不同時段中工程建設對工程運輸車交通事故影響研究

泮江珊 金程程 鄭元璽 王永明 牟振華

摘要：城市工程建設時間的差異對交通事故造成影響。為減少交通事故的發生，從時間角度分析工程建設對交通事故的影響，選出最合適的工程建設時間。基于歷城區工程建設項目和事故數據，運用空間統計及計量方法，對工程運輸車事故與工程項目進行相關性檢驗，探究單雙變量情況下對空間影響最顯著的季節和時段。結果表明，濟南市工程運輸車事故的空間自相關性、工程建設項目與事故空間相關性以及工程建設項目對事故的空間效應均在第三季度及凌晨時段更顯著；項目數量或項目面積的增加與交通事故量呈正相關，兩者的相關性在第三季度及凌晨時段最高。

關鍵詞：交通事故；工程建設；空間自相關；空間杜賓模型；時間維度

中圖分類號：

U491.31

文獻標志碼：A

工程建設項目為城市基礎設施的發展和改善提供了經濟機會。然而，工程建設項目中往往涉及大量運輸建筑材料的工程運輸車，且大多數為重型貨車，不僅增加了交通壓力，也增加了道路車輛的類型及發生交通事故的可能性[1-4]。國家統計局數據顯示，2016—2020年全國年平均道路交通事故230 630.4件，每年有62 905人因交通事故死亡，直接財產損失高達12.93億元。濟南市交警支隊公布數據顯示，2016年濟南市重型貨車事故占死傷事故總數的55.1%，引發各方關注[5-6]，工程建設與道路安全之間的關系值得進一步探究。交通事故的空間分布受多種因素的影響，如駕駛員行為屬性和經驗、重型車的特點以及天氣和環境路況。不同性別和年齡段的司機發生致命事故的可能性存在差異，受生理差異和認知能力等因素影響，女性駕駛員在遭遇交通事故時，死亡風險小但受傷風險高[7]。交通參與者違反交通規則以及重型貨車存在視覺盲區是重型車發生交通事故的主要原因[8-9]，工程運輸車因重量大、速度緩慢等特點，發生致命事故和嚴重財產損失事故比例更高[10]。惡劣的天氣條件和路況可能會導致工程運輸車事故的增加，例如雨雪導致路面濕滑、能見度差等因素會增加事故發生風險[11-12]；黑暗環境中發生碰撞事故概率為白天的2倍多，發生致命事故的概率為白天的9倍多[8]；風速能影響車輛的平穩運行，風速特征數據可作為重型貨車等車輛發生側翻事故的風險預測指標[13]。工程運輸車事故通常發生在工程建設項目的施工區域內，復雜的項目建設周邊環境會增加交通事故發生風險。分析建設用地周邊交通事故數據可知，城市建設施工區周邊重型貨車比例的增加和建設用地的高限速值會增加嚴重傷害事故發生概率[14]，工程運輸車事故自身具有空間依賴性，且與工程建設項目存在顯著空間正相關關系，道路與交通設施用地的建設項目對事故的影響最大[15]。工程運輸車事故時間分布存在差異性，農村主干道的早高峰時段和正午以及城市主干道的正午和夜間時段施工區死亡事故中大貨車因素的占比最高[16]，分析云南高速公路長大下坡路段重型車數據，發現00：00～07：59時段發生的交通事故嚴重程度最高[17]。目前研究大多著眼于交通事故和工程建設項目之間的關系，并未在時間維度進行相關性分析。本文運用空間計量統計學方法，探究工程建設項目與工程運輸車事故在不同時間維度的空間相關性。

1 研究數據

1.1 數據來源

研究數據來源于濟南歷城區交警部門，篩選出1 977起工程運輸車事故數據作為因變量，不同類型工程建設項目的建筑面積作為解釋變量，分為：綜合用地、居住用地、商業用地、工業用地、公共服務設施用地和道路與交通設施用地，建筑面積分別為4 143.96、7 902.87、7 587.76、319.16、696.14、340.35 hm2。

