基于報警數(shù)據(jù)的公交車輛運行風(fēng)險空間分布特征研究

酈紅藝

（揚州大學(xué),江蘇 揚州 225000）

0 引言

隨著我國城市化速度的加快及城市基礎(chǔ)設(shè)施的完備，一線大城市人口密度進一步加大，城市公交車作為低價、便捷的出行方式之一，成為大多數(shù)市民首選的出行工具。但是鑒于城市公交車承載量大、運行時間長等特點，也存在較多的安全問題。從2010—2023 年間，人們對于道路交通事故的重視程度提升，交通安全意識也增強了，使得由于道路交通事故所導(dǎo)致的人員傷亡也在逐漸下降，但是在人類因事故死亡的類型中，交通事故仍然排在前十。頻發(fā)的城市公共交通運行事故不僅直接威脅著人民的生命安全，更嚴重制約著我國社會經(jīng)濟的發(fā)展。國家發(fā)布的《交通強國建設(shè)綱要》中也明確指出交通安全保障實現(xiàn)完善可靠、反應(yīng)迅速的發(fā)展目標，加強交通安全綜合治理，切實提高交通安全水平。

城市交通事故空間分析方法的研究主要是從宏觀區(qū)域?qū)用娼⒔煌ㄊ鹿始捌溆绊懸蛩刂g的聯(lián)系。有學(xué)者從宏觀角度分析不同規(guī)劃水平的區(qū)域影響因素與交通安全水平之間的關(guān)系，其劃分的空間分析單元主要包括 州（State）[1]、郡/ 縣（County）[2]、行 政 區(qū) 劃[3]、人口普查區(qū)（Census ward）[4]、郵政編碼區(qū)（Zip Code Tabulation Area, ZCTA）[5]、地理柵格[6]、交通分析小區(qū)（Traffic Analysis Zone, TAZ）[7]等。王雪松等[8-9]利用美國佛羅里達州Orange 縣的交通安全數(shù)據(jù)庫分析交通小區(qū)的路網(wǎng)形態(tài)結(jié)構(gòu)，通過分析交通小區(qū)事故與影響因素之間的特征，基于事故與因素的關(guān)系建立貝葉斯自回歸模型，并據(jù)此挖掘了交通小區(qū)層面的影響因素及其對交通事故的影響作用。黃合來等[10-11]利用美國佛羅里達州某縣的數(shù)據(jù)建立交通小區(qū)，分析城市路網(wǎng)交通事故的特征，基于交通小區(qū)的路網(wǎng)特征數(shù)據(jù)、人流出行數(shù)據(jù)等，建立了基于空間自相關(guān)的貝葉斯模型，以此評價不同分區(qū)尺度對城市道路交通安全的影響。

該文基于公交運行報警數(shù)據(jù)分析其在空間上的特征，首先利用斯皮爾曼相關(guān)系數(shù)法計算公交運行報警數(shù)據(jù)的線性關(guān)系；然后采用核密度估計與全局莫蘭指數(shù)探究公交運行報警數(shù)據(jù)的空間相關(guān)性，為之后辨識公交風(fēng)險位置提供了堅實的基礎(chǔ)。

1 數(shù)據(jù)基本特征

1.1 數(shù)據(jù)來源

該文數(shù)據(jù)來自鎮(zhèn)江市公交集團，通過汽車行駛記錄儀、智能駕駛輔助終端、駕駛員狀態(tài)監(jiān)測（DSM）攝像機、高級駕駛輔助系統(tǒng)（ADAS）攝像機、主動安全報警系統(tǒng)、汽車行駛記錄儀攝像頭等公交車載報警檢測設(shè)備，采集鎮(zhèn)江市2022 年11 月的公交運行報警數(shù)據(jù)。

1.2 數(shù)據(jù)類型

對于報警發(fā)生的類型主要可分為兩大類：第一類為公交駕駛員的異常駕駛行為包括打呵欠報警、打手機報警、抽煙報警、左顧右盼報警、疲勞駕駛報警等。第二類為公交車輛的異常駕駛狀態(tài)包括車道偏離報警、前向碰撞報警、急加速報警、急減速報警、遮擋報警等。公交運行報警數(shù)據(jù)發(fā)生的類型見表1。

