基于GIS的濟(jì)南市交通事故成因分析

馮海霞,寧二偉,王 琦,李 健

(山東交通學(xué)院 交通與物流工程學(xué)院,山東 濟(jì)南 250399)

0 引 言

近年來(lái),隨著城市化以及各種先進(jìn)技術(shù)的發(fā)展,我國(guó)的交通越來(lái)越發(fā)達(dá)。同時(shí),車(chē)輛的增多也導(dǎo)致交通安全問(wèn)題越來(lái)越嚴(yán)重。據(jù)統(tǒng)計(jì),2018年,全國(guó)汽車(chē)保有量增加2 285萬(wàn)輛,達(dá)到2.4億輛;駕駛?cè)藬?shù)增加2 455萬(wàn)人,達(dá)到4.09億人;公路通車(chē)?yán)锍淘黾?.6萬(wàn)km,達(dá)到486萬(wàn)km。根據(jù)世界衛(wèi)生組織發(fā)布的《2018年全球道路安全現(xiàn)狀報(bào)告》,道路交通死亡人數(shù)繼續(xù)上升,每年達(dá)到135萬(wàn)人。2018年,全國(guó)發(fā)生交通事故約24.5萬(wàn)起,造成約6.3萬(wàn)人死亡。交通事故會(huì)對(duì)社會(huì)穩(wěn)定產(chǎn)生負(fù)面影響,造成大量人員傷亡和財(cái)產(chǎn)損失。道路交通安全已成為一個(gè)社會(huì)問(wèn)題關(guān)注的焦點(diǎn)。如何通過(guò)交通事故分析,找出交通事故的成因,從而減少交通事故的發(fā)生是急需解決的問(wèn)題。

國(guó)內(nèi)外學(xué)者對(duì)交通安全問(wèn)題都十分重視,并對(duì)其進(jìn)行了相關(guān)的研究,取得了大量的成果。毛應(yīng)萍等[1]提出了基于事故嚴(yán)重程度的GIS事故多發(fā)點(diǎn)段動(dòng)態(tài)分析模型;孫燁垚等[2]基于GIS分析平臺(tái)對(duì)高速公路道路交通事故特征及其事故成因進(jìn)行分析,提出了交通安全改善對(duì)策及措施;劉堯等[3]利用時(shí)空網(wǎng)絡(luò)核密度估計(jì)、熱點(diǎn)分析法等方法進(jìn)行交通事故的時(shí)空特征分析;陸化普等[4]利用聚類(lèi)分析與密度分析法對(duì)道路交通事故多發(fā)的區(qū)域和事故嚴(yán)重程度較高的區(qū)域進(jìn)行鑒別分析;彭璇等[5]實(shí)現(xiàn)了基于GIS的全國(guó)高速公路事故時(shí)序特征分析、事故空間特征分析、事故趨勢(shì)綜合分析等可視化應(yīng)用;王麗雅等[6]將GIS系統(tǒng)和交通事故數(shù)據(jù)相結(jié)合,融合了事故數(shù)據(jù)的屬性信息以及空間位置,得到了城市道路的真實(shí)安全情況;熊麗[7]提出一種基于地理信息系統(tǒng)(GIS)的交通事故熱區(qū)鑒別的方法,通過(guò)對(duì)事故本身屬性以及空間屬性的綜合考慮,對(duì)道路網(wǎng)的交通事故空間分布特征進(jìn)行探索,并對(duì)事故高發(fā)區(qū)進(jìn)行鑒別;張光南等[8]結(jié)合GIS對(duì)2010年廣州市道路基礎(chǔ)設(shè)施對(duì)交通事故的影響進(jìn)行分析,并給出相應(yīng)建議;A.AL-OMARI等[9]利用地理信息系統(tǒng)(GIS)和模糊邏輯對(duì)不同地點(diǎn)的事故熱點(diǎn)進(jìn)行預(yù)測(cè),分析事故成因并提出預(yù)防措施;T. H.HAYIDSO等[10]利用ArcGIS將全局定位系統(tǒng)點(diǎn)數(shù)據(jù)和事故數(shù)據(jù)添加到路網(wǎng)數(shù)據(jù)中,根據(jù)事故嚴(yán)重程度確定熱點(diǎn)區(qū)域;M.E.BOLLA等[11]基于GIS并以ArcView GIS為界面,開(kāi)發(fā)了交通事故資料庫(kù)以提供交通事故綜合信息;G.A.SHAFABAKHSH等[12]利用ARCMAP核密度估計(jì)(KDE)和SANet軟件(4版)對(duì)交通事故區(qū)域進(jìn)行了分析,使網(wǎng)絡(luò)分析結(jié)果與傳統(tǒng)的KDE方法進(jìn)行了比較,揭示空間因素對(duì)其形成的影響。筆者擬采用地理信息系統(tǒng)(GIS)技術(shù),如核密度分析、緩沖區(qū)分析、地理加權(quán)回歸分析等,主要從事故的空間特性方面進(jìn)行分析,尋找事故成因。

