顧及街景信息的城市交通違法行為影響因素分析

趙志遠, 郁勛劍, 黃永剛, 吳升

(1. 福州大學 數字中國研究院(福建), 福建 福州 350108;2. 福州大學 空間數據挖掘與信息共享教育部重點實驗室, 福建 福州 350002;3. 福建省數字經濟聯盟, 福建 福州 350003)

交通違法行為發生的原因是復雜化和多元化的,基本上可歸結為人、車輛、道路及環境4個因素[1]。Rissanen等[2]發現闖紅燈、醉酒駕駛、超速等交通違法行為是導致交通事故的重要因素;Chen等[3]認為在工業用地為主的區域會降低交通事故的風險;丁微等[4]指出公共服務用地中的社區服務型用地具有高人口密度、交通流量大、交通安全水平低的特點。上述研究基于非空間統計模型揭示出交通違法行為與地理環境因素有關,但在方法模型與局部空間環境因素上考慮較少。

考慮空間特性的分析模型能夠更好地處理交通違法行為中空間因素的影響,交通違法行為具有空間位置屬性,其空間自相關性、空間異質性會對基于非空間統計模型的結果產生負面影響。周悅等[5]利用全局莫蘭指數和空間回歸模型發現道路因素具有明顯的空間自相關性;Pirdavani等[6]發現地理加權方法能夠更好地解釋事故和各類因子之間的關系。地理探測器由于能夠有效處理樣本量少、自變量存在共線性等問題[7-8],也被用于解釋地理現象的影響因素。郝秀清等[9]使用地理探測器分析不同空間因子對交通事故的單獨影響與交互影響,促使研究者關注事故空間分布差異的內在原因。

街景數據中蘊含的局部空間環境信息為解釋交通違法行為提供了新視角。目前,有關街景數據主要從心理認知的角度分析城市視覺空間與心理感知有關行為的關系。Dai等[10]使用全卷積神經網絡(FCN-8s)模型分割武漢的街景圖像,探究城市視覺空間和居民心理感知之間的相關性;Chen等[11]發現在無信號交叉口公路中,綠色中央分隔帶可以有效緩解駕駛人壓力;李良等[12]認為景觀對道路駕駛行為研究應集中于色彩和空間特征的最優值;魯岳等[13]基于街景圖像和深度學習方法,構建城市景觀與交通安全的量化框架,以探究城市景觀與交通安全之間的聯系。但是,顧及街景的定量化局部空間環境特征對交通違法行為解釋程度的研究仍較缺乏。

近年來,福州市城市治理數字化水平有所提高,在城市交通違法執行方面累積了豐富的數據資源。與此同時,居民出行“人車”矛盾[14]突出,迫切需要對交通違法行為進行分析治理。因此,本文對顧及街景信息的城市交通違法行為影響因素進行分析。

1 研究方法

1.1 研究框架

研究框架,如圖1所示。首先,獲取2017年福州市交通違法、興趣點(POI)、街景等數據;然后,對數據進行預處理與清洗;構建街區空間環境指標體系,利用FCN-8s模型對街景圖像進行語義分割;構建影響因素分析模型,計算和篩選典型交通違法行為結果;最后,分析機動車與非機動車交通違法行為及典型交通違法行為的影響因素,對比典型交通違法行為對機動車與非機動車交通違法行為的適用性,進而對交通違法的影響因素進行總結。

圖1 研究框架Fig.1 Research framework

1.2 地理環境特征指標體系構建

三類地理環境特征指標體系的細分指標和測算方法,如表1所示。

表1 三類地理環境特征指標體系的細分指標和測算方法Tab.1 Subdivision indicators and calculation methods for three types of geographical environment characteristic indicator systems

1.3 基于全卷積神經網絡的語義分割方法

基于FCN-8s模型的語義分割方法采用卷積層代替全連接層,反卷積層對最后一個卷積層的特征圖進行上采樣,恢復到與輸入圖像相同的大小,從而預測每個像素產生概率,并進行逐像素分類[16]。

