《Accident Analysis & Prevention》：Causal inference-based analysis of critical design features for right-turn crashes at signalized intersections
编辑推荐：
中国信号灯路口右转事故占比超30%，研究基于苏州271个路口2022-2024年数据，运用SHAP方法和广义随机森林模型，发现最小右转半径（约15米）显著降低总事故率，路口偏斜度影响致命事故，且设施改善在低交通量偏斜路口效果更佳。
黄子渊|王学松|秦晓|吴梦娇|郭启明|罗光柱|王邦宇|姜宇
教育部道路与交通工程重点实验室，中国上海201804
摘要
在中国，信号化交叉口通常没有专用的右转相位或红灯允许右转的设置。右转事故占交叉口相关事故的30%以上，这突显了交叉口设计在交通安全中的关键作用。然而，具体设计特征与事故风险之间的关系仍不明确。本研究确定了关键的设计变量，并量化了它们对信号化交叉口右转事故的因果效应和异质性。研究分析了2022年至2024年间中国苏州的271个信号化交叉口的数据。采用Shapley加性解释（SHAP）方法对变量重要性进行排序，随后利用广义随机森林（GRF）模型在控制混杂偏倚的情况下估计平均干预效应（AIEs）和异质性干预效应（HIEs）。研究发现，最小右转半径和交叉口偏斜度分别是影响总事故数和致命事故数的最主要因素。大约15米的右转半径与最低的总事故风险相关，而直角交叉口与较低的致命事故率相关。次要道路上的自行车道护栏宽度在1.01至3米之间也有助于减少事故。HIEs分析表明，在交通流量大的多车道交叉口中，较小的右转半径能提高安全性；而在交通流量低的偏斜交叉口中需要特别关注。自行车道、物理护栏和分流岛等设施能够提升偏斜交叉口的安全性能。随着右转半径的增大，适当加宽自行车道护栏可能有益，但在交通流量低的情况下应谨慎使用更宽的护栏。本研究为评估右转设计提供了因果推断框架，并为改善城市环境中的交叉口安全提供了基于证据的指导。
引言
道路交通伤害已成为中国伤害相关死亡的主要原因（世界卫生组织，2018年）。其中，右转事故占所有交叉口相关事故的30%以上（冯等人，2025年；凌等人，2023年；普雷斯顿和斯托姆，2003年）。交叉口设计特征对右转事故风险具有重要影响。因此，研究这些设计元素的安全效果对于提高右转交通安全至关重要。
与右转交通相关的道路几何设计包括三个层次：1）交叉口层面的因素，如车道数量、角度等；2）接近层面的元素，如路缘半径和右转分流类型；3）与道路使用者相关的设施设计，包括自行车设施和视线距离。信号化交叉口存在一些不良的设计问题，如偏斜交叉口、过大的右转半径、设计不当的分流岛以及安全设施不足。这些问题会影响交通参与者的行为，从而增加事故风险。
现有研究已经探讨了不同右转分流设计的安全影响（姜等人，2020年），但忽视了其他与右转相关的几何设计元素的安全性能。同时，很少有研究考虑混杂偏倚的情况下，研究几何设计特征与事故之间的因果关系。具体几何设计指标与右转事故风险之间的因果关系尚未明确建立。因此，设计参数的选择往往缺乏科学依据和定量基础。
在分析事故影响因素时，传统统计模型通常需要对模型结构进行事先假设（李等人，2018年）；当这些假设被违反时，所得到的因果估计可能具有偏差或不可靠。此外，这些模型可能难以区分相互关联的变量效应（曾等人，2007年），从而掩盖了真正的因果关系。相比之下，许多机器学习模型像“黑箱”一样，难以解释或量化因果效应的方向和大小。尽管解释性技术（如SHAP值）有助于理解模型行为，但它们并不能直接捕捉到因果关系，且在存在混杂因素或复杂交互作用的情况下可能会忽略一些细微的依赖性（瓦格和阿西，2018年）。因此，迫切需要专门设计用于准确且可解释地估计因果效应的建模框架。
