中國典型大城市交通安全特征對比研究

裴瑩瑩 王雪松 楊敏明 高巖

摘 要：為提升城市交通安全管理水平，對我國12個典型大城市的交通事故變化趨勢以及安全影響因素進行了縱向分析和橫向對比。建立了多元線性回歸模型，探討路網特征、出行方式結構等重要影響因素的作用效應。結果表明：不同城市的交通安全發展呈現出規律性特征，科學緊湊的交通路網布局有利于提升交通系統的安全性能；增大集約型公交出行比例和慢行交通出行比例將有效降低城市交通事故死亡率。

關鍵詞：道路交通安全；對比分析；路網特征；出行方式結構

基金項目：道路交通安全“十四五”規劃（2020SJD06）；道路安全現狀分析與對策建議研究

Comparative analysis of traffic safety characteristics of typical metropolis in China

PEI Yingying1，WANG Xuesong1，YANG Minming2，GAO Yan3

（1.Key Laboratory of Road and Traffic Engineering of the Ministry of Education， Tongji University， Shanghai 201804， China；2.China Academy of Urban Planning & Design，Hhanghai Branch，Shanghai 200335，China；3.Traffic Management Research Institute of the Ministry of Public Security，Wuxi 214151，China）

Abstract： To improve the urban traffic safety management， this study conducted city-level traffic safety comparison and analysis in 12 Chinese cities. Multivariate linear regression model was used to explore the potential impacts of several key factors on traffic safety， such as the road network characteristics and different travel mode shares. Modeling results showed that the development of traffic safety in different cities have regularity characteristics. Narrow roads and dense networks have potential strength in enhancing the traffic safety performance. Higher proportion of public transport and nonmotorized traffic were associated with less traffic fatality rate.

Keywords： Road traffic safety； comparison and analysis； road network； travel mode shares

道路交通安全水平是影響居民出行和城市發展的重要因素之一。提升道路交通安全水平，不僅是經濟社會可持續發展的基本保障，也是交通強國“安全強本”的根本要求。近年來，我國大城市交通安全發展呈現出差異化的特征。2019年，北京、廣州道路交通十萬人死亡率分別為5.8和7.5，約為深圳、重慶等其它超大城市的2-3倍，交通安全狀況不容樂觀。

當前，我國城鎮化已由單個城市主導轉變為以大城市為核心、城市網絡化的都市圈發展為主導的階段，城市群一體化成為了未來創新發展的驅動力。各個城市扮演的角色不再是孤立靜止的，應積極對標先進、互聯共通，通過將不同城市置于同一維度，分析其交通安全特征的異同點，總結先進城市交通安全管理經驗，形成交通安全改善對策，提升精細化交通治理能力。

1交通安全特征分析基礎數據

相比于西方發達國家，我國現代化發展起步較晚。國內城市的交通安全發展階段無法同國外城市相匹配，加之許多國外城市的人口-經濟-社會指標以及交通出行環境顯著與國內城市顯著不同。因此，本文主要著眼于國內，選取12個代表性城市進行城市整體層面的交通安全特征對比與分析。

1.1樣本城市選取

根據我國各個城市歷年發布的統計年鑒，選取2018年經濟總量（GDP）排名前十五位的11個城市：上海、北京、深圳、廣州、重慶、天津、蘇州、成都、武漢、青島、寧波。考慮到這些城市均位于中東部地區，因而補充經濟總量排位在全國第20名左右的西北部城市陜西西安，合計12個城市（見圖1）。

可以看出，除了少數內陸省會城市，我國經濟發達的城市大多位于東部沿海地區。這些城市人口數量較多，經濟生產活躍，交通出行需求大。研究這些體量龐大的城市，能夠反映出我國城市現代化進程中存在的主要矛盾與問題，有利于科學把握城市交通安全變化規律和階段特征；并且，相關結論對中小城市未來的建設發展具有積極意義。

1.2交通事故數據對比

城市交通安全核心指標是交通事故的發生數以及由此造成的人員傷亡。由于統計口徑的變更，以及部分城市事故數據記錄缺失、漏報、誤報情況嚴重，各城市統計年鑒中的事故總數和受傷人數波動較大、且真實性難以保證。相比之下，交通事故死亡人數更能反映城市交通安全狀況。不同城市人口、汽車保有量差異較大，僅用絕對指標死亡人數進行比較顯然是不全面的，因而選取相對指標交通事故十萬人死亡率和萬車死亡率表征各城市的安全性。