使用ADE-20K數據集訓練FCN-8s模型[17-18],掃描窗口設置像素為500 px×500 px,learning rate和early-stopping minimum learning rate分別設置為0.1和0.001,每個輸入的batch size設置為32。FCN-8s模型獲得的百度街景照片的場景分割結果(六一中路排尾路口),如圖2所示。

(a) 街景角度為0° (b) 街景角度為90°

經過訓練的FCN-8s模型準確率達到81.44%,在測試數據集上的準確率達到66.83%。該模型可將街景圖像最多劃分為151個子場景,對每張百度地圖獲取的街景照片中的特征進行語義分割,通過計算每個分割掩碼中的像素數來計算圖像中的視覺元素,從而得到每個語義對象的面積占比。

1.4 影響因素分析模型

將地理分析單元內交通違法事故的發生數量作為因變量,把地理分析單元內街景的語義分割結果代入表1中進行計算,得到地理環境特征指標作為自變量。

1.4.1 多元線性回歸模型 多元線性回歸模型是分析多個自變量對一個因變量的影響,被廣泛應用到交通和地理分析中[19],因其未有效考慮空間特性影響,這里主要作對照模型。多元線性回歸模型為

Yi=β0+β1X1+β2X2+…+βkXk+ε,k=1,2,…,n。

(1)

式(1)中:Xk為解釋變量;Yi為因變量;k為解釋變量的數目或種類;β0為常數項;β1～βk為解釋變量的回歸系數;ε為觀測量i的隨機誤差。

1.4.2 嶺回歸(RRM)模型 嶺回歸模型適用于解決共線性數據的回歸方法[20],是對普通最小二乘法的改進。嶺估計的系數的表達式為

(2)

式(2)中:K為嶺參數,當K=0時為最小二乘估計,當K→∞時,嶺估計的系數趨近于0。嶺參數K的選擇并不是唯一固定的,一般使用嶺跡法,即當β系數趨于穩定時的K值選擇[21]。

1.4.3 地理探測器 地理探測器是揭示各要素空間分異驅動力的一組統計學方法[22-23]。使用因子和交互作用探測器分析單個地理環境特征指標及雙指標交互作用對交通違法行為空間分布的影響。

因子探測器用于探測因變量的空間分異性,明確不同驅動因子對因變量空間分異的解釋程度,用q值度量,q的表達式為

(3)

交互探測器可以得出兩種指標交互作用時影響力的獨立性及影響力的大小變化[11]。

2 研究數據及預處理

福州市地處臺灣海峽西岸,公共交通出行占比較低,電動車、步行、自行車等出行方式占比較高,城區居民出行人車矛盾突出[15,27],以福州市三環內為研究區域,分析機動車與非機動車的交通違法行為。

2.1 交通違法數據

交通違法數據來源于2017年福州市交通執法部門執法歷史數據庫,違法類型參照《道路交通安全違法行為、代碼及處罰記分標準》,數據包括機動車、非機動車的106萬條匿名化違法記錄信息,記錄了違法行為的地址、時間、內容等信息。由于違法內容、類型繁多,數據存在長尾分布特征,選擇了10種最為頻繁的違法行為(表2)進行分析,經統計,這10種違法行為記錄占總違法記錄的91.81%[15],具有較好的代表性。

表2 交通違法類型分類Tab.2 Classification type of traffic violations

考慮到違法類型中,由于部分違法內容之間具有相似性,如機動車違反禁令標志指示的、機動車通過有燈控路口時不按所需行進方向駛入導向車道及機動車違反規定使用專用車道等均屬于機動車違反禁令標志、禁止標線類違法行為,結合《道路交通安全違法行為、代碼及處罰記分標準》的分類標準及違法對象和行為特點,將違法行為合并成2類共10種,如表2所示。基于高德地圖地理編碼接口(lbs.amap.com)獲取違法行為地址對應的經、緯度,且定位誤差在500 m范圍內的記錄占76%。

2.2 POI數據

利用高德地圖的API函數獲取2017年福州市POI數據,并根據城市用地分類與規劃建設用地標準表,將POI數據分為商業辦公用地、交通設施用地、公共管理與公共服務用地、居住用地、綠地廣場用地、商服設施用地6大類型。經清洗合并后,得到6種類型POI合計386 904條。福州市三環內6種類型的POI核密度分布圖,如圖3所示。其中,分類方法采用自然間斷法。

