路面状况与行人及骑行者碰撞事故的关联：基于交通分析区（TAZ）的负二项（NB）、泊松逆高斯（PIG）和Bell回归模型比较

《IATSS Research》：Exploring the associations between pavement conditions and pedestrian and cyclist crashes

　　

研究人员利用澳大利亚维多利亚州的数据，以交通分析区（Traffic Analysis Zones，TAZs）作为空间单元，估计并比较负二项（Negative Binomial，NB）、泊松逆高斯（Poisson inverse Gaussian，PIG）和Bell回归模型，以检验路面状况（pavement conditions）与行人和骑行者碰撞（pedestrian and cyclist crashes）频率之间的关联，并在模型中控制基础设施（infrastructure）、出行（travel）、社会人口（sociodemographic）和土地利用（land-use）因素。研究结果显示，在所有模型中，路面状况与行人和骑行者碰撞均存在显著关联；Bell回归（Bell regression）可作为碰撞频率建模的一种替代方法。

既有研究将步行和骑行视为改善公共健康、降低空气污染的重要方式，但行人和骑行者在道路交通中属于脆弱道路使用者（vulnerable road users，VRUs，缺乏机动车物理防护的道路使用者），在碰撞中更易遭受严重伤害和死亡；全球范围内，行人、骑行者及其他两轮车使用者占道路交通死亡的一半以上。路面状况指标（如纹理、粗糙度和开裂）在一般交通安全研究中受到较多关注，但其与行人及骑行者碰撞的直接关联仍研究不足；宏观或交通分析区层面的VRU安全模型很少纳入这些路面指标；Bell回归作为过离散（over-dispersion，方差大于均值）碰撞计数模型的替代方案，尤其用于VRU碰撞频率，尚未得到系统评估。为此，研究人员以澳大利亚维多利亚州为案例、以交通分析区（Traffic Analysis Zones，TAZs，用于交通建模和宏观安全分析的空间单元）为空间单元，考察路面状况与行人及骑行者碰撞频率的关联，同时控制基础设施、出行、社会人口和土地利用因素，并比较负二项（Negative Binomial，NB）、泊松逆高斯（Poisson inverse Gaussian，PIG）和Bell回归模型，评估多种路面指标（包括国际糙度指数（International Roughness Index，IRI，以m/km表示，数值越高路面越粗糙）、纹理和开裂）与VRU安全的关系以及Bell分布作为传统过离散计数回归替代方案的适用性。研究结果表明，路面状况，尤其表面纹理和粗糙度，与行人和骑行者碰撞在宏观层面存在统计显著关联；模型还确认了车辆公里行驶量（vehicle kilometres travelled，VKT，由道路长度与交通量估算的暴露量）、人口、出行方式份额、年轻人口比例、信号交叉口、环岛、公共交通站点和商业用地等因素的影响。方法上，Bell回归在样本内拟合与NB、PIG相当，并在样本外预测中表现更优，说明其可作为过离散碰撞计数的替代模型。该研究为将路面管理纳入VRU安全策略和网络安全筛查提供了实证依据。

方法上，研究人员整合2015年7月至2020年6月维多利亚州Data.Vic伤亡碰撞数据、2015—2016年主要道路网络100 m路段路面数据（IRI低于3.4 m/km、开裂低于10%、平均纹理深度不低于1.3 mm分别判为良好）、2016年澳大利亚统计局（Australian Bureau of Statistics，ABS）普查的人口与土地利用数据及Data.Vic基础设施与交通数据；由道路长度和交通量估算VKT并聚合到TAZ。因路面数据仅覆盖主要道路，仅纳入主要道路上的行人和骑行者碰撞；排除不完整区域后纳入2055个TAZ。以NB为基线，估计PIG和Bell模型；用赤池信息准则（AIC）、均方根误差（RMSE）、平均绝对误差（MAE）及伪R²评估，开展五折交叉验证、方差膨胀因子（VIF）检验、最大似然估计和R软件GAMLSS、INLA包分析；并进行2015—2017年碰撞敏感性分析和带条件自回归（CAR）Leroux设定的NB空间敏感性分析。

