī)律, 即上學(xué)的路程超過一定的距離, 使用電動(dòng)自行車的行為會(huì)相應(yīng)地減少, 違規(guī)充電行為數(shù)量隨之下降。

道路密度與電動(dòng)自行車違規(guī)充電行為數(shù)量顯著正相關(guān)。電動(dòng)自行車一般比較輕便, 額定功率受限,適合在道路條件好的地區(qū)騎行, 對(duì)道路條件的依賴性十分顯著。便捷的道路促進(jìn)電動(dòng)自行車的使用,也帶來更多潛在的違規(guī)充電行為。

公交車數(shù)量對(duì)電動(dòng)自行車的使用有抑制作用,便捷的公交體系會(huì)導(dǎo)致電動(dòng)自行車出行減少, 從而導(dǎo)致事故隱患減少。對(duì)案例區(qū)而言, 這也反映公交出行與電動(dòng)車出行存在一定程度的競(jìng)爭(zhēng)關(guān)系, 二者相互補(bǔ)充或接力轉(zhuǎn)換出行的空間不大。這一結(jié)果也為研究不同交通方式之間的競(jìng)爭(zhēng)提供了一定的觀察視角。相比于遠(yuǎn)距離交通方式之間的競(jìng)爭(zhēng)[28-29],短距離出行交通方式的選擇有待進(jìn)一步研究。

4 結(jié)論與討論

本文響應(yīng)公共安全管理“措施前置、防患未然”的理念, 對(duì)網(wǎng)格化城市管理模式所積累的精細(xì)化數(shù)據(jù)進(jìn)行挖掘分析, 開展針對(duì)電動(dòng)自行車充電隱患的研究, 得到如下結(jié)論。

1) 城市空間要素與電動(dòng)自行車違規(guī)充電隱患之間存在密切的關(guān)系, 不同的城市空間要素從電動(dòng)自行車需求和對(duì)違規(guī)充電行為的監(jiān)管兩個(gè)方面影響電動(dòng)自行車使用者的充電習(xí)慣, 進(jìn)而影響違規(guī)充電行為的數(shù)量。就本研究案例區(qū)的而言, 違規(guī)充電行為存在一定的空間關(guān)聯(lián)特征, 大多數(shù)違規(guī)充電行為集中在少數(shù)網(wǎng)格中, 且容易發(fā)生在主干交通道路周邊密集居住區(qū)的網(wǎng)格中。通過空間規(guī)律分析識(shí)別這種違規(guī)充電隱患的分布特征, 可以指導(dǎo)針對(duì)電動(dòng)車違規(guī)充電隱患的日常巡查和隱患糾正工作, 節(jié)省人力投入, 提升城市網(wǎng)格化管理的效能。

2) 反映城市空間要素的用地類型、就業(yè)情況、生活設(shè)施分布和交通條件與違規(guī)充電行為具有不同程度的相關(guān)性, 不同要素對(duì)違規(guī)充電行為的影響具有差異性。與短距離頻繁出行需求和道路條件相關(guān)的變量通常對(duì)電動(dòng)自行車違規(guī)充電行為有正向刺激作用, 而公共場(chǎng)所和更遠(yuǎn)的通勤距離對(duì)電動(dòng)車違規(guī)充電行為有一定程度的抑制作用。此外, 電動(dòng)自行車出行與公交車出行之間存在一定程度的競(jìng)爭(zhēng)關(guān)系, 較高的公交站點(diǎn)覆蓋率會(huì)減少電動(dòng)自行車的使用行為, 相應(yīng)地導(dǎo)致違規(guī)充電行為減少。

后續(xù)工作中, 將在以下幾個(gè)方面進(jìn)行深入的探討: 1) 增加對(duì)個(gè)體主觀特征要素的分析, 進(jìn)一步挖掘不同屬性的群體對(duì)違規(guī)充電行為是否表現(xiàn)出安全意識(shí)的趨同; 2) 厘清各種宏觀、微觀和隨機(jī)因素對(duì)隱患發(fā)生的影響及機(jī)理; 3) 基于不同地區(qū)的網(wǎng)格化城市管理實(shí)踐, 進(jìn)行更多類型的公共安全隱患分析和對(duì)比研究。