(a) 商業辦公用地 (b) 交通設施用地 (c) 公共管理與公共服務用地

2.3 街景數據

由于百度地圖開放平臺(https:∥map.baidu.com/)獲取街景圖像具有時間限制,且考慮到研究范圍在福州城區,近幾年交通基礎設施格局和城市風貌總體較為穩定,因此,使用2020年街景圖像數據替代2017年街景數據。設置圖片像素為1 024 px×512 px,坐標類型為GPS坐標,垂直視角20°,水平視角的范圍取0°,90°,180°,270°四個方向。對福州三環劃分1 000 m網格,使用隨機函數隨機得到50個網格,每個網格隨機生成10個采樣點,利用這10個采樣點的數據刻畫該網格的局部空間環境特征。通過街景采集點的坐標,獲得該坐標4個方向的街景圖(圖4)。

圖4 研究區域中心1 000 m網格與街景示例圖Fig.4 Sample maps of 1 000 m grid and street view in research area center

3 研究結果與分析

街景數據語義分割結果共包含墻、建筑、路、汽車等151種類型,每個網格內所有類型的分割值之和均為1,將分割結果代入表1中計算每個網格的地理環境特征指標即自變量。對自變量與因變量進行Z-Score[26]標準化處理后,分別對10種交通違法行為進行回歸分析。嶺回歸設置K值步長為0.01,選取嶺參數趨于穩定時的K值。同時考慮到空間自相關程度會影響有關方法的有效性,利用全局莫蘭指數進行分析。研究結果表明,在該空間尺度下機動車交通違法行為與非機動車交通違法行為呈現出整體較低的正向空間自相關特征,且非機動車違法行為的自相關程度明顯高于機動車[15]。

3.1 機動車交通違法行為影響因素分析

機動車交通違法行為回歸結果,如表3所示。表3中:“*”“**”“***”分別表示P<0.050,P<0.010,P<0.001。由表3可知:三類指標中均有顯著性因子,其中,綠地廣場用地、商服設施用地、交通服務設施密度、人車空間配比與道路擁擠指數均較為顯著,且與機動車交通違法行為呈正相關,每增加一個單位,機動車交通違法行為發生的數量分別增加15.2%,27.3%,13.3%,16.2%,14.0%。與多元線性回歸模型相比,顯著性影響因素一致,但影響程度較小。

表3 機動車交通違法行為回歸結果Tab.3 Regression results of motor vehicle traffic violations

由于機動車交通違法行為的空間自相關程度較低,利用非空間回歸模型相較空間回歸模型更具合理性,但空間回歸模型仍對交通違法行為的治理具有參考價值。為了更全面地探究機動車交通違法行為的影響因素,使用地理探測器的因子探測器和交互探測器分析各指標對機動車交通違法行為的影響程度及雙因子交互作用對機動車交通違法行為的影響。機動車交通違法探測因子q值,如圖5所示。從圖5可知:交通設施用地對機動車交通違法行為的解釋程度最大,但利用非空間回歸模型檢測該指標卻未檢測為顯著影響因子;交互探測排名前5位的影響指標均為雙因子增強型,且交叉口密度與交通設施用地均出現了2次。

圖5 機動車交通違法探測因子q值Fig.5 q value of motor vehicle traffic violation detection factor

綜合分析可知,商服設施用地、綠地廣場用地、交通設施用地、交通服務設施密度、交叉口密度、人車空間配比和道路擁擠指數是影響機動車交通違法行為的重要因素,能夠解釋超過50%的機動車交通違法行為。其中,商業功能類型的區域一般位于城市中心或繁華地段,附近有大量的車流和人流量,主要承擔居民的休閑、旅游、飲食等娛樂活動,增大了交通違法行為發生的可能性;交通設施用地一般認為以機動車活動為主,增加了機動車交通違法行為發生的可能性;交通服務設施、交叉口密度越大,雖然交通設施齊全、數量多、密度大,但考慮到其密度較大的場所車道繁雜,例如高速公路、高架橋、匝道等,以及車流量大、司機的視覺疲勞等原因引發交通違法事故的可能性仍不容忽視;人車空間配比與道路擁擠指數越大,表現為道路上機動車的占比越高,且人、車混行越嚴重,則發生機動車違法行為的可能性就越高,與實際情況相符。

