機動車闖紅燈行為影響因素分析

(同濟大學交通運輸工程學院，上海201804)

0 引言

機動車在信號控制交叉口闖紅燈是最常見的交通違法行為，也是導致交叉口事故多發的重要原因之一。2012年1—10月，中國因闖紅燈肇事導致人員傷亡的交通事故共4 227起，造成798人死亡[1]。在美國，每年由闖紅燈引起約26萬起交通事故，其中約750起事故導致人員死亡[2]。只有深入了解闖紅燈行為的影響因素，才能提出有針對性的改進措施。

機動車闖紅燈行為特征與影響因素已有廣泛研究。文獻[2]對美國阿靈頓縣(Arlington County)1個交叉口進行234 h的觀測，記錄闖紅燈與對照組車輛及駕駛人信息，發現48%的闖紅燈發生在紅燈亮起的0.5～0.9 s，34%發生在1.0～1.4 s，11%發生在1.5～1.9 s，7%發生在2.0 s以上；闖紅燈的駕駛人更為年輕、系安全帶比例低、駕駛記錄較差、駕駛較小較舊的車輛比例高。文獻[3-5]分別發現男性駕駛人、車內無乘客、不系安全帶等是闖紅燈行為的相關特征。針對闖紅燈行為影響因素，文獻[6]指出交通環境對闖紅燈有明顯影響，交叉口大、道路上坡或水平、交叉口信號周期變化快更易導致闖紅燈現象。

在國外，闖紅燈研究通常采用交叉口實地調查的方法，結合視頻拍攝和對車輛行為的人工數據采集，記錄車輛和駕駛人的特征[2]，如文獻[7]利用3臺攝像機對美國奧蘭多市(Orlando)1個道路交叉口同時進行視頻拍攝，分析闖紅燈行為與車輛位置、行駛速度等因素之間的關系。在中國，主要通過調查問卷[8-9]研究困境區域(Dilemma Zone)及信號燈倒計時對闖紅燈的影響，但并沒有對闖紅燈行為特征和影響因素進行系統深入研究。

本文引入流行病學中病例對照組的研究方法。設立對照組即是在交叉口觀測中區分闖紅燈與未闖紅燈的車輛，對兩種車輛信息進行采集。在研究方法上，將人工記錄和視頻觀測數據結合，通過行為編碼，利用隨機效應邏輯斯特模型(Random Effect Binary Logistic Regression)分析闖紅燈行為的影響因素。

1 闖紅燈數據調查

在流行病學影響因素研究中，對照實驗只是在一個條件不同、其他條件都相同的情況下所進行的一組實驗，用于對比的實驗對象組稱為對照組。對照組的設計一般是為了排除其他因素的影響，得到的實驗結果更具說服力。本文為了準確研究闖紅燈行為的影響因素，同時采集了相同行駛條件下未闖紅燈車輛、駕駛人及交通量信息作為對照組。首先，應選擇不同信號控制交叉口，通過人工記錄和視頻拍攝調查方法采集闖紅燈組和對照組駕駛人、車輛信息。其次，提取信號控制交叉口特征，對駕駛人特征、車輛特征和闖紅燈行為進行編碼。而后，通過預調查研究信號控制交叉口的調查方案，培訓調查員并明確調查內容。最后，將調查數據進行整理、統計和分析。

1.1 交叉口選擇

信號控制交叉口的選擇原則包括：1)位于不同區域，包括市區、近郊、遠郊；2)交通量較大，且有明顯闖紅燈行為；3)有黃燈時間和專用左轉相位；4)有綠燈信號倒計時指示。通過預調查最終確定上海市4個信號控制交叉口作為本文調查對象(見圖1)。