表1 公交運行報警數(shù)據(jù)類型

1.3 基于公交報警數(shù)據(jù)的運行風(fēng)險

打呵欠報警、打手機報警、抽煙報警、左顧右盼報警、疲勞駕駛報警數(shù)據(jù)代表駕駛員有規(guī)定駕駛行為之外的影響公交運行安全的行為，可能引發(fā)公交運行風(fēng)險；車道偏離報警、前向碰撞報警、遮擋報警、急加速報警、急減速報警數(shù)據(jù)代表車輛沒有平穩(wěn)運行或出現(xiàn)遮擋攝像頭現(xiàn)象，可能會與其他車輛發(fā)生碰撞，引發(fā)危險。由于打呵欠和抽煙報警次數(shù)在樣本中很少，因此下文分析將不再提及。

2 分析模型及方法

“空間”一詞，源自地理科學(xué)、區(qū)域科學(xué)，通常可以理解為地理現(xiàn)象在空間上呈現(xiàn)的區(qū)域分布狀態(tài)，空間自相關(guān)與相關(guān)性分析是數(shù)據(jù)重要的兩個性質(zhì)。空間自相關(guān)與相關(guān)性分析主要研究數(shù)據(jù)之間是否存在高度線性關(guān)系，為了探究公交運營報警數(shù)據(jù)在空間上的特征分布，應(yīng)對公交運營報警數(shù)據(jù)進行空間自相關(guān)與相關(guān)性檢驗。

公交運行報警數(shù)據(jù)的相關(guān)性檢驗主要是分析不同類型報警數(shù)據(jù)之間的相關(guān)性，常見的方法包括：Pearson（皮爾遜），Kendall（肯德爾）和Spearman（斯伯曼/斯皮爾曼）。三種相關(guān)分析方法中Pearson 相關(guān)系數(shù)最為常用，如式（1）所示：

但利用Pearson 相關(guān)系數(shù)進行計算時，首先需要驗證數(shù)據(jù)是否滿足正態(tài)分布，而Spearman 相關(guān)系數(shù)就不用滿足此前提條件。因此該文利用適用范圍更廣的Spearman相關(guān)系數(shù)來分析公交運行報警數(shù)據(jù)之間的相關(guān)性。

該文利用核密度估計、莫蘭指數(shù)分析了公交運行報警數(shù)據(jù)的空間自相關(guān)性。

核密度估計方法（KDE）屬于非參數(shù)檢驗方法中最常用的技術(shù)方法之一，普遍用于估計一個未知的概率密度函數(shù)，是對直方圖的一個自然拓展，改善了直方圖存在的不連續(xù)問題，核密度估計的分析精度更高。該方法在日常運用中具有以下特點：適用性強，靈活性好。核密度估計方法不受數(shù)據(jù)的限制，不需要事先假設(shè)數(shù)據(jù)的概率分布模式。取而代之的是通過獲取數(shù)據(jù)本身的特征來處理任意概率分布，從而具有很強的適用性和靈活性。

核密度估計方法最初是為了估計平滑的經(jīng)驗概率函數(shù)而設(shè)計的。目前在GIS 領(lǐng)域，該方法是一種常用的空間分析技術(shù)之一，主要實現(xiàn)將地理上分布的點狀數(shù)據(jù)轉(zhuǎn)換為平滑的密度表面的功能。其基本思想是把每一個發(fā)生的事件看作一個核心要素點，根據(jù)一定范圍內(nèi)點與其之間的距離計算該點的密度值，然后生成一個平滑曲面。根據(jù)地理學(xué)第一定律，距離中心點越近，密度值越大，反之則越小。正好落在以中心點為原點、以帶寬為半徑的圓的邊界上的點，其密度值為零，其基本原理如圖1所示。

圖1 核密度估計原理圖

由于莫蘭指數(shù)的計算是以劃分的位置分析區(qū)為前提，因此首先利用KNN 最鄰近算法以每個位置分析區(qū)的質(zhì)點為依據(jù)計算分析區(qū)與分析區(qū)之間的空間矩陣，其中距離的選取采用歐式距離，如式（2）所示。

最終計算的空間矩陣如圖2 所示。

利用計算的空間矩陣采用公式（3）計算莫蘭指數(shù)，分析公交運行報警數(shù)據(jù)的空間相關(guān)性。

3 公交運行報警數(shù)據(jù)的空間特征分析

3.1 公交運行報警數(shù)據(jù)的相關(guān)性檢驗

該文利用Spearman 相關(guān)系數(shù)來分析公交運行報警數(shù)據(jù)之間的相關(guān)性，結(jié)果如圖3 所示。

圖3 Spearman 相關(guān)系數(shù)圖

一般認為，相關(guān)系數(shù)大于0.7 即代表這兩類數(shù)據(jù)的相關(guān)性較高，通過圖3 發(fā)現(xiàn)，打手機報警與打瞌睡、遮擋、左顧右盼報警；左顧右盼報警與打瞌睡、遮擋、打手機報警；車道偏離報警與疲勞駕駛、前向碰撞報警的相關(guān)性較高。這在一定程度上說明當發(fā)生前一種報警數(shù)據(jù)之后，后一種報警發(fā)生的可能性也很高，比如發(fā)生車道偏離與疲勞駕駛的相關(guān)性高達0.8，說明司機的狀態(tài)對于安全駕駛行為的影響較大。