研究结果如下。

4.1 行人碰撞模型（Models of pedestrian crashes）。研究人员通过NB、PIG和Bell回归发现：三种模型的方向和显著性高度一致；VKT和人口为正；0—14岁比例负；公共交通通勤份额正；商业和工业用地份额正；信号交叉口、电车站和公交站数量正；环岛数量负；良好纹理和良好IRI路面比例与行人碰撞显著负相关。NB的AIC最低，Bell的RMSE、MAE最低且伪R²最高；排除路面变量后模型拟合变差；限定2015—2017年的敏感性模型结果一致；CAR NB模型消除残差空间自相关后，良好纹理和良好粗糙度的负关联仍稳健。

4.2 骑行者碰撞模型（Models of cyclist crashes）。通过三种模型发现符号和显著性大体一致：VKT和人口为正；0—14岁和15—24岁比例负；骑行通勤份额强正；商业用地正；电车站和公交站数量正；信号交叉口仅在PIG中边际显著，环岛仅在Bell中显著且为正；良好纹理比例与骑行者碰撞显著负相关；IRI影响较弱且呈边际显著；开裂在Bell中显著、在NB中边际显著。NB和PIG的AIC较低，PIG最低；Bell的RMSE、MAE最低且伪R²最高；排除路面变量后模型变差；2015—2017年敏感性结果一致；CAR NB模型显示良好纹理的负关联稳健。

4.3 样本外预测性能（Out-of-sample prediction performance）。通过五折交叉验证，Bell模型对两类碰撞均取得最低RMSE和MAE；行人碰撞中Bell较NB降低RMSE约10%，骑行者碰撞中较NB和PIG分别降低约26%和31%，表明Bell的样本外预测更准确。

讨论部分总结：行人方面，主要贡献是实证发现更好路面状况与更低行人碰撞频率一致；纹理和粗糙度负关联与机动车研究及行人滑倒、绊倒和跌倒文献一致。原文解释的可能机制是良好纹理提升轮胎—路面摩擦，改善车辆制动、转向和避让，良好粗糙度提供更稳定可预测表面；因分析在TAZ层面，机制仍需微观验证。粗糙度结果提示，在主要道路高速度和高暴露条件下，良好维护路面的控制与稳定收益可能超过光滑表面带来的速度风险。TAZ模型用于网络筛查和战略规划，而非识别具体危险路段。交通暴露、人口、公共交通份额、信号交叉口、公共交通站点及商业和工业用地与行人碰撞正相关，儿童比例负相关。骑行者方面，良好纹理与更少骑行者碰撞一致，粗糙度和开裂证据有限；纹理可改善摩擦、制动、转向和侧向稳定，减少车轮偏转和失衡，但仍需路段级验证；VKT、人口、骑行通勤份额、商业用地、电车站和公交站正相关，环岛在Bell中正相关，儿童和15—24岁比例负相关。建模方面，NB仍是主流，PIG为替代，Bell样本内拟合可比且样本外预测更优，其方差结构自然适应过离散，是可行替代。局限包括路面数据仅覆盖主要道路、仅报告伤亡碰撞可能存在低估、维多利亚数据泛化需谨慎；未来可研究其他VRU、Bell的空间/时空扩展、零膨胀与未观测异质性、更全面路面指标及步行骑行暴露数据，并探索机器学习和深度学习方法。

研究结论翻译：本研究考察了路面状况与行人和骑行者碰撞频率的关联。为此，研究人员使用澳大利亚维多利亚州基于TAZ的数据建立了NB、PIG和Bell回归模型。总体而言，研究结果提供了新的实证证据，表明路面状况，尤其是表面纹理和粗糙度，与宏观层面的行人和骑行者碰撞存在统计显著关联。研究结果还确认了VKT、人口、出行方式份额、年轻人口比例、信号交叉口、环岛、公共交通站点和商业用地对脆弱道路使用者（VRU）碰撞的影响。本研究还证明了Bell回归作为过离散碰撞计数建模替代方法的潜力。本研究具有若干实践启示。第一，研究结果表明VRU安全项目不应仅关注交叉口设计、速度管理或行为干预，还应将路面管理视为VRU安全策略的组成部分。在行人、骑行者和交通活动较高的主要路网上，维持良好的路面纹理（即纹理深度不低于1.3 mm）和粗糙度（即IRI低于3.4 m/km）可能带来额外安全效益。将路面数据纳入网络安全管理可帮助机构识别路面状况差且VRU暴露高的优先区域。随后可对这些区域进行路段和交叉口层面的路面与安全评估，从而支持维护和资源的战略分配。