信號控制交叉口特征包括交叉口流量、信號周期時長、待行區設置、有無闖紅燈攝像機、有無信號倒計時指示。被調查信號控制交叉口的基本情況見表1。

1.2 闖紅燈車輛與對照組車輛

根據《中華人民共和國道路交通安全法》規定，紅燈表示禁止通行。在黃燈警示后，駕駛人應在紅燈亮起時在停車線后停車，在紅燈亮起后仍穿過交叉口的車輛應視為故意闖紅燈。本文對于信號燈已經顯示為紅燈，仍然越過交叉口停車線的車輛稱為闖紅燈車輛。對照組有兩種類型：1)與闖紅燈車輛同一周期進入交叉口進口道，紅燈亮起時處于相鄰車道，闖紅燈車輛與對照組車輛橫向車距在一個車長范圍內，但是停在停車線前(見圖2a)；2)與闖紅燈車輛不同周期進入交叉口，紅燈亮起時，本周期沒有闖紅燈車輛，對照組車輛選擇紅燈亮起時距離停車線一個車長但停止的車輛(見圖2b)。

1.3 調查方法

調查員于2012年4—5月早高峰分別對4個交叉口的兩條相向進口道的直行車道和左轉車道進行連續3 h的調查。為獲得詳盡、準確的調查數據，采用人工記錄和視頻拍攝相結合的方法。車輛在紅燈亮起通過交叉口時，調查員迅速記錄第一輛闖紅燈車輛的信息以及對照組車輛信息。

人工記錄包括進口道闖紅燈和對照組駕駛人、車輛、行為信息。其中，駕駛人信息包括性別、估計年齡段(20～59歲，每5歲一段)、是否在使用手機、是否系安全帶、是否有乘客；車輛信息包括車牌號、車型及顏色；行為信息包括是否闖紅燈、闖紅燈車輛行駛方向、闖紅燈車輛所在車隊中的位置。如圖3所示，調查員1在出口道位置①記錄闖紅燈的相關信息，調查員2在同側進口道②號位置記錄對照組的相關信息。高清視頻(分辨率1 440×1 080)以正對進口道的角度(1號位置)拍攝進口道所有機動車的運行情況，須保證攝像機能夠拍攝到信號燈的變化，以便從拍攝的視頻中提取流量、闖紅燈的時刻等。

人工調查共記錄375條闖紅燈信息和325條對照組信息，利用Adobe Premiere軟件逐幀播放視頻，將人工記錄信息與視頻拍攝信息對比去除信息不完整的記錄，最終獲得闖紅燈組有效信息304條，對照組有效信息317條，并對闖紅燈車輛在紅燈亮起后的闖紅燈時間進行統計。

1.4 行為特征編碼

在獲得調查信息后，需對闖紅燈車輛與對照組車輛的特征進行編碼，包括駕駛人特征、車輛特性和闖紅燈行為特征(見表2)。闖紅燈時間按照紅燈亮起后以0.5 s為1個單元進行分類，0～＜4.0 s共分為8個單元，≥4.0 s(至距下一周期綠燈亮起前3 s)為1個單元，紅燈尾(下一周期綠燈亮起前3 s內)為1個單元，對10個單元進行編碼，分析得出

圖1 被調查信號控制交叉口Fig.1 Selected signalized intersections

表1 被調查信號控制交叉口的基本情況Tab.1 Characteristics of observed signalized intersections

闖紅燈行為的時間特征。

2 闖紅燈行為特征分析

以有效記錄數據為基礎，首先對闖紅燈行為特征進行分析和總結。

圖2 對照組類型Fig.2 Types of control group

圖3 攝像機與調查員的位置Fig.3 Locations of camera and investigator

1）各交叉口直行與左轉闖紅燈率。

闖紅燈數量統計見表3。各交叉口中雖然左轉流量遠遠低于直行流量，但是左轉闖紅燈率明顯高于直行。

2）交叉口車輛闖紅燈時間分布。

闖紅燈時間分布數據統計見表4。調查結果顯示，隨紅燈亮起后時間越長，闖紅燈車輛數越少，在紅燈亮起3.5 s后闖紅燈的車輛已少于1%。而在紅燈尾闖紅燈的數量略有增加，因為紅燈倒計時亮起時，駕駛人容易發生搶先綠燈亮而行駛的情況。