3.2 非機動車交通違法行為影響因素分析

非機動車交通違法行為回歸結果,如表4所示。表4中:“*”“**”分別表示P<0.050,P<0.010。由表4可知:居住用地、交叉口密度指標較為顯著,且均與非機動車交通違法行為呈正相關,每增加一個單位,非機動車交通違法行為發生的數量分別增加17.9%,20.8%。

表4 非機動車交通違法行為回歸結果Tab.4 Regression results of non-motor vehicle traffic violations

使用地理探測器分析各指標對非機動車交通違法行為的影響程度及雙因子交互作用對機動車交通違法行為的影響。非機動車交通違法探測因子q值,如圖6所示。從圖6可知:公共管理與公共服務用地對非機動車交通違法行為的解釋程度最大;交互探測排名前5位的影響指標均為雙因子增強型,且公共管理與公共服務用地與交通服務設施密度均出現了3次。公共管理與公共服務用地在多元線性回歸模型中也為顯著影響因子,雖然非機動車交通違法行為的空間自相關程度較低,但顯著高于機動車,這意味著非機動車利用空間回歸模型即地理探測器的結果合理性高于機動車,與結果相符。

圖6 非機動車交通違法探測因子q值Fig.6 q value of non-motor vehicle traffic violation detection factor

綜合分析可知,居住用地、公共管理與公共服務用地、交叉口密度與交通服務設施密度是影響非機動車交通違法發生的重要因素,能夠解釋超過30%的非機動車交通違法行為。其中,居住用地、公共管理與公共服務用地的區域生活活動性強,居住、社會福利、醫療衛生等設施區域人口密集,增加了人群流量,并且相對其他區域有更低的限速,且在上下班的早晚高峰期時期具有高的行車需求,人車矛盾突出,增大非機動車違法行為產生的風險;而交叉口密度、交通服務設施密度越大,車輛與行人越密集,由于非機動車的延誤特性與運行特性[27]等容易引發非機動車交通違法行為。

3.3 典型交通違法行為影響因素分析

典型交通違法行為回歸結果,如表5所示。表5中:R2為相關性系數;“*”“**”“***”分別表示P<0.050,P<0.010,P<0.001?！靶腥撕头菣C動車違反交通信號燈通行”和“遇行人正在通過人行橫道時未停車讓行”是10種交通違法行為回歸結果中影響因素解釋性最好的非機動車和機動車典型的交通違法行為,對各影響因素進行剖析。從表5可知:在“行人和非機動車違反交通信號燈通行”這一非機動車典型違法行為中,公共管理與公共服務用地、居住用地、綠地廣場用地、土地利用熵、交叉口密度、人車空間配比呈顯著正相關,而商業辦公用地、道路擁擠指數呈顯著負相關;在“遇行人正在通過人行橫道時未停車讓行”這一機動車典型交通違法行為中,交通設施用地、公共管理與公共服務用地、綠地廣場用地及人車空間配比呈顯著正相關。

表5 典型交通違法行為回歸結果Tab.5 Regression results of typical traffic violations

用地理探測器得到地理環境特征指標對典型交通違法行為影響力的排序,如圖7所示。從圖7可知:在“行人和非機動車違反交通信號燈通行”這一典型違法行為中,前5位影響指標依次是公共管理與公共服務用地(0.772)>交叉口密度(0.540)>綠地廣場用地(0.517)>土地利用熵(0.513)>商服設施用地(0.415);交互探測器結果中,道路擁擠指數與公共管理與公共服務用地出現次數最多;而在“遇行人正在通過人行橫道時未停車讓行”這一典型違法行為中,前5位影響指標依次是公共管理與公共服務用地(0.581)>土地利用熵(0.562)>綠地廣場用地(0.457)>交叉口密度(0.439)>商服設施用地(0.406);交互探測器結果中,公共管理與公共服務用地、交叉口密度與綠地廣場用地出現的次數最多。