1 研究區(qū)和研究數(shù)據(jù)

1.1 研究區(qū)域

濟(jì)南市位于山東省中西部,具體經(jīng)緯坐標(biāo)為北緯36°01′ ～ 37°32′、東經(jīng) 116°11′ ～ 117°44′。筆者以濟(jì)南市為研究區(qū)域,包括市中區(qū)、天橋區(qū)、槐蔭區(qū)、歷下區(qū)、歷城區(qū)、長(zhǎng)清區(qū)、章丘區(qū)、濟(jì)陽(yáng)區(qū)、商河縣、平陰縣8區(qū)2縣的數(shù)據(jù)。(2018年,萊蕪區(qū)與鋼城區(qū)未并入濟(jì)南市)。

濟(jì)南市2018年公路通車(chē)?yán)锍虨?2 637.7 km,其中,境內(nèi)高速公路488.5 km。公路客運(yùn)量為3 149.0萬(wàn)人;旅客周轉(zhuǎn)量為52.9億 人. km;公路貨運(yùn)量為2.6億t;貨運(yùn)周轉(zhuǎn)量為474.0億t.km;機(jī)動(dòng)車(chē)保有量超過(guò)230萬(wàn)輛。

1.2 研究數(shù)據(jù)及數(shù)據(jù)預(yù)處理

筆者主要使用了2018年濟(jì)南市10個(gè)區(qū)縣的交通事故數(shù)據(jù)(2018年鋼城區(qū)和萊蕪區(qū)未并入濟(jì)南市,因此筆者未對(duì)這2個(gè)區(qū)域進(jìn)行研究),數(shù)據(jù)來(lái)自濟(jì)南市交警支隊(duì)。因數(shù)據(jù)存在重復(fù)錄入等情況,故對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理,即對(duì)原始數(shù)據(jù)進(jìn)行排序和去重;并使用地理信息系統(tǒng)(GIS)的地址編碼技術(shù)獲取每個(gè)事故的經(jīng)緯度數(shù)據(jù)。濟(jì)南市2018年發(fā)生了6 796起交通事故,交通事故數(shù)據(jù)如圖1。

圖1 濟(jì)南市交通事故數(shù)據(jù)Fig.1 Traffic accident data in Ji’nan

2 研究方法

筆者主要采用了核密度分析、熱點(diǎn)分析、緩沖區(qū)分析、地理加權(quán)回歸分析等方法。首先,使用核密度分析的方法直觀地描述濟(jì)南市交通事故在空間上的分布特征;其次,通過(guò)事故當(dāng)量法結(jié)合緩沖區(qū)分析方法鑒別研究區(qū)的事故多發(fā)區(qū)域;最后,通過(guò)構(gòu)建地理加權(quán)回歸(GWR)模型,分析人口、車(chē)輛數(shù)、公路通車(chē)?yán)锍痰纫蛩貙?duì)事故數(shù)量的影響,從空間特性方面分析事故的成因。

