非機動車安全研究國際最新進展

周清雅 侯心一 王雪松

摘 要：非機動車是城市交通系統中的重要組成部分，如何減少非機動車事故、提升其安全性，成為了社會關注的重點問題。為解決非機動車安全研究中交通暴露數據難以獲取的問題，學者們開始注重探索利用更豐富多元的數據開展分析。為從規劃和管理層面指導安全改善、減少事故，宏觀安全研究及針對事故類型的分析受到了學者的廣泛關注。旨在減輕事故后果的事故嚴重程度研究也是熱點之一。在非機動車項目與規范方面，學者們更加注重對已有的經驗進行總結、評估和更新。本文從非機動車數據采集、事故影響因素分析、事故嚴重程度影響因素分析、非機動車項目與規范四方面，分類總結了近兩年關于非機動車安全的最新研究進展，以期為未來開展非機動車研究和進行實際安全改善提供指導。

關鍵詞：非機動車；交通安全；數據采集；事故影響因素；事故嚴重程度

Recent research progress on non-motor vehicle safety

ZHOU Qingya1 ， HOU Xinyi 2 ， WANG Xuesong1

（1. Key Laboratory of Road and Traffic Engineering of the Ministry of Education， Tongji University， Shanghai 201804， China； 2. Shanghai Traffic Police Headquarter， Shanghai200070， China）

Abstract： Non-motor vehicles are important participants in urban traffic. How to reduce non-motor vehicle crashes as well as improving their safety is a key issue of social concern. To address the lack of traffic exposure data in non-motor vehicle safety study， scholars begin to explore the use of more diverse data when conducting analysis. In order to guide safety improvement and to reduce crashes in the aspect of planning and management， macro-level safety research and crash type analysis have been given considerable attention. Crash severity analysis aiming at mitigating the impact of crashes is also a hot topic. In terms of projects and guides involving non-motor vehicles， scholars focus more on reviewing， evaluating and updating their existing experience. This paper summarizes the latest 2-year progress on non-motor vehicle safety in terms of data collection， factors affecting crashes and crash severity， projects and industrial guides， hopefully to provide advice for future research and practical application in the field of non-motor vehicle safety.

Keywords： Non-motor vehicle； traffic safety； data collection； influencing factors of crashes； crash severity

非機動車是城市交通的重要組成部分。據國家統計局數據，2017年全年我國腳踏自行車產量達7105.24萬輛；據中國自行車協會統計，到 2018年10月，我國電動自行車車保有量已達2.5億輛。然而，在道路交通通行中的弱勢交通方式，非機動車駕駛員在事故中更易受到傷害甚至死亡，其安全狀況堪憂。據公安部交通管理局統計[1]，在2015年上海市死亡和受傷交通事故中，非機動車交通事故的占比高達63.9%和82.3%。面對如此嚴峻的形勢，總結最新的非機動車安全研究經驗，指導交通安全規劃與管理以改善現狀，勢在必行。

在數據采集方面，非機動車安全研究面臨的主要問題之一，是交通暴露數據難以獲取。交通暴露數據是衡量非機動車交通活動強度的基礎指標，與交通安全息息相關。相比于已經較為成熟的各種機動車流量統計技術，針對非機動車的流量和出行量的調查統計尚不完善。在針對事故數的影響因素分析方面，除了傳統的微觀安全建模以外，學者們越來越多地重視開展宏觀層面的安全分析，以期從規劃的更高視角理解非機動車的安全現狀，并指導相關部門在區域層面開展政策和管理方面的改善。事故嚴重程度是安全評估的另一個常用指標，尤其針對非機動車這種交通弱勢群體，如何降低事故的后果和傷害，減輕事故嚴重程度，也是學者們關心的熱點問題之一。同時，在實際項目與政策方面，雖然以往也有較多成功的項目經驗，但缺乏系統的整理和總結；且部分行業手冊過于專業，難以為廣泛公眾提供有效指引。

針對非機動車安全研究的現狀問題和熱點，本文對該領域的近兩年最新研究進展進行了分類總結，以期為非機動車安全研究人員和相關項目管理者、參與者提供有益的參考。

1非機動車數據采集

充足豐富的數據是開展非機動車安全研究的基礎。然而，非機動車交通暴露數據獲取困難，且數據源單一，往往對研究的開展造成阻礙。近年來，除了傳統的事故、交通、設施等類型數據外，非機動車相關的數據類型變得更加多樣，同時數據來源也更廣泛，逐漸克服了數據不足的問題。眾包數據如運動軟件STRAVA、新聞報道等新型數據源逐漸受到研究者的關注，為非機動車研究提供了更加廣闊的數據基礎。同時，將多源數據進行鏈接分析，也成為了一種檢視數據質量的有效方法。