地理環境特征指標對兩種典型交通違法行為的影響既有差異性又有一致性。差異性表現在土地利用熵、交叉口密度對“行人和非機動車違反交通信號燈通行”違法行為的影響明顯高于“遇行人正在通過人行橫道時未停車讓行”違法行為,而公共管理與公共服務用地對兩類交通違法行為的影響均較大。

街景指標中,人車空間配比和道路擁擠指數對交通違法的影響高于其他指標,表現為道路上機動車占比更高,且人車混行更嚴重,發生交通違法行為的可能性就更高,其中,人車空間配比和道路擁擠指數是通過街景數據獲得的,然而現有研究未有效考慮街景數據的影響。針對該情況,可以考慮在人車混行嚴重的區域增加非機動車與機動車道隔離柵欄、指示牌及增加警力監管等措施來減少交通違法行為發生的可能性。因此,街景因素在一定程度上為交通違法行為影響因素的探究提供了新的視角,為治理措施的提出提供了參考依據。

3.4 交通違法行為治理建議

針對機動車違法行為的治理,需要重視車流量較大、人車混行的場所,對于路況復雜、交通信號比例較低、交通服務設施密度、交叉口密度較大的場所,可以增加機動車與非機動車隔離欄、人車分流指示牌、警力調度等措施。針對非機動車違法行為的治理,需要重視生活性強、人口密集,例如社區、市場、活動廣場等場所,需要引起注意的是,在交叉口密度較大的路段,不應忽視非機動車交通違法事故的發生。

由于各地理環境特征指標對機動車與非機動車交通違法行為的解釋程度并不適用于每一類具體的交通違法行為,且不同類型的交通違法行為違法特征的不同會導致地理環境特征指標對不同交通違法行為的解釋程度的差異。因此,需要交通管理等相關部門在制定合理的交通違法治理措施時具體問題具體對待,根據每一類交通違法行為的違法屬性,包括違法高峰時段[28]、違法熱點區域[29]、違法主要群體[30]等,有針對性地進行研究并出臺相應的治理措施。

4 結論

針對城市交通違法行為的治理需求,基于2017年福州市交通違法數據、街景數據等,提出城市交通違法行為影響因素分析框架,利用回歸分析模型和地理探測器,從機動車與非機動車兩個角度出發,探究地理環境屬性與城市交通違法行為之間的關系,得到以下3點結論。

1) 綠地廣場用地、商服設施用地、交通服務設施密度、人車空間配比、道路擁擠指數與機動車違法行為具有較密切的關系,能夠解釋超過50%的機動車交通違法行為。居住用地、交叉口密度、公共管理與公共服務用地與非機動車違法行為具有密切的關系,能夠解釋超過30%的非機動車交通違法行為。

2) 地理環境特征指標對兩種典型交通違法行為的影響既有一致性又有差異性。公共管理與公共服務對兩類典型交通違法行為的影響均較大,而土地利用熵、交叉口密度對“行人和非機動車違反交通信號燈通行”這一非機動車交通違法行為的影響明顯高于“遇行人正在通過人行橫道時未停車讓行”違法行為。

3) 地理環境特征指標對不同交通違法行為的解釋程度依賴違法行為類型。因此,交通管理等相關部門應該具體問題具體對待,有針對性地進行研究并出臺合理的交通違法治理措施。

研究仍有以下待改進之處:1) 僅用福州市一個城市的數據進行分析,有關結果在其他城市的適用性有待驗證;2) 采用數據的時效性存在一定的不足,體現在采用了2017年的交通違法數據,而街景數據為2020年的;3) 選擇研究的交通違法行為均與空間具有一定的依賴關系,未考慮與空間位置無關的交通違法行為,例如遮擋號牌、無證駕駛等。

今后的工作將考慮使用更多城市的交通違法數據進行研究,探究不同城市之間的差異;努力收集和使用時效性更好、時間更接近的數據進行研究;同時考慮納入更全面的交通違法行為種類,研究不同種類交通違法行為的影響因素。