基于監(jiān)控視頻數(shù)據(jù)的交通違法行為影響因素研究*

付川云 劉 華

(西南交通大學(xué)交通運(yùn)輸與物流學(xué)院1) 成都 611756)(西南交通大學(xué)綜合交通運(yùn)輸智能化國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室2) 成都 611756)(綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國(guó)家工程實(shí)驗(yàn)室3) 成都 611756)

0 引 言

據(jù)公安部統(tǒng)計(jì)，2018年全國(guó)新注冊(cè)登記機(jī)動(dòng)車(chē)3 172萬(wàn)輛，機(jī)動(dòng)車(chē)保有量達(dá)3.27億輛，其中小型載客汽車(chē)首次突破2億輛，機(jī)動(dòng)車(chē)駕駛?cè)藬?shù)量達(dá)4.09億人[1].2004年以前，我國(guó)與超速和酒駕有關(guān)并導(dǎo)致傷害事故的交通違法行為持續(xù)增高，盡管之后稍有下降趨勢(shì)，但交通違法行為數(shù)量仍居高不下[2].同時(shí)，道路交叉口作為城市道路網(wǎng)中的關(guān)鍵節(jié)點(diǎn)及最易發(fā)生危險(xiǎn)行為的地點(diǎn)，對(duì)居民出行影響至深.因此，在機(jī)動(dòng)車(chē)保有量、駕駛?cè)藬?shù)量、交通違法行為數(shù)量持續(xù)增長(zhǎng)的趨勢(shì)下，亟須探究交叉口處產(chǎn)生的不同交通違法行為的主要影響因素，并探尋各類(lèi)因素對(duì)交通違法行為的影響程度，以便為后續(xù)的交通管理提出針對(duì)性措施.

不少?lài)?guó)內(nèi)外學(xué)者對(duì)產(chǎn)生交通違法行為的駕駛?cè)藗€(gè)人特性進(jìn)行了研究.Beatriz等[3]通過(guò)網(wǎng)絡(luò)調(diào)查問(wèn)卷，把男女駕駛?cè)艘妆患づ牟煌蚺c交通違法行為相聯(lián)系；Ilit等[4]使用廣義線性模型，主要從駕駛?cè)说男詣e角色上把對(duì)事故的研究轉(zhuǎn)變?yōu)閷?duì)將會(huì)成為交通違法行為的研究；Sophia等[5]基于聚類(lèi)分析，將駕駛?cè)朔譃槿?lèi)并對(duì)其自我上報(bào)的風(fēng)險(xiǎn)行為和態(tài)度進(jìn)行區(qū)分，以確定特定群體的相關(guān)危險(xiǎn)性因素；Xu等[6]通過(guò)研究中國(guó)的新手、經(jīng)驗(yàn)較少和經(jīng)驗(yàn)豐富駕駛?cè)耍贸隽笋{駛經(jīng)驗(yàn)越多的駕駛?cè)藢?duì)環(huán)境因素越敏感、更不易被個(gè)體因素所影響，即更不易發(fā)生交通違法行為的結(jié)論.

一些學(xué)者對(duì)交通違法行為的情景因素也進(jìn)行了相應(yīng)的研究.文獻(xiàn)[2]發(fā)現(xiàn)男性私家車(chē)駕駛?cè)嗽诠庹蛰^暗即視線較差的條件下，更可能發(fā)生超速及酒駕等違法行為；Chien等[7]發(fā)現(xiàn)出租車(chē)駕駛?cè)顺龠`法行為與性別和教育程度無(wú)關(guān)，而與運(yùn)營(yíng)方式、日行駛里程，夜間駕駛和月休息天數(shù)顯著相關(guān).

國(guó)外鮮有研究分析交叉口處交通違法行為的影響因素，大多學(xué)者僅探討了交叉口處闖紅燈行為的影響因素.Attiyah[8]發(fā)現(xiàn)車(chē)道數(shù)量，速度，道路寬度，交叉口處速度及交叉口寬度等都會(huì)顯著影響闖紅燈行為的發(fā)生；Blazej等[9]發(fā)現(xiàn)時(shí)間壓力、有無(wú)乘車(chē)人均為闖紅燈行為的誘發(fā)因素；Lum等[10]發(fā)現(xiàn)，在信號(hào)燈色發(fā)生改變時(shí)，駕駛?cè)俗畛鯐?huì)減速行駛，之后在交通狀況允許的情況下，會(huì)利用黃燈時(shí)間，發(fā)生闖紅燈行為.