Scott Kelley[2]等基于STRAVA 軟件平臺提供的自行車出行數據，分析了前往位于里諾中心區的內華達大學里諾校區的自行車通勤活動的特征。STRAVA是一款針對自行車騎行者和跑步愛好者開發的手機應用，其主要功能是使用GPS記錄和追蹤運動軌跡，兼具社交功能；用戶超過9000萬人。研究對比分析了STRAVA上的實際出行軌跡與當地地形、城市自行車道設置情況、推薦的校內自行車路徑，以期為未來的設施建設提供建議。結果表明，大部分（78%）校內通勤均遵從了推薦路徑，然而大部分（75%）校外通勤均未發生在城市自行車道上。這表明城市的自行車道網絡建設還需進一步完善，以真正符合市民的實際出行需求。

針對現有自行車安全研究均面臨交通暴露指標難以獲得的問題，Moatz Saad等人[3]使用2013～2016四年美國Orange County的STRAVA 軟件眾包數據獲得交通暴露指標，對交叉口處自行車事故進行建模。研究用四種方式對采集的STRAVA數據進行了處理，即：1）無校核； 2） 人口代表性校核，即依據當地人口實際的性別、年齡分布，按照一定公式計算校正系數；3）實地數據校核，即隨機抽取171個交叉口，從交通部獲取觀測的自行車出行量，與STRAVA數據進行相關分析、回歸分析，得到校正系數；4）結合前兩種校核方法。該研究基于上述四類處理后的STRAVA數據作為交通暴露變量，結合道路設施數據構建安全分析模型，發現結合了兩種校核方法的STRAVA數據可以有效地應用于安全分析。

Calvin Thigpen[4]等基于bikemaps.org平臺，收集調查報告數據，以期探索發生事故或未遂事故的經歷對當事人未來騎行意愿的影響。該平臺旨在通過市民的眾包自我報告收集自行車事故和未遂事故（near miss）數據。基于收集的數據，研究構建了貝葉斯有序邏輯模型，發現就診類型的影響呈現出有趣的模式：嚴重但表皮的擦傷可能導致急診室就診，但愈合較快，因此導致未來騎行行為改變較少，看家庭醫生也是類似情況；相反，最終需要住院治療的損傷可能在事故現場并未表現，但可能需要長期治療才能康復，因此住院對未來騎行影響最大。另外，相對于男性，經歷過交通事故的女性更有可能改變自己未來的行為。

Julie Bond[5]等人將社會新聞報道數據應用于非機動車安全研究。研究者收集了Hillsborough縣近9年間關于自行車死亡的新聞報道，并對其文字表達進行提取和編碼，通過CDA方法進行分析。研究發現，新聞報道中的詞匯、語法結構和敘事框架在很大程度上有助于消除機動車駕駛員的事故責任，而突出騎車人的行為。這些語言策略暗含了一個假設，即安全責任由自行車騎行人承擔，而這很有可能使公眾注意力集中于具體的人和事由，反而忽視了更宏觀的社會政策改革對于改善自行車安全的重要性。

針對交警報告中行人和非機動車事故漏報現象，Sarah Doggett[6]等人回顧了十項研究，這些研究使用數據鏈接對方法來探討該問題。由于報告水平定義、研究時間和研究地點不同，很難直接比較研究。在與醫院數據鏈接的六項研究中，行人事故的報告水平估計值為44%～75%，自行車事故的報告水平估計值更低，為7%～46%，這表明存在嚴重的報告不足問題。

2事故影響因素分析

事故影響因素分析是交通安全領域的常用研究方法之一。非機動車事故的熱點研究集中于宏觀安全建模，從規劃層面探討合適的安全分析模型形式，分析安全影響因素并進而提出相應改善措施。也有部分研究人員創新性地在模型中引入了新的變量進行探索。

不同于針對設施的微觀安全建模，近年來，宏觀安全分析逐漸成為關注熱點。宏觀安全建模可針對特定區域單元開展分析，探索區域內的社會經濟、交通特征、土地利用、基礎設施等特征與交通安全的關系，其結論有助于從規劃層面為安全改善提供啟示。Md Sharikur Rahman[7]等應用數據挖掘技術，在州級交通分析小區（STAZ）層面探索行人和自行車事故的影響因素。在該研究中，首次將決策樹回歸（DTR）應用于宏觀安全建模。為提高模型的預測精度，該研究引入了相鄰STAZ的空間預測變量，發現其明顯優于不考慮空間變量的模型。最后，研究對比了隨機森林、梯度增強等算法在提高預測精度方面的效果，發現梯度增強算法最佳。