2.1 核密度分析

核密度分析從數(shù)據(jù)的樣本出發(fā),研究數(shù)據(jù)的分布特征。這種方法能夠充分地利用原始的數(shù)據(jù)信息,且在不附加任何假定條件下研究數(shù)據(jù)分布。依照地理學(xué)第一定律,所有的事物都是與其相鄰近的事物相關(guān)的,且距離越近,相關(guān)性就越強(qiáng)。基于這一定律,核密度分析通過(guò)核函數(shù)對(duì)一定空間范圍內(nèi)事故點(diǎn)的密度進(jìn)行計(jì)算,距離越遠(yuǎn),其核心的影響強(qiáng)度就越弱,因此空間差異性較強(qiáng),可以對(duì)交通事故的空間分布進(jìn)行分析[13]。

2.2 熱點(diǎn)分析

熱點(diǎn)分析能夠計(jì)算每個(gè)要素的Getis-Ord Gi*統(tǒng)計(jì)。首先對(duì)所有要素進(jìn)行查看,計(jì)算各個(gè)要素與其相鄰要素的局部總和,然后與所有要素的綜合進(jìn)行對(duì)比,若局部總和與預(yù)期局部總和差距過(guò)大,分析結(jié)果不是隨機(jī)產(chǎn)生的,則會(huì)生成具有顯著統(tǒng)計(jì)學(xué)意義的Z得分。正值Z得分越高,則熱點(diǎn)的聚類(lèi)越緊密;負(fù)值Z得分越低,則冷點(diǎn)聚類(lèi)越緊密。

2.3 緩沖區(qū)分析

筆者選用緩沖區(qū)分析的方法鑒別事故多發(fā)區(qū)域,以當(dāng)量事故死亡人數(shù)作為各事故點(diǎn)的緩沖區(qū)半徑;再利用GIS里的緩沖區(qū)向?qū)Чぞ邔?duì)事故點(diǎn)進(jìn)行緩沖;最后通過(guò)緩沖區(qū)結(jié)果圖得到事故多發(fā)區(qū)域,結(jié)合交通事故熱力圖對(duì)道路基礎(chǔ)設(shè)施情況的統(tǒng)計(jì),得出事故多發(fā)原因。

2.4 地理加權(quán)回歸模型

地理加權(quán)回歸(geographic weighted regression, GWR)具有較強(qiáng)的空間數(shù)據(jù)局部分析能力。它對(duì)空間范圍內(nèi)的各點(diǎn)建立了局部回歸方程〔式(1)〕,從而探索和研究一定尺度上研究對(duì)象的空間變化規(guī)律和相關(guān)驅(qū)動(dòng)因素,可以很好的揭示空間異質(zhì)性條件下的空間關(guān)系,并可用于對(duì)未來(lái)結(jié)果的預(yù)測(cè)。地理加權(quán)回歸是普通線性回歸模型的一種擴(kuò)展,它將數(shù)據(jù)的空間位置嵌入到回歸方程中,考慮了空間對(duì)象的局部效應(yīng),從而提高了準(zhǔn)確性[14]。

(1)

式中:yi為因變量在i點(diǎn)的值;(μi,vi)為樣點(diǎn)i坐標(biāo);βk(μi,vi)為樣點(diǎn)i的第k個(gè)回歸參數(shù);xij為觀測(cè)到i的第k個(gè)影響變量;p為影響變量的個(gè)數(shù);εi為回歸殘差。

3 結(jié)果分析

3.1 核密度分析與熱點(diǎn)分析結(jié)果比較

將核密度分析結(jié)果與熱點(diǎn)分析結(jié)果進(jìn)行疊加,結(jié)果如圖2。

圖2 核密度分析與熱點(diǎn)分析對(duì)比Fig.2 Comparison between kernel density analysis and hot spot analysis

由圖2可知:在人口聚集、車(chē)輛和道路密度更大的市區(qū),交通事故相比于其他地區(qū)發(fā)生更為頻繁;事故多發(fā)地具有明顯的聚集性,濟(jì)南市有多個(gè)事故多發(fā)中心。

熱點(diǎn)分析的結(jié)果同樣表明,市區(qū)的交通事故發(fā)生更為頻繁。

對(duì)比結(jié)果顯示:文中熱點(diǎn)分析與核密度分析均能夠鑒別交通事故的多發(fā)區(qū)域,但相較于熱點(diǎn)分析,核密度分析能夠更全面的顯示交通事故多發(fā)區(qū)域。故選取核密度分析與緩沖區(qū)分析進(jìn)行疊加分析。