1.2.1十萬人死亡率

圖1是12個城市2010—2018年交通事故十萬人死亡率的趨勢對比情況，幾乎所有城市事故十萬人死亡率均呈現穩定下降的趨勢。12個城市中，廣州降幅最大，重慶、武漢相對穩定。截至2018年底，深圳是所有城市十萬人死亡率最低的，僅為2.19；北京、寧波依然處于高位，超過6.0。

1.2.2萬車死亡率

圖2是12個城市2010—2018年交通事故萬車死亡率的趨勢對比情況。12個城市中，深圳、青島、西安等下降幅度較大；北京、成都總體相對穩定。截至2018年底，深圳依然是表現最佳的城市，萬車死亡率僅為0.85；北京、廣州、天津依然處于高位，萬車死亡率在2.0以上。

1.3交通安全影響因素統計

城市交通安全影響因素眾多，難以全面覆蓋。并且，時間序列數據有時比較稀缺。例如，城市交通出行方式結構數據僅在少數年份調查采集。因此，僅使用2017年和2018年兩年的數據，對城市形態、路網特征、交通出行方式結構、交通運行（擁堵）狀況等重要影響因素進行解析，其描述性統計結果如表1所示。

之所以選取這些自變量，是因為它們能夠反映城市交通系統最核心的運作機理。例如，路網特征決定了城市交通的出行路徑和安全風險，不同類別的城市路網可能對應著不同的安全表現；又如，交通出行方式結構（集約型公交、個體機動、慢行交通）的安全表現也可能具有顯著差異，城市可以根據自身特點倡導合理的交通出行方式結構。

2多元線性回歸模型構建

本文利用Stata 13.0？軟件進行多元線性模型參數估計。采用的估計方法為逐步回歸法[1]（Stepwise Regression Method），即把可選擇的解釋變量逐個引入模型，每引入一個變量后進行F檢驗判別模型顯著性，同時對已選入的解釋變量逐個進行t檢驗，當原解釋變量因新變量引入而變得不再顯著時，則將其刪除，確保每次引入新變量之前回歸方程中只包含顯著性變量。依照上述思想，最終模型中解釋變量既是重要的，又不存在嚴重多重共線性。考慮到三類交通出行方式比例加起來等于100%，存在共線性問題，因此模型中僅納入集約型公交和慢行交通出行比例兩個變量。

3模型結果

3.1模型參數估計結果

運行Stata程序，將自變量剔除的顯著性閾值設定為0.1，得到兩個模型的參數估計結果如表2所示。

依據方差膨脹因子[1]（Variance Inflation Factor，VIF），對模型結果包含的變量進行多重共線性檢驗。VIF是將存在多重共線性時回歸系數估計量的方差與不存在多重共線性時回歸系數估計量的方差對比而得出的比值。當VIF<3，認為不存在多重共線性。計算結果顯示，在因變量為十萬人死亡率的模型中，三個自變量的VIF依次為1.62，1.60，1.05；在因變量為萬車死亡率的模型中，兩個自變量的VIF依次為1.59，1.59，可見上述兩個模型均不存在多重共線性問題。

3.2模型結果分析

城市建成區路網密度、集約型公交出行比例、慢行交通出行比例為顯著變量。其中，建成區路網密度在十萬人死亡率模型中表現顯著，而集約型公交出行比例和慢行交通出行比例在兩個模型中均為顯著變量。

3.2.1路網密度

路網密度的系數為負（β2=-0.3523），表明隨著城市建成區路網密度的增大，交通事故十萬人死亡率將有所下降。道路網密度是反映城市交通網絡十分重要的特征。既有研究表明，路網密度的增加有利于提高交通效率[2]，優化城市交通系統運行[3]。從交通安全角度考慮，高密度路網往往具有更高的通達性[4]，增加了交通組織的多樣性，大量交通流需要在交叉口完成路徑再選擇，這在很大程度上降低了交通流的運行速度，削弱了交通事故發生時的嚴重程度，從而減少事故死亡人數。此外，路網密度高的城市，其主、次干路和支路的級配通常更為合理，提升了道路系統的靈活性和友好性，有利于減少道路總體風險[5]。

3.2.2交通出行方式結構

集約型公交出行比例、慢行交通出行比例在兩個模型中的系數均為負（β3=-0.1973和-0.0590，β5=-0.2110和-0.0854），表明集約型公交出行比例和慢行交通出行比例的增大將有效減少降低城市交通事故死亡率。模型結果與當下倡導“公交優先”“綠色出行”的理念是相符的。城市居民選擇公交、非機動車、步行方式出行，可以有效減少路網機動車流量以及小汽車交通周轉量，降低了個體機動化出行強度[6]。對整個交通系統層面而言，個體機動化出行比例的降低，不僅可以減少機動化交通工具與弱勢道路使用者（行人、非機動車騎行者等）的碰撞風險，還可以鼓勵更多出行者選擇非機動化出行方式，促進交通系統功能運轉的良性循環[7]。