另一項非機動車宏觀安全研究的動機來源于紐約Vision Zero零死亡愿景，Omar Abou Kasm等人[8]力圖彌補現有的現有事故模型中未考慮騎自行車者行為的文獻空白。該項研究針對曼哈頓地區，基于事故、區位、頭盔使用等數據，建立了三個宏觀安全模型分別研究騎行行為與事故數、事故率和當量死亡人數之間的關系。結果表明，在自行車道上逆行是造成事故的最大原因，而在非自車道或相鄰車道上騎行是造成死亡的最大原因。針對頭盔使用的敏感性分析表明，使用頭盔可降低高達60%的現狀當量死亡人數。該研究的結論對于當地的交通管理者提供了極大啟示，具有較大的現實意義。

Dibakar Saha[9]等以人口普查街區組為研究單元構建宏觀安全模型，針對總體自行車事故和死亡/重傷自行車事故，分別分析了事故影響因素。值得一提的是，研究中用于計算自行車出行里程和自行車出行強度的數據，均來自于上文提到的Strava軟件。考慮到宏觀分析單元之間事故的空間相關性，研究者在分層貝葉斯框架中采用條件自回歸模型，并對比了兩種貝葉斯模型（Besag模型和Leroux模型）的數據擬合效果。結果表明，Besag模型的效果更佳。對事故影響因素的分析結果表明，不論是對總體事故還是死亡/重傷事故，人口、日均車輛行駛里程（VMT）、年齡段、家庭汽車保有量、城市道路密度、自行車出行里程和自行車出行強度都與事故呈正相關；而教育程度、卡車率和農村道路密度則與事故呈現負相關。

事故類型的分析有助于讓研究者快速了解整體安全概況，從而采取主動的安全改善對策。Libby Thomas[10]等對美國自行車事故開展了詳盡統計分析。結果表明：大部分自行車事故發生于城市地區，且死亡率也高于鄉村；盡管大多數事故發生在交叉口，但大多數死亡和致殘事故都發生在非交叉口；機動車超越自行車是最常見的自行車死亡事故類型，占比達28%。該研究結論有利于指導交通管理部門開展針對性執法和教育。Timothy J. Wright[11]對加州、佛羅里達等6個州的交警事故報告開展分析，并與一項20年前的早期研究[12]結論進行對比，以期探索自行車事故的分布和特征是否發生了變化。研究者未發現超出現有模式的新的事故類型；此外，當前研究的事故類型分布與早期樣本之間存在良好對應。但與早期樣本相比，當前樣本的分類準確度更高，這可能是由于近年來計算機事故分類工具的應用以及執法意識的提高，使得事故信息采集更加細化。

Greg P. Griffin[13]等首次創新性將街道噪音納入非機動車事故分析中。研究在奧斯汀和華盛頓特區進行，在自行車上搭載智能手機上，使用手機軟件記錄周圍街道噪聲和騎行軌跡，并結合過去5～7年的歷史事故數據分析。研究采用普通最小二乘回歸模型，結果表明，在控制了其他因素后，街道噪音與標準化處理后的事故風險之間沒有顯著關系。然而，該研究只是一個良好的創新，其結論并不是是決定性的，有待未來基于更高質量的數據進一步探索和證實。

3非機動車事故嚴重程度

非機動車事故嚴重程度的影響因素多樣，包括駕駛員特征、騎行者特征、道路幾何設計、環境、時間、光照等。該領域的研究可從車輛制造、道路設計、交通管理、執法等多方面提供建議，以有效減輕事故造成的危害和損失。

Dibakar Saha[14]采集了美國佛羅里達州4年的自行車事故數據，并按照騎行者年齡將其分為四組：非常年輕（6～19歲）、年輕（20～44歲）、中年（45～64歲）和老年（65歲及以上）。研究者構建了多項邏輯回歸模型，結果表明，不同年齡組自行車騎行者受傷嚴重程度的顯著變量其影響均不同。研究發現，事故類型、照明條件、車輛類型、機動車駕駛員不當行為、酒精和藥物影響以及安全裝置的使用等變量對不同年齡組的受傷嚴重程度有不同的影響。據此，研究者進一步提供了具體建議用于改善特定年齡段人群的騎行安全。

