《Accident Analysis & Prevention》：A spatially structured empirical Bayes framework for the evaluation of network-wide safety countermeasures
编辑推荐：
本文针对传统经验贝叶斯方法在评估道路安全措施时忽略空间相关性的局限，提出了一种结合网络结构信息的经验贝叶斯-网络过程卷积（EB-NPC）模型。通过模拟和实际案例（埃德蒙顿市驾驶员反馈标志系统）的对比分析，研究表明EB-NPC能够更准确地量化反事实碰撞数，降低预测不确定性，尤其适用于空间依赖性较强的城市路网安全干预效果评估，为交通安全管理提供了更可靠的决策支持工具。
在城市道路安全管理中，准确评估交通安全措施（如减速带、信号优化或驾驶员反馈系统）的实际效果至关重要。传统评估方法通常采用经验贝叶斯-泊松伽马（EB-PG）模型，通过安全性能函数（SPF）预测未实施措施时的“反事实”碰撞数，再与实施后的实际数据对比得出效果。然而，这类方法存在明显局限：一是假设各路段碰撞风险相互独立，忽略了城市路网中相邻路段间存在的空间相关性（如交通流连续性和区域风险扩散）；二是对罕见事件（如严重事故）的预测稳定性不足；三是未考虑路网拓扑结构对空间依赖性的影响，可能导致效果评估偏差。
为突破这些局限，本研究提出了一种创新性的经验贝叶斯-网络过程卷积（EB-NPC）框架，并发表于《Accident Analysis & Prevention》。该框架的核心突破在于将网络空间结构引入贝叶斯建模：通过定义路网节点（如交叉口）间的最短路径距离，构建加权核函数来量化空间效应；采用两阶段建模策略，先基于未处理路段数据校准空间超参数，再分别建立处理组“后验模型”和反事实“对照组模型”，最终通过对比预测值计算碰撞减少率（CRR）。关键技术方法包括：基于马尔可夫链蒙特卡洛（MCMC）的贝叶斯推断、网络最短路径算法确定空间权重、三角核函数处理空间平滑，并利用埃德蒙顿市10年共1366个路段（含86个DFS处理路段）的碰撞数据、交通流量和道路属性进行验证。
模拟研究验证模型稳健性
通过构建10×10网格人工路网，模拟弱、中、强三种空间相关性场景下的碰撞数据。结果显示：在中等及以上空间相关性场景中，EB-NPC对反事实碰撞数的95%区间覆盖率接近理论值（0.95），而EB-PG的区间宽度平均扩大40%；在碰撞减少率（CRR）恢复方面，EB-NPC的均方误差（MAE）较EB-PG降低13%-22%，证明其能更精准捕捉处理效应。
实际案例评估DFS措施效果
针对埃德蒙顿市的驾驶员反馈标志（DFS）项目，EB-NPC估计其可降低总碰撞37.2%（EB-PG为36.1%），其中严重碰撞降幅达37.1%。关键发现包括：
- 1.
空间依赖性利用优势：在交通密集的主干道（Arterial）场景中，EB-NPC的预测区间宽度比EB-PG窄48%，显著降低不确定性；
- 2.
局部适应性差异：对于空间孤立的集散道路（Collector），因相邻路段信息稀疏，EB-NPC的预测稳定性略低于EB-PG，反映方法对空间信息密度的敏感性；
- 3.
事故类型异质性：模型在财产损失事故（PDO）和严重事故中均表现稳定，但对低频率严重事故的区间评分（Interval Score）优化幅度最大（降低35%），说明其对罕见事件的建模优势。
讨论与意义
本研究首次将网络过程卷积与经验贝叶斯框架结合，解决了传统方法在空间依赖性建模中的三个关键问题：一是通过核函数加权明确纳入路网拓扑，避免欧氏距离导致的连通性误判；二是两阶段建模分离了空间结构校准与处理效应估计，增强结果可解释性；三是贝叶斯预测区间直接量化反事实不确定性，优于EB-PG的渐近近似。实践层面，EB-NPC可为城市路网安全措施的优化部署提供空间显式支持，例如识别高风险集群区域优先干预，或评估措施的空间溢出效应。未来研究方向包括扩展至多类型碰撞联合建模、动态协变量整合，以及结合因果推断框架控制选择偏倚。
综上，EB-NPC框架为城市路网安全干预评估提供了更可靠、透明的量化工具，其开源实现（GitHub:
https://github.com/WMJason/EB-NPC）有望推动交通安全研究向空间显式、网络化的范式发展。