1.2 數據預處理

使用百度地圖API接口提取交通事故和工程建設項目地理位置信息，借助ArcGIS 10.7可視化處理，描繪工程運輸車交通事故和工程建設項目的空間位置分布（圖1）。考慮到鋪設混凝土的時間要求，運輸時間過長會影響使用強度，以45 min作為運輸車最長服務時間，根據最佳時間內運輸車所能行駛的距離，將研究區域劃分為1 459個1 km×1 km方格區域。

從時間維度開展歷城區交通事故數據分布特征統計分析，相比月份間的差異，季度變化差異更明顯，劃分為4個季度：第一季度（1～3月）、第二季度（4～6月）、第三季度（7～9月）、第四季度（10～12月）；工程運輸車事故主要分布在凌晨1～6時，劃分為4個時段：凌晨（1～6時）、上午（7～12時）、下午（13～18時）、晚上（19～24時）。

2 研究方法

2.1 空間權重矩陣

空間自相關分析需要定量描述鄰接區域的鄰接關系，對比分析不同矩陣的空間自相關結果，選擇空間關聯性最明顯的矩陣（表2）。構建空間計量模型統計分析時，以空間權重矩陣W表示n個位置的空間區域的鄰接關系

W=w11w12w21w22…w1n…w2n……wn1wn2………wnn（1）

其中，wij表示區域i和j的鄰接關系。

2.2 空間自相關性

（1） 全局空間自相關檢驗。全局Moran′s I（莫蘭指數）分為單變量全局Moran′s I和雙變量全局 Moran′s I，單變量全局Moran′s I揭示單變量之間的空間關聯性，雙變量全局Moran′s I揭示多變量間空間相關性[18]

S_Moran's I=∑ni=1∑nj=1wij（yi-y-）（yj-y-）S2W（2）

D_Moran's I=∑ni=1∑nj=1wij（yi-y-）（μj-μ-）S2W（3）

其中，S_Moran's I為工程運輸車事故空間自相關系數；n為區域總數；yi和yj分別為區域i和區域j的工程運輸車事故數量；y-為區域內工程運輸車事故均值；S為工程運輸車事故數量標準差。D_Moran's I為雙變量空間自相關系數；μj為區域j可服務工程建設項目數量；μ-為區域內可服務工程建設項目數量均值。

（2）局部空間自相關檢驗。全局檢驗只反映整體狀態，可能掩蓋局部狀態的不穩定性，局部空間自相關檢驗能夠更好地描述空間關系[19]，表現每個區域工程運輸車事故與其領域其他屬性的相似程度

Ii=yi-y-S2∑jwijyj-y-）（4）

I*i=yi-y-S2∑jwijμj-μ-）（5）

其中，Ii為單變量局部空間自相關系數；I*i為雙變量局部空間自相關系數。

2.3 空間回歸模型

空間自相關檢驗只能定性地分析交通事故空間特征，還需量化分析工程建設的空間效應。目前常用的空間計量模型有空間滯后模型（SLM）、空間誤差模型（SEM）和空間杜賓模型（SDM）[20]等。通過對比空間回歸模型與傳統OLS模型，擬合出最佳模型評價工程建設對工程運輸車事故的空間效應。

（1） SLM。SLM模型包含工程運輸車事故的一個空間滯后因子，其空間滯后項由空間權重矩陣W與工程運輸車事故乘積構成，用于解釋工程運輸車事故自相關情況

Y=ρWY+βX+αln+ε（6）

其中，Y為工程運輸車事故矩陣；ρ為空間自相關系數；WY為工程運輸車事故空間滯后因子，是一內生變量，反映空間距離對區域行為的作用；β為回歸系數，反映工程建設對工程運輸車事故的影響；X為工程建設項目矩陣；α為常數項；ln為N×1階單位矩陣；ε為N×1維誤差向量。

（2） SEM。SEM模型假定區域間的相互作用通過誤差項實現，空間滯后項是空間權重矩陣與誤差項乘積作為誤差項的解釋變量，但不作為工程運輸車事故的解釋變量[21]