上述交叉口處交通違法行為的研究中，大多僅僅考慮了駕駛?cè)说膫€(gè)人特性和部分情景因素，所涉及到的交通違法行為也局限于超速、酒駕、闖紅燈等.同時(shí)，鮮有文獻(xiàn)對(duì)不同類(lèi)型交通違法行為的主要影響因素、各因素對(duì)交通違法行為的影響程度順序進(jìn)行研究；并且大多文獻(xiàn)采用的方法局限于，當(dāng)因變量類(lèi)型、自變量數(shù)量較多時(shí)，需要將變量多次帶入所選模型中，無(wú)法同時(shí)直觀得到結(jié)果.

鑒于此，本文以?xún)?nèi)蒙古自治區(qū)某市2018年5—7月內(nèi)的12 604條違法監(jiān)控視頻數(shù)據(jù)為基礎(chǔ)，進(jìn)行主成分分析，得到主成分個(gè)數(shù)及其得分，通過(guò)多元回歸對(duì)所得主成分進(jìn)行顯著性檢驗(yàn)后，依據(jù)可視化的雙標(biāo)圖以同步直觀確定各類(lèi)影響因素對(duì)未按規(guī)定導(dǎo)向車(chē)道行駛行為、逆向行駛行為、闖紅燈行為及違反交通標(biāo)線行為的不同影響.利用因子分析及其可視化，找出影響因素對(duì)交通違法行為的影響程度，綜合考慮主成分及因子分析所得結(jié)論，針對(duì)性地提出干預(yù)措施.

1 數(shù)據(jù)搜集及處理

獲取內(nèi)蒙自治區(qū)某市2018年5月1日—7月31日共計(jì)12 604條記錄的電子抓拍交通違法數(shù)據(jù)，其內(nèi)容具體包括：車(chē)輛類(lèi)型、車(chē)牌號(hào)碼、違法時(shí)間、違法地點(diǎn)及具體違法行為，見(jiàn)表1.

表1 交通違法數(shù)據(jù)信息

對(duì)上述數(shù)據(jù)進(jìn)行預(yù)處理，即根據(jù)已知數(shù)據(jù)進(jìn)行分析并挖掘更多的可能影響因素.在車(chē)輛類(lèi)型及車(chē)牌號(hào)碼歸屬地中，除小型汽車(chē)及內(nèi)蒙古自治區(qū)本地的車(chē)輛外，剩余數(shù)據(jù)較少，因此，分別將其歸于各自?xún)?nèi)容的其它類(lèi)中；對(duì)所獲取的違法時(shí)間進(jìn)行拓展，將其劃分至對(duì)應(yīng)的月份、星期、季度(標(biāo)準(zhǔn)季度)及時(shí)段中；并根據(jù)實(shí)際道路條件，判斷道路中央是否有機(jī)非隔離欄隔離道路兩反向車(chē)流；最終得到可用于R軟件進(jìn)行處理的數(shù)據(jù)類(lèi)型并對(duì)應(yīng)賦值，具體取值見(jiàn)表2.

表2 變量取值

2 主成分分析

2.1 提取主成分

利用R軟件中的corrplot、psych、GPArotation、nFactors、gplots及RColorBrewer包等，對(duì)未按規(guī)定導(dǎo)向車(chē)道行駛、逆向行駛、闖紅燈及違反交通標(biāo)線行為進(jìn)行主成分分析及因子分析.以交通違法行為類(lèi)型作為因變量，通過(guò)主成分分析，以獲取不同影響因素對(duì)不同類(lèi)型交通違法行為的影響程度.即考慮車(chē)輛類(lèi)型、車(chē)輛歸屬地、月份、星期、季度、時(shí)段、機(jī)非隔離欄及違法地點(diǎn)，對(duì)未按規(guī)定導(dǎo)向車(chē)道行駛行為、逆向行駛行為、闖紅燈及違反交通標(biāo)線行為的不同影響.

首先，利用corrplot包檢查兩兩自變量之間的相關(guān)關(guān)系，可知，自變量即不同交通違法行為類(lèi)型的不同影響因素大致可分為2或3類(lèi).繼而將數(shù)據(jù)表進(jìn)行標(biāo)準(zhǔn)化處理(見(jiàn)表2)，以避免因各變量的測(cè)量不具有可比性而導(dǎo)致結(jié)果受到測(cè)量量綱的影響.

使用prcomp函數(shù)分別提取四種交通違法行為影響因素的主成分，各成分的標(biāo)準(zhǔn)差、方差分布比例及累計(jì)方差分布比例見(jiàn)表3.其中，累計(jì)方差比例即累計(jì)貢獻(xiàn)率，當(dāng)其達(dá)到85%左右時(shí)，即可說(shuō)明當(dāng)前主成分個(gè)數(shù)可以解釋原內(nèi)容的絕大多數(shù)信息，即表明，當(dāng)主成分個(gè)數(shù)取5時(shí)，這5個(gè)主成分包含了上述8類(lèi)影響因素的絕大部分信息，可以解釋四類(lèi)交通違法行為的對(duì)應(yīng)影響因素及其影響程度.