Jun Liu[15]采用地理加權有序邏輯回歸（GWOLR）研究了2007～2014年間美國北卡羅來納州的7000多起自行車-機動車事故。在GWOLR模型中，受傷嚴重程度與其影響因素之間的關系是局部的。例如，與夏洛特地區的同齡人相比，三角地區的青少年和老年騎行者更容易受到嚴重傷害。因酒精或藥物對騎行人或機動車駕駛員行為造成影響，從而加劇騎車人受傷程度的情況，在西部地區尤為明顯。因此，應針對特定區域制定對應的自行車安全改善對策，而不是針對整個州制定統一的對策。該研究者的另一研究[16]應用路徑分析量化了影響因素（如騎行人特征、道路類型、車輛特征等）、事故前行為和騎行人受傷嚴重程度三者之間的直接和間接關聯。建模框架見下圖。結果表明，不論事故前的行為如何，醉酒的騎車人均更容易在事故中受傷。此外，醉酒的騎車人更可能不愿意讓行其他車輛，因此若與機動車相撞，這將進一步加重其受傷嚴重程度。同時，較高的機動車車速、車型為貨車、車道數為3～4車道，均與事故和事故嚴重程度的增加有正向關系。

4非機動車項目與規范

隨著自行車和步行越來越融入交通運輸機構的規劃、設計和運營過程，美國部分州、地區和地方機構建立了不同范圍、不同方法的非機動交通數據采集項目，見圖5。Peter B. Ohlms等人[17]總結了現有文獻中的指導方案，并通過與相關工作和研究人員進行訪談，學習了其他州交通部開展非機動車數據采集項目的案例，試圖確定實施此類項目的最有效方法。該論文發現，近年來非機動車出行監測方面的實踐正在不斷發展；目前已有許多商業上可獲得的行人/非機動車計數技術，該論文進而對各技術進行了評估。該研究為正在考慮開展國家級行人、自行車數據采集項目的交通部門提供了基礎資源。

Erin Robartes[18]等對弗吉尼亞州范圍內鎮、市、縣、地區和州的交通規劃人員、工程師和其他政府人員進行了網上調查，以總結他們在自行車基礎設施建設方面的經驗，探索阻礙此類項目落地實施的最大障礙。結果表明，弗吉尼亞州大部分地區都在積極致力于實施新的自行車基礎設施，但仍有一定改善空間。調查結果顯示，資金和路權獲取是阻礙自行車基礎設施發展的其他主要障礙。同時，由于基礎設施建設的成功往往取決于公眾的接受程度，公眾反對也是自行車基礎設施建設的主要障礙之一，許多地區應考慮在自行車基礎設施決策中加大公眾參與程度。

傳統的街道設計手冊可為專業的交通工程師提供技術規范和案例研究信息。然而，這些專業手冊對于更廣泛的受眾來說過于詳細，且缺乏實例。為彌補這方面空白，俄勒岡大學的研究團隊于2014年發布了《重新思考街道：25個街道改造的循證指南》，通過總結和記錄已完成的項目，為從事街道項目的工程師、規劃者、城市設計師、政府部門和公眾提供了良好的參考材料。而該指南的更新版，即《為自行車重新思考街道》即將發布[19]。下圖6是一個典型的4頁案例分析展示。作為一個免費且公開的自行車運輸項目指南，該手冊總結了來自美國各地已完成的典型街道項目實例，以幫助廣泛受眾進行面向自行車的街道設計。

5結語

隨著科技的發展，各類運動軟件、社交媒體和平臺的廣泛使用，為研究者提供了更豐富的數據采集途徑。新的數據類型和數據源的涌現，和鏈接多源數據的方法，使得非機動車安全研究中一些過去的“難題”有了新的解決思路。

宏觀層面的建模和數據分析，以及事故嚴重程度分析仍然是近年來非機動車研究的熱點話題。令人欣慰的是，不限于理論，更多的研究越來越重視結果對于改善安全現狀的現實指導作用。

在非機動車項目與規范方面，研究者逐漸開始對以往的項目案例經驗開展系統性評估和總結，以期為交通工程師們提供可靠的實例指導。

通過對非機動車安全領域的熱點研究和最新研究進展進行總結，可以了解到國際先進的研究方法和關注熱點，同時反思我國交通安全規劃與管理的現狀不足，為未來的研究和實際應用指引方向。

參考文獻

[1] 公安部交通管理局.中華人民共和國道路交通事故統計年報（2015年度）[R]無錫：公安部交通管理科學研究所，2016.