Y=βX+αln+ε=βX+αln+λWε+ξ（7）

其中，λ為空間自相關系數；ξ為回歸誤差模型的誤差項。

（3） SDM。SDM是SLM和SEM的拓展，同時考慮工程運輸車事故和工程建設的空間相關關系，工程建設的變化會影響本區域和鄰近區域的工程運輸車事故，對SDM模型得出的空間效應進行分解，直接效應反映對本區域的影響，間接效應反映對其他區域的平均影響，總效應為直接效應與間接效應之和

Y=ρWY+βX+θWX+αln+ε（8）

其中，θ為回歸系數。

運用空間計量統計學方法對工程運輸車事故進行時間維度分析，具體步驟見圖2。

3 空間相關檢驗結果

3.1 Moran′s I計算結果分析

將數據導入Geoda進行全局空間自相關檢驗，確定最優的空間權重矩陣，所有結果均在1%置信水平上顯著，可信度較高。工程運輸車事故數據在各權重矩陣下空間相關性并不相同，“后式”權重矩陣的Moran′s I為0.323，“車式”權重矩陣的Moran′s I為0.408，“自適應核”權重矩陣的Moran′s I為0.260，“距離帶”權重矩陣的Moran′s I為0.458，“K-近鄰”權重矩陣的Moran′s I為0.407，其中“距離帶”權重矩陣下的空間關系最為明顯。對交通事故數據進行增量空間相關性計算，在距離為1.2 km時，空間相關性最明顯（圖3）。因此，最終采用“距離帶”權重矩陣，帶寬1.2 km。

基于季度和時段分別進行事故自相關檢驗并與工程建設項目進行相關性分析，證明事故空間分布位置與城市建設項目空間位置分布之間的相關性。

（1）季度。由式（1）和（2），作單雙變量全局空間自相關計算，Moran′s I值在1%置信水平上通過檢驗，可信度較高（表3）。工程運輸車事故在第三季度具有明顯的空間集聚性，且與工程建設項目在第三季度空間相關性最高。因為第三季度是工程建設項目的最佳時期，此時工程建設項目施工進度加快，工程運輸車數量劇增，導致工程運輸車事故頻發。

（2） 時段。由式（1）和（2），作單雙變量自相關計算，Moran′s I值在1%置信水平上通過檢驗，可信度較高（表4）。工程運輸車事故在凌晨時段有明顯的空間集聚性，同時與工程建設項目的空間相關性也最高。工程單位為提升工程建設效率，在符合規范的條件下，允許夜間運輸，夜間光照條件較差，從而增大了凌晨時段發生事故的風險。

3.2 局部LISA圖結果分析

使用Geoda軟件計算事故與工程建設項目相關性，繪制LISA集聚圖，分析區域局部空間單變量和雙變量相關性，將空間格局分為高—高型、低—低型、高—低型和低—高型。

（1） 季度。在季度上對單雙變量進行局部空間自相關檢驗。由圖4，工程運輸車交通事故在第三季度高—高型空間單元中數量最多，略多于第三季度工程建設項目的高—高型空間單元數量。因為第三季度氣候適宜，工程建設項目開工和建設的數量多，建筑材料需求量變大，工程運輸車數量激增，導致事故增加。

（2）時段。在時段上對單雙變量作局部空間自相關檢驗。由圖5，無論是單變量還是雙變量，高—高型空間單元在4個時段的分布數量和位置均較穩定，幾乎沒有差異，在凌晨時段和白天均顯示出高相關性。由于凌晨時段行車易犯困、工程運輸車自身存在視線盲區且凌晨時段光照條件不充足、工程運輸車超速超載等原因，導致事故頻發。