鉴于这些挑战，研究转向了因果分析方法，以直接衡量影响右转事故的因果关系的强度和性质。我们的方法核心是异质性干预效应（HIE）的概念。相比之下，因果推断方法在评估安全对策影响的研究中被更广泛采用（李等人，2024年；张等人，2024年；张等人，2023a；张等人，2023b）。本文研究了交叉口角度和右转半径等关键设计元素对右转安全的影响，并在不同道路几何设计、交通控制条件和交通运营情况下，利用广义随机森林（GRF）模型探讨了交通设计与右转事故之间的因果关系。随后得出了考虑安全性的推荐设计阈值。
GRF结合了匹配策略或工具变量等观察设计方法与机器学习算法，有效识别因果效应，同时控制混杂偏倚（张等人，2023a；张等人，2023b）。混杂偏倚包括处理组与对照组之间的偏差（选择偏倚）以及处理组之间的差异造成的偏差。当机器学习嵌入严格的潜在结果框架中时，其预测能力增强了区分真实因果关系与虚假相关性的能力。这为基于证据的政策和设计决策提供了科学可靠的依据。
本文的结构如下：第2节回顾了有关事故建模和右转设计因素的相关文献；第3节描述了数据来源和准备过程；第4节概述了方法论框架，包括模型选择和因果分析；第5节展示并解释了建模结果；第6节总结了研究发现、局限性及未来研究的建议。
章节摘录
文献综述
许多研究集中在分析影响交通事故的因素上，包括与右转事故相关的因素（姜等人，2020年；凌等人，2023年；吴和徐，2017年）。现有研究中常用统计模型来研究事故与各种解释变量之间的关系。Logit模型（Jashami等人，2024年）、Poisson-lognormal模型（Manirul Islam等人，2022年）和地理加权回归模型（凌等人，2023年）已被广泛应用
数据准备
苏州是中国江苏省的一个主要城市，以其经济繁荣和高人口密度而著称。本研究选取了苏州的271个信号化交叉口作为研究样本。分析时间段为2022年至2024年。所有交叉口均没有专用的右转信号相位或红灯允许右转的设置。所有选定的交叉口均位于城市区域，照明条件良好。
方法论
在本研究中，影响右转事故的关键交叉口设计变量被视为干预变量t。采用Shapley加性解释（SHAP）方法对与右转事故相关的变量重要性进行排序。然后利用多变量GRF方法分析这些关键设计变量的因果效应。图2展示了整体研究框架。
先前的研究表明，过大的右转半径和偏斜的交叉口
结果与讨论
本节分析了关键交叉口相关变量对右转事故的因果效应。首先使用SHAP方法对变量重要性进行排序，确定了影响右转总事故数和致命右转事故数的最关键变量。为确保与因果推断方法的兼容性，连续变量被离散化。随后应用GRF方法估计因果效应
结论
本研究探讨了信号化交叉口中关键右转设计变量对右转事故的因果效应。使用SHAP方法确定最具影响力的变量，并利用GRF模型在估计平均干预效应（AIEs）和异质性干预效应（HIEs）的同时，解决了干预组和对照组之间的选择偏倚问题。
结果表明，对于右转总事故，最小右转半径是最关键的因素；对于致命右转事故，交叉口偏斜度
CRediT作者贡献声明
黄子渊：方法论、正式分析、初稿撰写。王学松：概念构思、监督、审稿与编辑、资金获取。秦晓：撰写、审稿与编辑。吴梦娇：方法论。郭启明：撰写、审稿与编辑。罗光柱：方法论。王邦宇：撰写、审稿与编辑。姜宇：数据整理。
利益冲突声明
作者声明他们没有已知的可能会影响本文研究工作的财务利益或个人关系。
致谢
本研究得到了中国国家自然科学基金（编号：52372335）的资助。