在初步數據分析中，本文還發現闖紅燈駕駛人中男性占絕大多數。在闖紅燈車輛中，沒有乘客的車輛占多數。此外，本地車牌的車輛闖紅燈現象更顯著。

3 闖紅燈行為影響因素分析

3.1 模型構建

本文結合人工記錄數據，利用行為編碼結果，采用邏輯斯特模型和隨機效應邏輯斯特模型分析闖紅燈行為影響因素。由于數據來源于4個交叉口，天氣、地形、交通組成、信號配時等帶來的差異導致交叉口存在異質性，而交叉口層面的隨機效應可以考慮到這些未被觀測到的因素，因而建立隨機效應邏輯斯特模型。隨機效應邏輯斯特模型在交通安全研究中被證明可以有效考慮到異質性[10-11]。兩個模型中因變量是闖紅燈行為，假設闖紅燈行為y=1，未闖紅燈行為y=0，闖紅燈行為發生的概率為p。影響因素包括交叉口流量、周期時長、車道數、車牌歸屬地、車輛類型、駕駛人性別、駕駛人年齡、安全帶使用、電話使用和是否有乘客。隨機效應邏輯斯特模型為

式中：β0為截距；X為解釋變量向量；β為解釋變量系數；μj為隨機效應變量，在本文中代表每個交叉口由于天氣、地形、交通組成、信號配時等帶來的未被觀測到的異質性。設定隨機效應服從正態分布0.001)。由于沒有可靠的先驗信息，假定所有的回歸系數服從正態分布Normal(0,0.001)。

3.2 模型估計

本文采用貝葉斯估計方法對模型參數進行估計，設定馬爾科夫鏈進行2萬次迭代，舍棄前5 000個不穩定的樣本。通過觀測估計系數的馬爾科夫軌跡線是否穩定判定模型是否收斂。模型估計結果見表5，如果置信區間內不包含0，則說明對應變量在95%顯著性水平下是顯著的；如果包含0，則對應變量不顯著。偏差信息準則(Deviance Information Criterion,DIC)用來評價模型的優劣，DIC數值越小，模型擬合越好。

3.3 結果分析

分析結果顯示，共有6個變量顯著影響闖紅燈行為，涉及駕駛環境、駕駛人特點、車輛自身特征。

駕駛環境方面，流量與闖紅燈行為正相關，流量增加會導致闖紅燈行為的增加，這與文獻[5]的研究一致。無乘客車輛的駕駛人更容易闖紅燈，說明乘客會提高駕駛人的安全警惕性，一般會在綠燈結束時提醒駕駛人[4]。

表2 信號控制交叉口特征及闖紅燈行為編碼Tab.2 Characteristics of signalized intersections and the data coding of red light running

表3 交叉口流量及闖紅燈數量統計Tab.3 Statistics of traffic volume and the number of red light running vehicles at intersection

駕駛人特點方面，性別和年齡都是顯著因素。男性駕駛人更容易闖紅燈，這與文獻[3]的研究一致。駕駛人年齡越大，越不容易闖紅燈，因為年齡越大的駕駛人駕駛越謹慎，速度越低，可以降低闖紅燈的概率[4]。

車輛自身特征方面，本地車輛比外地車輛更容易闖紅燈，因為外地車輛對駕駛環境不熟悉，比本地駕駛人更謹慎；客車系數的估計結果為正，說明客車比貨車更容易闖紅燈。

基于模型的DIC值，隨機效應邏輯斯特模型比普通邏輯斯特模型擬合度更好。通過比較4個交叉口的隨機效應(見圖4)，肇嘉浜路—東安路交叉口極大似然值最低，而曹安公路—嘉松北路交叉口極大似然值最高，說明該交叉口更容易發生闖紅燈行為。交叉口對是否闖紅燈的影響是綜合性的，本文選取的4個交叉口待行區和倒計時情況基本一致，而信號配時和交叉口機動車、非機動車的組成情況均不相同，因而各交叉口隨機效應的估計值不同。