3.3 空間效應結果分析

解釋變量間存在線性關系時，會導致被解釋變量單獨影響力的估計偏差。為選出合適的模型，首先要對解釋變量進行VIF（方差膨脹系數）檢驗，然后進行OLS模型回歸分析。使用SPSS進行多重共線性檢驗，解釋變量VIF值分別為2.742、9.094、6.413、1.238、2.284、1.306，均小于10，表明不存在多重共線性。表5中，OLS模型R2為0.272，對該事故具有一定的解釋能力，但模型擬合效果一般，因此考慮引入空間計量學模型。為檢驗數據是否適用空間回歸模型，對數據進行OLS模型回歸分析，基于OLS模型進行LM檢驗，LM-error和LM-lag分別在5%和10%的置信水平上通過檢驗，Robust LM-error和Robust LM-lag均在1%的置信水平顯著，表明數據適合采用SDM模型計算（表6）。LR檢驗中，LR-error和LR-lag在1%置信水平上拒絕原假設，表明該數據下SDM模型不會退化為SEM或者SLM。空間計量模型輸出的并非真實R2，擬合優度值R2只適用于OLS模型比較。Log-likelihood值越高，AIC值和SC值越低，表明模型適用性越好，對比上述實驗結果發現SDM模型適用性最好。表7中，除W_lnPubilc變量外，其余變量的模型系數均通過5%顯著性檢驗，表明本區域和鄰近區域各變量都會對工程運輸車事故的發生產生影響，建筑面積越大，事故發生的可能性越大。綜合考慮后采用SDM模型進行后續計算。

分解SDM模型得出的空間效應，在不同時間維度分析工程建設項目對空間單元內及鄰近空間單元內交通事故的空間影響。

（1） 不同季度項目建設對事故的空間影響。運用SDM計算，得出不同季度下工程建設項目數量和不同用地類型建筑面積對交通事故的直接效應和溢出效應（表8）。從直接效應看，對空間單元內影響顯著的變量從大到小排列，依次為：項目數量、道路與交通設施、居住用地、商業用地、綜合用地，工業用地和公共服務設施用地建筑面積與事故成負相關關系。所有變量對空間單元造成的影響在第三季度均更明顯。隨著項目建設數量的增加，第三季度所在空間單元增加的事故量超過第一季度1.5倍。從間接效應看，對空間單元內影響顯著的變量從大到小排列，依次為：項目數量、道路與交通設施、商業用地、居住用地、綜合用地，空間單元內工業用地和公共服務設施用地建筑面積對鄰近空間單元的影響未通過置信度檢驗，溢出效應結果中第三季度依然最為顯著。道路施工區工程運輸車比例增加，導致嚴重事故發生的概率增加[15]，即道路與交通設施用地的工程建設項目面積增加所引發的交通事故數量遠高于其他類型工程建設項目。

（2） 不同時段項目建設對事故的空間影響。運用SDM模型進行計算，得出4個時段下工程建設項目數量和不同用地類型建筑面積對交通事故的直接效應和溢出效應（表9）。從直接效應看，對空間單元內影響顯著的變量從大到小排列，依次為：項目數量、綜合用地、商業用地、道路與交通設施、居住用地，工業用地和公共服務設施用地建筑面積與事故成負相關關系。除道路與交通設施外，其余變量在凌晨、晚上時段對事故量的影響較大。從間接效應看，對空間單元內影響顯著的變量從大到小排列，依次為：項目數量、道路與交通設施、居住用地、商業用地、綜合用地。除道路與交通設施外，其余變量在凌晨、晚上時段對事故量的影響更為明顯。原因包括夜間缺少交通管制，運輸車出現超速超載行為以及重型車存在視野盲區以及為加快大規模項目的建設進度，晚上時段不停工、夜間光照條件不充足而導致的視野受限等。

