《Asian Transport Studies》：Exploring the impact of street-level built environment characteristics on vehicle speeds in low-speed streets: A case study of Tainan city
编辑推荐：
为探究如何通过建成环境设计降低车速以提升行人安全，本研究以台湾台南市历史城区为例，融合Google Directions API速度数据、街景影像语义分割与POI等多源数据，运用多元线性回归分析街道层面环境特征对车速的影响。研究发现，建筑物与行人道的视觉占比越高，车辆速度越低，揭示了“路侧摩擦”效应的存在；而居住区段的车速反而较高，显示其缺乏有效的视觉约束。本研究为以人为本的交通规划与低限速街道设计提供了量化依据与可扩展的分析框架。
在人车交织的城市街道上，速度是决定行人安全的关键。世界卫生组织的数据触目惊心：全球每年约有119万人死于交通事故，其中超过一半是行人、骑行者等弱势道路使用者。而在台湾，其行人安全环境甚至被CNN报道称为“行人的地狱”，凸显了改善步行环境的紧迫性。尽管“以人为本”的交通规划理念日益受到重视，但在城市街区的具体实践中，究竟是哪些环境特征能有效引导驾驶员降低车速，从而营造更安全的步行空间？相关研究，尤其是在拥有独特混合交通与复杂街道形态的亚洲城市中，仍显不足。
为解答这一问题，一篇发表在《Asian Transport Studies》上的研究，将目光投向了台湾的历史古都——台南。研究团队没有采用传统的现场勘测方法，而是巧妙运用了数字化工具，对台南旧城区墙范围内的街道进行了一次大规模的“数据体检”。他们试图揭示，街道层面的建成环境特征——那些我们行走时能看见、能感知的建筑、人行道、树木乃至停放的摩托车——是如何像无形的手一样，默默调节着过往车辆的速度。
研究方法的关键技术
本研究采用多源数据整合的方法框架。首先，通过Google Directions API获取了研究区域内274条道路分段在工作日高峰时段的历史平均车速数据。其次，运用语义分割（Semantic Segmentation）技术，对通过Google Street View Static API获取的街景图像进行处理，量化了建筑物视觉指数、人行道、摩托车等多个环境要素在驾驶员视野中的占比，作为路侧摩擦的视觉代理变量。同时，研究结合了OpenStreetMap的道路几何数据、Google Places API的POI数据以及官方树木和公交站点数据，构建了涵盖道路物理属性、土地利用和功能密度的综合变量集。最后，通过多元线性回归和逐步回归分析，辨识出影响车速的关键环境因素。
研究结果
4.1. 全模型分析
包含所有候选预测因子的全模型具有统计学意义（F= 6.409, p< 0.001），可解释车速约27.2%的方差。在控制其他变量后，建筑物视觉指数和人行道视觉占比均显示出对车速的显著负向影响。这表明，驾驶员视野中建筑物和人行道占比越高，车速倾向于越慢，验证了复杂的视觉环境会产生“路侧摩擦”，促使驾驶更谨慎。
4.2. 基于逐步回归的模型开发
为精简模型，研究采用逐步回归，最终得到一个包含四个关键变量的模型：
- •
建筑物视觉指数：保持最显著的负向影响，表明建筑环境密度是促使降速的核心视觉因素。
- •
人行道视觉占比：同样具有显著负向影响，强调了行人基础设施的可见性对安全驾驶行为的提示作用。
- •
摩托车视觉占比：显示出显著负向影响。在台南的混合交通环境中，密集的摩托车（通常是停放或缓行的）是商业活跃区和潜在冲突的视觉信号，起到了额外的路侧摩擦作用。
- •
居住用地类型：与预期相反，居住属性与车速呈显著正相关。这表明，在缺乏商业区常见的密集店铺、频繁上下客等高摩擦活动时，居住区相对“开放”的视觉环境可能导致驾驶员低估风险，从而保持较高车速。
结论与讨论
本研究的核心结论是，驾驶员的速度选择更多受到感知到的路侧摩擦和视觉环境复杂性的调节，而非单纯的土地利用规划分类。建筑物和人行道的高视觉占比作为有效的“交通镇静”视觉线索，能自然诱导降速。而摩托车的高视觉占比在特定城市文脉下也成为重要的摩擦代理。尤为重要的是，研究发现居住区可能因视觉摩擦不足而成为隐性的超速风险区，这对现行的道路设计标准提出了警示。
在实践意义上，该研究为高密度亚洲城市的街道设计提供了新思路：城市设计应主动利用“视觉复杂性”作为管理车速的无形工具。例如，在居住区，需通过增设清晰的人行道、缩窄车道、设置视觉焦点等主动镇静措施来弥补自然摩擦的不足。同时，研究展示的融合开源API与计算机视觉的方法框架，为数据资源有限的城市提供了一种低成本、可扩展的街道安全评估工具，架起了精细空间分析与人性化交通政策之间的桥梁。
这项研究不仅增进了我们对街道环境与驾驶行为间复杂关系的理解，也为推动更安全、更宜居的城市街道空间提供了基于实证数据的科学指引。