[2] Scott Kelley， Chrissy Klenke， et al. An Assessment of Bicycle Commuting Activity Using Strava and Implications for Developing Infrastructure[C]//Transportation Research Board 98th Annual Meeting. 2019.

[3] Moatz Saad， Mohamed Abdel-Aty， Jaeyoung Lee， Qing Cai. Bicycle Safety Analysis at Intersections Using Crowdsourced Data [C]//Transportation Research Board 98th Annual Meeting. 2019.

[4] Calvin Thigpen， Trisalyn Nelson， et al. The Impact of Near Misses and Collisions on Bicyclist Behavior[C]//Transportation Research Board 98th Annual Meeting. 2019.

[5] Julie Bond， Erin Scheffels， et al. Framing the Bicyclist： A Qualitative Study of Media Discourse about Fatal Bicycle Crashes[C]//Transportation Research Board 98th Annual Meeting. 2019.

[6] Sarah Doggett， David R. Ragland， Grace Felschundneff. Evaluating Research on Data Linkage to Assess Underreporting of Pedestrian and Bicyclist Injury in Police Crash Data [C]//Transportation Research Board 98th Annual Meeting. 2019.

[7] Md Sharikur Rahman， Mohamed Abdel-Aty， et al. Applying Data Mining Techniques to Analyze the Pedestrian and Bicycle Crashes at the Macroscopic Level [C]//Transportation Research Board 98th Annual Meeting. 2019.

[8] Omar Abou Kasm， Ziyi Ma， Joseph Y. J. Chow， Ali Diabat. Quantifying the Effect of Cyclist Behavior on Bicycle Crashes and Fatalities [C]//Transportation Research Board 98th Annual Meeting. 2019.

[9] Dibakar Saha， Priyanka Alluri， Albert Gan， et al. Spatial Analysis of Macro-Level Bicycle Crashes Using the Class of Conditional Autoregressive Models[J]. Accident Analysis and Prevention， 2018： S000145751830071X.

[10] Libby Thomas， Krista Nordback， et al. Bicyclist Crash Types on National， State and Local Levels： A New Look [C]//Transportation Research Board 98th Annual Meeting. 2019.

[11] Timothy J. Wright， Richard D. Blomberg， et al. Re-Examination of Bicycle/Motor Vehicle Crash Typologies [C]//Transportation Research Board 98th Annual Meeting. 2019.

[12] Hunter， W.W.， J.C. Stutts， W.E. Pein， and C.L. Cox. Pedestrian and Bicycle Crash Types of the Early 1990s. Report FHWA-RD-95-163. FHWA， Department of Transportation， 1995.

[13] Greg P. Griffin， Steve Hankey， et al. Exploring Street Noise and Bicycle Safety： Initial Evidence from Austin， TX and the Washington， DC Capital Area [C]//Transportation Research Board 98th Annual Meeting. 2019.

[14] Dibakar Saha， Priyanka Alluri， et al. An Investigation into the Varying Effects of Factors Contributing to Injury Severity of Different Bicyclist Age Groups in Bicycle-Vehicle Crashes [C]//Transportation Research Board 98th Annual Meeting. 2019.

[15] Jun Liu， Asad J. Khattak， et al. Examining nonstationary correlates of bicyclist injury severity in traffic crashes： A spatial approach for geo-referenced crash data [C]//Transportation Research Board 98th Annual Meeting. 2019.

[16] Jun Liu， Steven Jones. Behavioral pathways in bicycle-motor vehicle crashes： From contributing factors， pre-crash actions， to injury severities[C]//Transportation Research Board 98th Annual Meeting. 2019.

[17] Peter B. Ohlms， Lance E. Dougald， Hannah E. MacKnight. Bicycle and Pedestrian Count Programs： A Scan of Current U.S. Practice [C]//Transportation Research Board 98th Annual Meeting. 2019.

[18] E r i n R o b a r t e s ， E m i l y C h e n ， e t a l . Assessment of Local， State， and Federal Barriers to Implementing Bicycle Infrastructure： A Virginia Case Study [C]//Transportation Research Board 98th Annual Meeting. 2019.

[19] Dave Amos， Roger Lindgren， et al. Rethinking Streets for People on Bikes： An Evidence-Based， Visual Guide of Completed Street Retrofits [C]//Transportation Research Board 98th Annual Meeting. 2019.