4 結論

本文基于歷城區事故數據和工程建設項目數據，運用空間計量相關方法從不同時間維度定量分析濟南市工程建設項目對工程運輸車事故的空間影響。季度上，工程建設項目與事故空間相關性在第三季度更顯著。第三季度表征兩者空間相關性的Moran's I最高，占全季度Moran's I總和28%；第三季度兩者集聚程度在4個季度中最高，高—高空間集聚單元占全季度高—高空間集聚單元29%；項目數量或項目面積的增加與交通事故量呈正相關，兩者相關性在第三季度最高，項目數量或面積每增加1%，交通事故量平均增加1.08‰。時段上，工程建設項目與事故空間相關性在凌晨時段更顯著。凌晨時段表征兩者空間相關性的Moran's I最高，占全時段Moran's I總和27%；凌晨時段兩者集聚程度在4個時段中最高，高—高空間集聚單元占全時段高—高空間集聚單元26%；項目數量或項目面積的增加與交通事故量呈正相關，兩者相關性在凌晨時段最高，項目數量或面積每增加1%，交通事故量平均增加0.79‰。

研究仍存在一定的局限性。首先，需要從宏觀時間角度綜合考慮工程建設的年限，橫向對比探究對交通事故影響更顯著的工程項目建設階段。其次，在未來的研究中可以擴大研究范圍，對同一城市不同區域按照不同時間維度進行對比。最后，雨雪天氣、光照條件等因素會影響交通事故發生的概率與嚴重程度，應增加天氣光照數據并分析其相關性，從而使數據更充足，結果更具說服力。

工程運輸車事故空間自相關性及工程建設與事故之間的空間相關性在第三季度和凌晨時段最顯著。規劃者在進行區域交通安全評價時，不僅要關注事故高發區和工程建設項目密集區域，也要根據事故高發的季節和時段采取限速、提高夜間照明條件等方式，以此減少事故發生。在城市建設過程中，合理規劃工程建設項目的分布位置和動工時間，設置明顯的標志和警告；合理調度項目間的工程運輸車，減少運輸距離和運輸次數；加強施工區域的交通管理和監管，確保施工車輛和普通車輛之間的安全協調；增設電子設備查處工程運輸車的超速超載行為；在惡劣天氣下限制工程運輸車的行駛速度，確保路面安全；在不影響市民的情況下增強夜間光照條件；控制工程運輸車在道路上的可行駛時間，避免早高峰出行，提高工程運輸車的運輸效率；對工程運輸車駕駛員進行強化培訓考試、加大違章處罰力度。通過這些措施的綜合應用，最大程度地減少工程建設項目對工程運輸車事故的空間影響，保障交通安全和施工項目的順利進行。

參考文獻

[1]LEVINE J， MERLIN L， GRENGS J. Project-level accessibility analysis for land-use planning[J]. Transport Policy， 2017， 53： 107-119.

[2]NISKA A， WENALL J， KARLSTROM J. Crash tests to evaluate the design of temporary traffic control devices for increased safety of cyclists at road works[J]. Accident Analysis & Prevention， 2022， 166： 106529.

[3]WANG Z Y， BAI Y F， ZHU R， et al. Impact analysis of extra traffic induced by project construction during planned special events[J]. Transportation Research Record Journal of the Transportation Research Board， 2019， 2673（7）： 402-412.

[4]MIRANDA-MORENO L， MORENCY P， EL-GENEIDY A. The link between built environment， pedestrian activity and pedestrian-vehicle collision occurrence at signalized intersections[J]. Accident Analysis & Prevention， 2011， 43（5）： 1624-1634.

[5]BRODIE L， BUGEJA L， IBRAHIM J E. Heavy vehicle driver fatalities： Learning's from fatal road crash investigations in Victoria[J]. Accident Analysis and Prevention， 2009， 41（3）： 557-564.

[6]LOMBARDI D A， HORREY W J， COURTNEY T K， et al. Age-related differences in fatal intersection crashes in the United States[J]. Accident Analysis and Prevention， 2017， 99： 20-29.

[7]COX A E， CICCHINO J B. Continued trends in older driver crash involve rates in the United States： Data through 2017-2018[J]. Journal of Safety Research， 2021， 77： 288-295.

[8]SULLIVAN M J. Visibility and rear-end collisions involving light vehicles and truck[D]. Michigan： The University of Michigan， 2004.

