基于因果决策框架的测速相机优化配置方法研究及其在提升道路交通安全中的应用

针对测速相机传统配置方法依赖历史事故频率、忽略处理效应异质性的问题，本研究引入因果决策框架，结合因果机器学习方法量化测速相机在不同路点的异质处理效应（HTE），并基于预测安全效益优化配置规则。英国案例研究表明，HTE驱动的配置策略相比历史事故基准和随机配置能预防更多交通事故，为高成本交通干预措施的精准资源配置提供了新范式。

　　

在全球范围内，测速相机作为规范驾驶行为、提升道路交通安全的关键干预措施被广泛实施。然而，如何科学合理地配置这些昂贵的执法资源一直是交通管理领域的核心难题。传统实践通常简化地将历史事故频率作为选址排序的主要依据，假定事故高发路段安装测速相机能带来更大安全效益。但这种做法存在明显局限：它无法解释测速相机安全效果存在的显著异质性，不能区分具有相同事故记录但实际效益可能迥异的路段，也难以进行事前成本效益评估。随着因果推断和机器学习技术的融合发展，学术界开始探索更精细化的资源配置方法论。

为此，发表在《Evaluation and Program Planning》上的这项研究开创性地将因果决策框架引入测速相机配置领域，提出了一套完整的方法论体系并在英国实际案例中验证其优越性。研究人员采用因果机器学习方法——特别是广义随机森林（GRF）和因果森林（CF）——量化测速相机在不同路点的异质处理效应（Heterogeneous Treatment Effects, HTE），进而构建以预测安全效益（即事故减少量）为目标的优化配置规则。通过对比HTE驱动、历史事故基准和随机配置三种策略在预防交通事故数量上的表现，研究证实了因果决策方法的实际价值。

研究主要依托英国八个行政区域的1,582条500米路段数据，涵盖2002–2004年安装的测速相机站点及对照站点。数据包括三年基线期及三年处理后的个人伤害碰撞（PIC）数据、年平均日交通量（AADT）、道路等级、速度限制及社会经济特征等协变量。关键分析方法包括：基于Neyman–Rubin潜在结果框架的因果效应定义，通过无混淆性和重叠假设识别HTE；使用GRF包拟合因果森林，并采用双稳健估计量（AIPW）评估处理效应；通过Qini曲线和排名平均处理效应（RATE）评估不同配置规则的性能。

研究结果部分显示，测速相机安全效益存在显著异质性。因果森林变量重要性分析指出，基线PIC、人口密度（pop）、基线KSI、就业人口密度（emp）和次要路口数量（junc）是前五位异质性修饰变量。平均处理效应估计显示：已处理组（ATT）平均减少1.035次PIC/公里/年，未处理组（ATU）为0.718，全体平均（ATE）为0.763。统计检验（RATE，p = 0.011）证实处理效应异质性显著存在。

配置规则评估方面，Qini曲线分析表明：在所有预算水平下，HTE驱动配置均优于历史风险值配置和随机配置。特别是在实际相机占比13%的预算水平下，HTE规则相比历史风险规则提升63.9%效益（0.273 vs. 0.167），尽管统计显著性有限，但趋势一致。这既验证了历史事故频率作为代理指标的合理性，也凸显了引入多维度异质性信息的附加价值。

该研究的结论强调，因果决策框架能够有效整合反事实预测与资源优化配置，为交通安全干预措施提供了一种数据驱动的科学决策支持工具。它不仅适用于测速相机配置，还可扩展至其他高成本安全措施（如警察执法、工程改造）的多 treatment 优化分配。未来研究可聚焦于更丰富数据集的应用、黑箱模型的可解释化及多干预选项的协同优化，进一步推动道路交通安全管理的精准化和智能化发展。