表3 各成分得分表

2.2 確定主成分個(gè)數(shù)及其得分

由于確定主成分個(gè)數(shù)的psych包中的principal函數(shù)需事先得知大致主成分個(gè)數(shù)，因此，首先通過(guò)fa.parallel函數(shù)輸出碎石圖，通過(guò)拐點(diǎn)變化最大處，以確定輸入該函數(shù)的主成分個(gè)數(shù)，見(jiàn)圖1.

拐點(diǎn)變化最大處是合理的主成分個(gè)數(shù)，結(jié)合表3中各成分的累計(jì)貢獻(xiàn)率，最終確定主成分個(gè)數(shù)為5，進(jìn)而獲取到主成分得分，見(jiàn)表4.

圖1 碎石圖

表4 主成分荷載表

由表4可知，月份和季度在第一主成分上荷載較大(即影響程度最高的因素)，違法地點(diǎn)在第二主成分上荷載較大，車(chē)輛類(lèi)型和車(chē)輛歸屬地在第三主成分上荷載較大，時(shí)段在第四主成分上荷載較大，而星期則在第五主成分上荷載較大.

2.3 顯著性檢驗(yàn)

為保證所得主成分的可靠性，在R中利用多元線性回歸對(duì)這五個(gè)主成分進(jìn)行顯著性檢驗(yàn)，將表4中的各主成分當(dāng)作新的自變量，即將每一列內(nèi)的系數(shù)帶入對(duì)應(yīng)主成分，再將所得五個(gè)新的自變量進(jìn)行回歸，模型結(jié)果見(jiàn)表5.

表5

注：***和**-顯著水平為0和0.001.

由表5可知，這五個(gè)主成分均十分顯著，可解釋原自變量的絕大部分信息.同時(shí)，模型結(jié)果顯示，該回歸方程F檢驗(yàn)的p值<2.2×10-16，這說(shuō)明，該方程整體也是顯著的.根據(jù)表5中的估計(jì)值，可將回歸方程寫(xiě)為

Y=3.87+0.37X1-0.40X2-

0.41X3-0.14X4+0.02X5

(1)

式中：Y為交通違法行為.

2.4 主成分分析

驗(yàn)證主成分可靠性后，通過(guò)雙標(biāo)圖同時(shí)考察四類(lèi)交通違法行為間關(guān)系及其影響因素的可視化，見(jiàn)圖2.雙標(biāo)圖中，橫縱坐標(biāo)分別代表第一主成分和第二主成分；a，b，c，d依次代表未按規(guī)定導(dǎo)向車(chē)道行駛、逆向行駛、闖紅燈及違反交通標(biāo)線行為；各向量近似表示各自變量(影響因素)的屬性信息，a，b，c，d四點(diǎn)間的距離反映它們對(duì)應(yīng)樣本之間的差異大小，向量在主成分上的投影代表該向量與該主成分的相關(guān)程度.

圖2 主成分雙標(biāo)圖

在a點(diǎn)附近區(qū)域觀察各向量在主成分上的投影，可以看出，對(duì)于未按規(guī)定導(dǎo)向車(chē)道行駛行為，在第一主成分上，車(chē)輛歸屬地、車(chē)輛類(lèi)型及星期對(duì)其影響程度較高；第二主成分上，時(shí)段對(duì)其有較高影響；且各主成分之間不相關(guān)，這可以說(shuō)明，該違法行為的主要影響因素車(chē)輛因素.

同理可知，違法地點(diǎn)和有無(wú)機(jī)非隔離欄在第一主成分和第二主成分上都對(duì)逆向行駛行為有較大的影響；因此，空間因素及交通設(shè)施是該交通違法行為的主要影響因素.

月份、季度、車(chē)輛歸屬地及車(chē)輛類(lèi)型在第一主成分上對(duì)闖紅燈行為有很深影響，而時(shí)段、違法地點(diǎn)及有無(wú)機(jī)非隔離欄則在第二主成分上對(duì)其有較大影響；因此，時(shí)間因素和車(chē)輛因素為其主要影響因素.

時(shí)間因素(月份與季度)是違反交通標(biāo)線行為的主要影響因素.