3.2 緩沖區(qū)分析

為進(jìn)一步分析事故成因,筆者采用“事故當(dāng)量死亡人數(shù)法”和緩沖區(qū)分析相結(jié)合的方法,鑒別事故多發(fā)區(qū)域,分析事故成因。

3.2.1 事故當(dāng)量死亡人數(shù)法

筆者以交通中的死亡人數(shù)、受傷人數(shù)以及直接財(cái)產(chǎn)損失作為反映交通事故的嚴(yán)重程度的數(shù)據(jù)項(xiàng)。事故嚴(yán)重程度通過(guò)道路交通事故當(dāng)量死亡人數(shù)計(jì)算模型[15]確定,如式(2):

nD, E=nD+KZnZ+KQnQ+KClC

(2)

式中:nD, E為當(dāng)量死亡人數(shù);nD、nZ、nQ、lC分別為死亡人數(shù)、重傷人數(shù)、輕傷人數(shù)及直接經(jīng)濟(jì)損失;KZ、KQ、KC分別為重傷、輕傷和直接經(jīng)濟(jì)損失的換算系數(shù)。

而換算系數(shù)KZ、KQ、KC的計(jì)算中,主要使用“標(biāo)準(zhǔn)損失工作日S”這一指標(biāo)。一人死亡損失工作日是死者由于道路交通事故而喪失的工作時(shí)間。假設(shè)一年有250個(gè)工作日,其計(jì)算公式如式(3):

S=(YR-Y)×250

(3)

式中:S為死亡一人所對(duì)應(yīng)的損失工作日;YR為平均退休年齡;Y為平均死亡年齡。

根據(jù)公安交通管理部門(mén)提供的數(shù)據(jù)可知,2006—2009年,中國(guó)道路交通事故的平均死亡年齡為40歲,平均退休年齡為60歲,所以每一人死亡對(duì)應(yīng)的標(biāo)準(zhǔn)損失工作日大約是5 000 d。

重傷換算系數(shù)KZ的計(jì)算方法如式(4)。不同級(jí)別的重傷對(duì)應(yīng)的損失工作日為SZ,用其除以死亡一人的標(biāo)準(zhǔn)損失工作日S,即可求得重傷換算系數(shù)KZ:

(4)

當(dāng)無(wú)法按傷殘的評(píng)級(jí)折算時(shí),由于重傷損失工作日的范圍是100～5 000 d,取其算數(shù)平均值作為代表值,則其換算系數(shù)取0.51。

輕傷換算系數(shù)KQ的計(jì)算方法如式(5):

(5)

其中,輕傷的損失工作日SQ∈[2,100]。

直接經(jīng)濟(jì)損失換算系數(shù)KC的計(jì)算方法如式(6):

(6)

式中:KC為直接經(jīng)濟(jì)損失換算系數(shù);G為上一年度職工的平均工資標(biāo)準(zhǔn),萬(wàn)元。

計(jì)算出死亡一人標(biāo)準(zhǔn)損失工作日S對(duì)應(yīng)的經(jīng)濟(jì)損失總額,取其倒數(shù),即可推算出1萬(wàn)元直接經(jīng)濟(jì)損失的死亡換算系數(shù)KC。

根據(jù)國(guó)家統(tǒng)計(jì)局2018年發(fā)布的數(shù)據(jù),城鎮(zhèn)集體單位職工年平均工資為60 664元。經(jīng)計(jì)算得直接經(jīng)濟(jì)損失的死亡換算系數(shù)KC約為0.008。對(duì)死亡人數(shù)、重傷人數(shù)、輕傷人數(shù)、直接財(cái)產(chǎn)損失進(jìn)行相應(yīng)的換算,最后求和得到各個(gè)交通事故的當(dāng)量死亡人數(shù)。換算結(jié)果如表1。