3.2 公交運行報警數(shù)據(jù)的核密度估計

將公交運行報警數(shù)據(jù)中不同類型的報警數(shù)據(jù)進行核密度估計，參數(shù)采取自適應(yīng)帶寬進行處理。由分析結(jié)果可知，車輛發(fā)生車道偏離報警的熱力區(qū)域主要集中在鎮(zhèn)江市中山西路與中山東路附近一帶；駕駛員抽煙報警熱力區(qū)域主要分布在以下兩塊：一塊位于長江路、中山西路與九華山路的交界處，另一塊位于左下角的金潤大道上。

總體上，報警分布的熱力區(qū)域以市中心范圍的中山東路、中山西路為主，同時還在夢溪路、丁卯橋路、喬家門路等區(qū)域分布。

3.3 公交運行報警數(shù)據(jù)結(jié)論的莫蘭指數(shù)

利用公式（4）計算莫蘭指數(shù)，分析公交運行報警數(shù)據(jù)的空間相關(guān)性，選取急加速和急減速報警，如圖4~5所示。

圖4 急加速莫蘭指數(shù)示意圖

圖5 急減速莫蘭指數(shù)示意圖

對莫蘭指數(shù)的結(jié)果進行整理，如表2 所示。

表2 不同變量的莫蘭指數(shù)表

表2 顯示了莫蘭指數(shù)檢驗的空間自相關(guān)結(jié)果，所有報警類型的變量在0.01 以下水平顯著，這意味著駕駛員疲勞駕駛報警、駕駛員抽煙報警、車輛急減速報警、車輛急加速報警、車輛車道偏離報警并不呈現(xiàn)空間自相關(guān)。然而駕駛員急減速報警的Z 分值是負的，這表明駕駛員急減速報警的空間分布更集中在某一特定區(qū)域。

3.4 結(jié)論

該文基于對公交運行報警數(shù)據(jù)的空間特征研究，從公交運行報警相關(guān)性分析、空間特征分析兩個角度進行挖掘，分別采用Spearman 相關(guān)系數(shù)、核密度估計、莫蘭指數(shù)進行分析。結(jié)果發(fā)現(xiàn)，公交運行報警數(shù)據(jù)之間存在較強的相關(guān)性，但是在空間上大部分數(shù)據(jù)并不呈現(xiàn)空間自相關(guān)性，但急減速報警在空間上更呈現(xiàn)空間集聚效應(yīng)，結(jié)合核密度熱力圖可知急減速報警在景區(qū)附近居多。

4 討論

近年來，隨著公共交通的快速發(fā)展，公共交通已經(jīng)成為居民出行的重要交通方式之一，公交汽電車擁有量更是連年上升。但是在公交快速發(fā)展的同時，公交運營安全逐漸成為重點。該文以公交運行報警數(shù)據(jù)為依據(jù)，對公交報警數(shù)據(jù)空間特征進行探究，以期為城市公共交通運行管理提供科學(xué)決策，對公交運行風(fēng)險做到事前精準預(yù)防，提高公交日常運行安全。

現(xiàn)有研究對于公交運行安全提出的建議大多從公交運行的角度，以定性分析為主，缺乏以大數(shù)據(jù)為基礎(chǔ)的定量分析，同時受限于所分析的數(shù)據(jù)源（大多局限于模擬駕駛實驗數(shù)據(jù)）一般通過抽樣測試的手段，抽樣駕駛的數(shù)據(jù)可能與實際駕駛數(shù)據(jù)存在較大出入，無法準確反映公交實際運行情況，很難有效針對公交車輛與公交駕駛員的實際情況進行合理安全分析。因此，基于公交運行報警數(shù)據(jù)的公交空間特征研究可以為公交的日常安全運行提供指導(dǎo)，在宏觀上對公交經(jīng)過的位置風(fēng)險進行量化辨識，為公交管理者提供決策依據(jù)；在微觀上，對公交駕駛員的日常行車安全提供保障。