3 因子分析

上述主成分分析中，分別找出了對(duì)于未按規(guī)定導(dǎo)向車(chē)道、逆向行駛、闖紅燈及違反交通標(biāo)線行為的主要影響因素，為探尋這些因素對(duì)交通違法行為的影響程度順序，描述原始變量之間的相關(guān)關(guān)系，進(jìn)行因子分析并將其可視化，找出潛在因子與單獨(dú)因子間的關(guān)系.

與主成分分析類(lèi)似，由碎石圖確定因子個(gè)數(shù)，并結(jié)合nFactors包中的nScreen函數(shù)(得到取值為2或4)，假設(shè)因子個(gè)數(shù)為3，使用psych包提取公因子，并對(duì)比公因子數(shù)為2或4的方案，2因子方案僅能解釋41%的方差，而4因子可解釋55%的方差，因此，選擇公因子數(shù)為4的方案.

正交旋轉(zhuǎn)后將結(jié)果可視化，即使用路線圖展示潛因子和單獨(dú)因子之間的關(guān)系，見(jiàn)圖3.同時(shí)，通過(guò)因子得分圖更直觀看出綜合排名靠前的因素，見(jiàn)圖4.

圖3 因子關(guān)系路線圖

圖4 因子得分圖

圖4表明了潛在因子與現(xiàn)有自變量間的關(guān)系，結(jié)合因子得分圖(從第一象限開(kāi)始，逆時(shí)針觀測(cè)，影響因素綜合排名依次降低)及主成分分析得分結(jié)果，可以看出，時(shí)間因素、交通設(shè)施、空間因素、車(chē)輛因素對(duì)四類(lèi)不同交通違法行為發(fā)生的影響程度依次降低.

4 干預(yù)措施

由主成分分析部分可知，未按規(guī)定導(dǎo)向車(chē)道行駛行為的主要影響因素是車(chē)輛因素，這可能是因?yàn)橥獾剀?chē)輛對(duì)于新到達(dá)城市的路況及交通條件不熟悉，同時(shí)，該市正在建設(shè)軌道交通，不少路段的交通指示情況有較大改變等.對(duì)此，交通管理部門(mén)應(yīng)及時(shí)發(fā)布路況及交通指示條件信息，對(duì)于外地車(chē)輛，在進(jìn)入該市時(shí)可進(jìn)行適當(dāng)宣傳教育.

空間因素及交通設(shè)施是逆向行駛行為的主要影響因素，違法數(shù)據(jù)中所獲取的四個(gè)交叉口分別位于該市的不同區(qū)域內(nèi)，且每個(gè)區(qū)域內(nèi)的交警巡邏及電子監(jiān)控強(qiáng)度不盡相同，再者，不設(shè)置機(jī)非隔離欄的地點(diǎn)更易使駕駛?cè)水a(chǎn)生逆向行駛行為.對(duì)此，交通管理部門(mén)應(yīng)對(duì)產(chǎn)生該行為的區(qū)域加強(qiáng)監(jiān)控并增設(shè)機(jī)非隔離欄.

時(shí)間及車(chē)輛因素是闖紅燈行為的主要影響因素，這可能是由于駕駛?cè)思庇谮s時(shí)間或不熟悉路況，因此，應(yīng)加強(qiáng)特定時(shí)段、工作日及節(jié)假日的監(jiān)控并設(shè)立相關(guān)安全標(biāo)語(yǔ)宣傳.

而對(duì)于違反交通標(biāo)線行為，極可能是因?yàn)樵诟叻鍝矶聲r(shí)段，駕駛?cè)思庇谕ㄟ^(guò)路口，從而違反交通標(biāo)線，對(duì)此，應(yīng)加強(qiáng)監(jiān)控并對(duì)交叉口通行進(jìn)行合理優(yōu)化.

5 結(jié) 論

1) 車(chē)輛因素是影響未按規(guī)定導(dǎo)向車(chē)道行駛行為的關(guān)鍵因素.

2) 空間因素及交通設(shè)施是逆向行駛行為的主要影響因素.

3) 時(shí)間因素及車(chē)輛因素對(duì)闖紅燈行為影響最大.

4) 違反交通標(biāo)線行為主要受時(shí)間因素影響.

5) 時(shí)間因素、交通設(shè)施、空間因素及車(chē)輛因素對(duì)交通違法行為的影響程度依次降低.

由于受所獲數(shù)據(jù)內(nèi)容的限制，一些重要的情景因素(如道路幾何條件、天氣條件等)對(duì)交通違法行為的影響有待進(jìn)一步研究.此外，交通違法行為發(fā)生的空間分布特性、同一車(chē)輛的重復(fù)交通違法行為發(fā)生規(guī)律及影響因素、小型載客汽車(chē)及貨車(chē)的交通違法行為等值得作為后續(xù)研究方向.