表1 事故當(dāng)量死亡人數(shù)換算

3.2.2 緩沖區(qū)分析

根據(jù)表1中的事故當(dāng)量死亡人數(shù),每個(gè)交通事故點(diǎn)以事故當(dāng)量死亡人數(shù)的數(shù)值為半徑進(jìn)行緩沖區(qū)分析。由于每個(gè)事故點(diǎn)的當(dāng)量死亡人數(shù)不同,分析結(jié)果即為半徑不同的緩沖區(qū)。將緩沖區(qū)的結(jié)果和濟(jì)南市的行政規(guī)劃圖疊加后,結(jié)果如圖3。

圖3 濟(jì)南市交通事故緩沖區(qū)分析Fig.3 Analysis of traffic accident buffer zone in Ji’nan

圖3的分析結(jié)果顯示:A、B、C、D、E、F 共6個(gè)區(qū)域?yàn)槭鹿识喟l(fā)區(qū)域,其區(qū)域面積分別為51、30、1 350、495、135、144 km2;每個(gè)多發(fā)區(qū)域的緩沖區(qū)個(gè)數(shù)分別為8、12、167、33、12、8個(gè),如表2。用緩沖區(qū)個(gè)數(shù)除以對(duì)應(yīng)的面積,得到單位面積緩沖區(qū)個(gè)數(shù)分別為0.159、0.400、0.124、0.067、0.089、0.056個(gè)。單位面積緩沖區(qū)個(gè)數(shù)計(jì)算結(jié)果表明,事故多發(fā)最為嚴(yán)重的區(qū)域?yàn)锽,其次為A。C區(qū)域內(nèi)的交通事故數(shù)量最多,計(jì)算結(jié)果也顯示事故較為嚴(yán)重。

表2 事故多發(fā)區(qū)的面積和緩沖區(qū)個(gè)數(shù)

3.2.3 與核密度分析的異同

將緩沖區(qū)分析結(jié)果與核密度分析結(jié)果進(jìn)行疊加,結(jié)果如圖4。

圖4 核密度分析和緩沖區(qū)分析結(jié)果對(duì)比Fig.4 Comparison of kernel density analysis and buffer analysis results

圖4的疊加結(jié)果顯示,緩沖區(qū)分析與核密度分析均可以鑒別出事故多發(fā)區(qū)域,但也有一些不同之處。緩沖區(qū)分析的結(jié)果顯示A、B、C這3個(gè)區(qū)域均為事故多發(fā)區(qū)域,但核密度分析的結(jié)果顯示A、B、C這3個(gè)區(qū)域均不是事故多發(fā)區(qū)域。

通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行分析,得出以下結(jié)論:A區(qū)域的3個(gè)緩沖區(qū)的事故發(fā)生次數(shù)分別為1、6、1次,死亡人數(shù)分別為3、0、0人,受傷人數(shù)分別為0、1、3人;B、C區(qū)域與A區(qū)域類(lèi)似。綜上,造成緩沖區(qū)分析與核密度分析差異的原因是,核密度分析是對(duì)事故發(fā)生次數(shù)進(jìn)行分析,而緩沖區(qū)分析則是對(duì)交通事故的嚴(yán)重程度進(jìn)行分析。

3.2.4 交通事故特征分析

對(duì)6個(gè)事故多發(fā)區(qū)域的事故特征數(shù)據(jù)進(jìn)行統(tǒng)計(jì),結(jié)果如表3。其中,路面不完整包括施工、凹凸等;道路物理隔離包括機(jī)非隔離、中央隔離等。

表3 事故多發(fā)區(qū)事故特征統(tǒng)計(jì)

經(jīng)計(jì)算,事故多發(fā)路段無(wú)路側(cè)防護(hù)設(shè)施與無(wú)道路物理隔離的占比分別高達(dá)36.3%和35.2%,夜間無(wú)照明與路面不完整的占比則分別為3.8%和2.6%。綜上可知,無(wú)道路物理隔離與無(wú)路側(cè)防護(hù)設(shè)施是交通事故多發(fā)的主要原因。