[9]王琦， 王宏雁， 陳君毅， 等. 上海市重型貨車事故特征及其安全性研究[J]. 交通與運輸（學術版）， 2016（2）： 187-191.

[10] OIKAWA S， MATSUI Y， KUBOTA N， et al. Features of fatal truck accidents compared with sedans[J]. International Journal of Automotive Technology， 2021， 22（4）： 931-939.

[11] 央美， 田華， 達瓦澤仁， 等. 那曲市公路交通事故不良天氣高影響路段及其氣象因素分析[J]. 氣象與環境學報， 2023， 39（2）： 100-106.

[12] 陳治. 考慮天氣和道路條件影響的道路交通事故嚴重程度分析及預測[D]. 北京： 北京交通大學， 2023.

[13] KIM S， SEYEDI M， KIM H K. Risk assessment of wind-induced vehicle accidents on long-span bridges using onsite wind and traffic data[J]. Journal of Structural Engineering， 2022， 148（10）： 04022155.

[14] BURKS R， SOLOKA K， CHIMBA D. Digesting factors influencing construction， maintenance and utility work zone traffic injury severities[C]// Transportation Research Board 96th Annual Meeting Compendium of Papers. Washington DC， 2017： 17-01449.

[15] MOU Z H， JIN C C， WANG H B， et al. Spatial influence of engineering construction on traffic accidents， a case study of Jinan[J]. Accident Analysis & Prevention， 2022， 177：106825.

[16] ULLMAN G L， IRAGAVARAPU V. Analysis of large truck overrepresentation in fatal work zone crashes[C]// Transportation Research Board 96th Annual Meeting Compendium of Papers. Washington DC， 2017： 17-06288.

[17] 李浩然， 彭理群， 吳超仲， 等. 基于聚類分析的重型載貨車輛長大下坡路段交通事故分析[J]. 科技導報， 2016， 34（2）： 71-75.

[18] 張松林， 張昆. 空間自相關局部指標Moran指數和G系數研究[J]. 大地測量與地球動力學， 2007（3）： 31-34.

[19] ANSELIN L. Thirty years of spatial econometrics[J]. Regional Science， 2010， 89（1）： 3-25.

[20] 王亞運， 胡堯， 丁永兵. 基于SAR模型的交通流數據分析——以貴陽市交通數據為例[J]. 銅仁學院學報， 2017， 19（3）： 112-117.

[21] SRIRAM N， RAJESH P， CHANDRA R B. On accommodating spatial dependence in bicycle and pedestrian injury counts by severity level[J]. Transportation Research Part B： Methodological， 2013， 55： 245-264.

Research on the Influence of Engineering Construction on Traffic Accidents of

Engineering Transport Vehicles in Different Time Periods

PAN Jiang-shan1， JIN Cheng-cheng2， ZHENG Yuan-xi1，

WANG Yong-ming1， MOU Zhen-hua1

（1. School of Transportation Engineering， ShandongJianzhu University， Jinan 250101， China;

2.Quzhou Transportation Design Co.， LTD.， Quzhou 324000， China）

Abstract：

The difference of engineering construction time of urban projects has a certain impact on traffic accidents. In order to reduce the occurrence of traffic accidents， the influence of engineering construction on traffic accidents is analyzed from the perspective of time， and the most appropriate engineering construction time is selected. Based on the data of engineering construction projects and accidents in Licheng District， spatial statistics and metrology methods were used to conduct correlation tests between engineering transport vehicle accidents and engineering projects， explored the seasons and periods that have the most significant spatial impact under the condition of single and dual variables. The results show that spatial autocorrelation of construction vehicle accidents， the spatial correlation between engineering construction projects and accidents， and the spatial effect of engineering construction projects on accidents in Jinan are more significant in the third quarter and early morning. The increase in the number or area of projects is positively correlated with the number of traffic accidents， and the correlation between the two is the highest in the third quarter and the early morning.

Keywords：

traffic accidents; engineering construction; spatial autocorrelation; spatial Durbin model; time dimension