3.3各城市交通安全特征討論

多元線性回歸結果表明，科學緊湊的交通路網布局和良好的交通出行方式結構有利于提升交通系統的安全性能。結合樣本城市自身特點，對比各個城市的安全表現，可以挖掘出更多的信息。

圖3顯示了各個城市2019年中心城區建成區路網密度。可以看到，深圳市路網密度最高，位列12個樣本城市之首。與之相對應的是，以十萬人死亡率為標準進行安全表現排名，深圳也是位列第一。與深圳類似，上海、重慶等城市的安全表現與路網密度也有較大的正相關性。相反地，北京、蘇州等城市路網密度較低，交通安全總體表現也比較一般。

盡管一些城市的路網密度與交通安全表現并沒有很強的相關性，但尺度適宜、級配合理的高密度依然是值得推崇的。根據2016年國務院發布的《關于進一步加強城市規劃建設管理工作的若干意見》，到2020年，我國城市建成區平均道路網密度要提高到8公里/平方公里。然而，至2019年底，樣本城市中僅深圳、成都兩個達到這一指標，大部分城市距離達標還有較大差距。因此，我國城市必須加強街區規劃和建設，努力解決交通路網布局問題，盡快實現“窄馬路、密路網”的要求。

圖4顯示了各個城市2019年三類交通出行方式占比情況。深圳市慢行交通出行比例最高，以十萬人死亡率和萬車死亡率為指標的平均安全排名也最好。相比較而言，諸如北京、寧波、廣州等城市，個體機動化出行比例較高，總體交通安全情況也不容樂觀。

公共交通和慢行交通是現代城市交通倡導的出行方式。公共交通可以節約道路交通資源，緩解交通擁堵局面，為交通安全提升創造了十分有利的條件；而慢行交通強調了各類出行方式的公平性，是城市建設“以人為本”的良好體現，保障了弱勢道路使用者的安全性，對降低交通事故死亡有著直接效益。如果城市形成了“以人為本、公交優先保障”的交通出行方式結構，那么不同交通方式之間的協調銜接性將有效增強，而城市交通系統調度調控的靈活性和魯棒性也將有所提升。較高且適宜的公共交通和慢行交通出行比例，正是保持交通系統高效、安全運行的穩定劑。

4結語

本文選取了12個中國典型大城市，進行交通安全特征對比與分析。采用交通事故十萬人死亡率和萬車死亡率兩個指標，探究樣本城市近年來的交通安全狀況。利用12個城市2年的橫截面數據，建立了多元線性回歸模型，分析了路網特征和交通出行方式結構等因素的作用效應。建模結果同近年來各地倡導的“窄馬路、密路網”“公交優先”和“綠色出行”等交通發展內涵相吻合。城市應該繼續秉持這些科學合理的交通建設理念，不斷提升交通安全水平。

參考文獻

[1] 冷建飛，高旭，朱嘉平. 多元線性回歸統計預測模型的應用 [J]. 統計與決策，2016（07）： 82-85.

[2] WANG X， ZHOU Q， YANG J， et al. Macro-level traffic safety analysis in Shanghai， China [J]. Accident Analysis & Prevention， 2019（125）： 249-256.

[3] MOHAN D， BANGDIWALA S I， VILLAVECES A. Urban street structure and traffic safety [J]. Journal of Safety Research. 2017（62）：63-71.

[4] WANG X， YUAN J， SCHULTZ G G. Investigating the safety impact of roadway network features of suburban arterials in Shanghai [J]. Accident Analysis& Prevention. 2018（113）： 137-148.

[ 5 ] W A N G X ， W U X ， T R E M O N T P ， e t a l . Investigation of Road Network Features and Safety Performance [J]. Accident Analysis & Prevention， 2013（56）： 22-31.

[6] 卓健. 城鄉交通與市政基礎設施 [J]. 城市規劃學刊，2020（04）： 120-121.

[7] TIWARI G， JAIN D， RAO K R. Impact of public transport and non-motorized transport infrastructure on travel mode shares， energy， emissions and safety： case of Indian cities [J]. Transportation Research Part D： Transport and Environment. 2015（44）： 277-291.