3.3 地理加權(quán)回歸分析

為進(jìn)一步對(duì)事故成因的空間差異性進(jìn)行分析,筆者采用能充分反應(yīng)空間異質(zhì)性的地理加權(quán)回歸模型進(jìn)行分析,選取了人口、交通財(cái)政支出、區(qū)域面積、車(chē)輛數(shù)、公路通車(chē)?yán)锍痰茸鳛閭溥x解釋因子。根據(jù)統(tǒng)計(jì)年鑒等數(shù)據(jù),2018年濟(jì)南市各區(qū)縣的人口、交通財(cái)政支出、區(qū)域面積、車(chē)輛數(shù)、公路通車(chē)?yán)锍桃约敖煌ㄊ鹿蕯?shù)等數(shù)據(jù)如表4。

表4 濟(jì)南市各區(qū)縣基本情況數(shù)據(jù)

3.3.1 空間自相關(guān)分析

對(duì)交通事故進(jìn)行空間自相關(guān)分析。莫蘭指數(shù)作為一個(gè)用來(lái)衡量空間自相關(guān)的經(jīng)典指標(biāo),其值若為正,則表示空間正相關(guān);若為負(fù),則表示空間負(fù)相關(guān)。筆者利用ArcGIS中空間自相關(guān)工具中的莫蘭(Moran I)指數(shù)進(jìn)行分析,其結(jié)果如圖5。

圖5 空間自相關(guān)報(bào)表Fig.5 Spatial autocorrelation report

圖5顯示:Z得分為1.914,則隨機(jī)產(chǎn)生此聚類(lèi)模式的可能性小于10%;濟(jì)南市交通事故變量的莫蘭指數(shù)為0.244,事故具有空間正相關(guān)性,即事故的分布呈現(xiàn)出明顯的聚類(lèi)模式,適用于地理加權(quán)回歸模型。

3.3.2 地理加權(quán)回歸模型分析

利用GWR模型對(duì)濟(jì)南市各區(qū)縣的交通事故發(fā)生次數(shù)分別與人口、GDP、交通財(cái)政支出、區(qū)域面積、車(chē)輛數(shù)、公路通車(chē)?yán)锍?、路網(wǎng)密度的關(guān)系分別進(jìn)行定量分析,其結(jié)果見(jiàn)表5。

表5 因變量為事故發(fā)生次數(shù)時(shí)的結(jié)果

GWR模型分析的結(jié)果表明,影響交通事故發(fā)生的主要因素為車(chē)輛數(shù)、公路通車(chē)?yán)锍?、GDP以及人口。其回歸系數(shù)分別約為0.557、0.353、0.351、0.334。交通財(cái)政支出、區(qū)域面積、路網(wǎng)密度3個(gè)參數(shù)的相關(guān)性較低,回歸系數(shù)均低于0.11。綜上,選取相關(guān)性較高(>0.25)的車(chē)輛數(shù)、人口等4個(gè)因子做解釋變量進(jìn)行相關(guān)性分析。

對(duì)4個(gè)影響因子之間進(jìn)行相關(guān)性分析,其相關(guān)性詳見(jiàn)表6?；貧w結(jié)果顯示,公路通車(chē)?yán)锍毯推渌麕讉€(gè)因子之間的相關(guān)性都很低,與車(chē)輛數(shù)的回歸系數(shù)為0.045 1,與GDP的回歸系數(shù)為0.004 7,與人口的回歸系數(shù)為0.142 3,故選擇公路通車(chē)?yán)锍套鳛橐粋€(gè)解釋變量;車(chē)輛數(shù)和GDP、人口之間的回歸系數(shù)都在0.46以上,即具有較強(qiáng)的相關(guān)性,三者之間存在共線性問(wèn)題,故選取了三者中與交通事故數(shù)相關(guān)性最高的車(chē)輛數(shù)作為另一個(gè)解釋變量。在GWR的回歸分析結(jié)果中,條件數(shù)如果小于0或者大于30或者設(shè)置為空,就意味著回歸模型中存在較強(qiáng)的局部共線性問(wèn)題,回歸模型缺乏可信度,文中公路通車(chē)?yán)锍痰臈l件數(shù)全部在3到4之間,車(chē)輛數(shù)在5到6之間,能夠通過(guò)共線性檢驗(yàn),可信度較高。因此選取車(chē)輛數(shù)和公路通車(chē)?yán)锍套鳛榻忉屪兞?交通事故數(shù)為因變量同時(shí)進(jìn)行地理加權(quán)回歸分析,其結(jié)果如表7。