表4 交叉口車輛闖紅燈時間分布Tab.4 Time distribution of red light running vehicles at intersection

表5 邏輯斯特模型估計結果Tab.5 Logistic Model estimation

4 結論

本文為準確研究闖紅燈行為的影響因素，依據上海市4個信號控制交叉口人工觀測和視頻觀測數據，采集相同行駛條件下闖紅燈和未闖紅燈行為車輛、駕駛人、流量、交叉口幾何設計和信號控制信息，基于闖紅燈組和對照組的對比，分析闖紅燈行為的影響因素，并且在建模過程中采用隨機效應考慮各個交叉口的異質性。

從模型結果可以看出：本地駕駛人、男性駕駛人、客車更容易闖紅燈，流量大會增加闖紅燈的可能性。這些分析結果與美國類似研究結果一致，表明在交通法規和駕駛行為不同的情況下，闖紅燈行為的影響因素相似。既往研究中發現是否系安全帶是影響闖紅燈行為的重要因素，而本文研究結果顯示是否系安全帶并不會顯著影響闖紅燈行為，這可能與中國駕駛人系安全帶比例較低有關。與普通邏輯斯特模型相比，隨機效應邏輯斯特模型的擬合度較高，表明隨機效應模型能夠更好地分析交叉口闖紅燈行為的影響因素。

圖4 信號控制交叉口隨機效應Fig.4 Random effects at signalized intersections

[1]張洋.人民日報：12月2日是首個全國交通安全日——汽車時代，道路文明需提速[EB/OL].2011[2012-12-03].http://www.mps.gov.cn/n16/n1252/n1837/n2557/3433227.html.

[2]Retting R A,Williams A F.Characteristics of Red Light Violators:Results of a Field Investigation[J].Journal of Safety Research,1996,27(1):9-15.

[3]Retting R A,Ulmer R G,Williams A F.Prevalence and Characteristics of Red Light Running Crashes in the United States[J].Accident Analysis and Prevention,1999,31(6):687-694.

[4]Porter B E,Berry T D.A Nationwide Survey of Self-reported Red Light Running:Measuring Prevalence,Predictors,and Perceived Consequences[J].Accident Analysis and Prevention,2001,33(6):735-741.

[5]Porter B E,England K J.Predicting Red-light Running Behavior:A Traffic Safety Study in Three Urban Settings[J].Journal of Safety Research,2000,31(1):1-8.

[6]James B,Karl Z,Marcus B.Engineering Countermeasures to Reduce Red-light Running[R].Washington DC:Federal Highway Administration,2009.

[7]Elmitiny N,Yan X,Radwan E,et al.Classification Analysis of Driver's Stop/go Decision and Red-light Running Violation[J].Accident Analysis and Prevention,2010,42(1):101-111.

[8]張杰，賀玉龍，孫小端，劉曉明.城市路口倒計時顯示對駕駛行為的影響分析[J].交通信息與安全，2009，27(5)：99-101.Zhang Jie,He Yulong,Sun Xiaoduan,Liu Xiaoming.Influence of Traffic Countdown on Driver Behavior at Crossing[J].Journal of Transportation Information and Safety,2009,27(5):99-101.

[9]錢紅波，韓皓.機動車綠燈倒計時對交叉口交通安全的影響研究[J].中國安全科學學報，2010，20(3)：9-13.Qian Hongbo,Han Hao.Influence of Countdown of Green Signal on Traffic Safety at Crossing[J].China Safety Science Journal,2010,20(3):9-13.

[10]Huang H,Chin H C,Haque M M.Severity of Driver Injury and Vehicle Damage in Traffic Crashes at Intersections:A Bayesian Hierarchical Analysis[J].Accident Analysis and Prevention,2008,40(1):45-54.

[11]Yu R,Abdel-Aty M.Multi-level Bayesian Analyses for Single-and Multi-vehicle Freeway Crashes[J].Accident Analysis and Prevention,2013,58:97-105.