表6 因子相關(guān)性平方表

表7 車(chē)輛數(shù)、公路通車(chē)?yán)锍套鳛榻忉屪兞縂WR結(jié)果

每個(gè)影響因子都對(duì)交通事故的發(fā)生有促進(jìn)或者抑制作用,在回歸結(jié)果上表現(xiàn)為回歸參數(shù)的正、負(fù)情況。回歸系數(shù)為正,則表示其會(huì)促進(jìn)交通事故的發(fā)生;回歸系數(shù)為負(fù),表示其會(huì)抑制交通事故的發(fā)生。表5的回歸結(jié)果顯示,將公路通車(chē)?yán)锍毯蛙?chē)輛數(shù)單獨(dú)作為解釋變量時(shí),其回歸系數(shù)為正,即2個(gè)影響因子都會(huì)促進(jìn)交通事故的發(fā)生,而相較于分別與事故數(shù)進(jìn)行地理加權(quán)回歸,兩者共同作為解釋變量的回歸系數(shù)(表7),其結(jié)果明顯提高。

4 提高安全措施的建議

從宏觀層面來(lái)看,交通財(cái)政支出與交通事故數(shù)沒(méi)有明顯相關(guān)性,但是在各類(lèi)財(cái)政支出中,交通財(cái)政支出太少;公路通車(chē)?yán)锍毯蛙?chē)輛數(shù)的增加導(dǎo)致了交通事故的增加,說(shuō)明需要從需求側(cè)入手,一方面要優(yōu)化路網(wǎng)結(jié)構(gòu),最重要的是另一方面要減少需求,比如限行、限號(hào)等措施。

從微觀層面來(lái)看,無(wú)路側(cè)防護(hù)設(shè)施、無(wú)道路物理隔離這2個(gè)特征在事故中占比高達(dá)36.3%和35.2%,因此完善交通設(shè)施是最急迫的,可設(shè)立機(jī)非分隔欄和中央分隔欄并完善照明條件。另外,要加強(qiáng)隱患排查,并且做好日常的維修工作,對(duì)損壞的路面、標(biāo)志標(biāo)線及時(shí)進(jìn)行維修。

除此之外,還應(yīng)當(dāng)加強(qiáng)交通管理,加大科技信息化管控,整治路段重點(diǎn)違法行為,加大對(duì)交通違法的懲治力度。

5 結(jié) 語(yǔ)

筆者采用GIS分析方法,主要從空間特性方面分析事故的特性和成因,主要獲得以下結(jié)論:事故發(fā)生具有明顯的聚集性,鑒別出了濟(jì)南市6個(gè)事故多發(fā)區(qū)域,無(wú)道路物理隔離和無(wú)路側(cè)防護(hù)設(shè)施是事故多發(fā)區(qū)中的主要原因;車(chē)輛數(shù)、公路通車(chē)?yán)锍?、GDP、人口等都對(duì)區(qū)域交通事故數(shù)有較大影響,且都與交通事故數(shù)呈正相關(guān)的關(guān)系,其中車(chē)輛數(shù)的影響最大;構(gòu)建的基于車(chē)輛數(shù)和公路通車(chē)?yán)锍痰腉WR模型相關(guān)性回歸系數(shù)高達(dá)0.75,可根據(jù)模型對(duì)各區(qū)縣事故多發(fā)區(qū)域進(jìn)行及時(shí)預(yù)警和完善相應(yīng)的交通設(shè)施。研究對(duì)于減少交通事故發(fā)生,提升交通安全水平具有重要意義。但本研究也存在一些不足之處:由于僅獲得了濟(jì)南市2018年的交通事故數(shù)據(jù),地理加權(quán)回歸模型僅有濟(jì)南市10個(gè)區(qū)縣的數(shù)據(jù),因此模型的解釋度并不是特別高。這些不足之處將在進(jìn)一步的研究中加以改進(jìn)。