Orginal Article

Spatio-Temporal Analysis of Peak Traffic Accidents in the City of Huizhou

  • ZHOU Su-hong , 1, 2 ,
  • ZHENG Zhong 1, 2 ,
  • LIU Lin , 1, 2, 3
Expand
  • 1. School of Geography and Planning, Sun Yat-sen University, Guangzhou,Guangdong 510275, China
  • 2. Guangdong Key Laboratory for Urbanization and Geo-simulation, Guangzhou,Guangdong 510275, China
  • 3. Department of Geography, University of Cincinnati, Cincinnati, OH 45221-0131

Received date: 2012-01-11

  Request revised date: 2012-02-18

  Online published: 2012-06-20

Copyright

本文是开放获取期刊文献,在以下情况下可以自由使用:学术研究、学术交流、科研教学等,但不允许用于商业目的.

Abstract

The rapid growth of automobile industries has increased traffic flows and traffic related accidents in urban areas during the recent years. Traffic jams and traffic accidents have major impacts on people’s daily life. There has been a growing body of literature investigating the characteristics and reasons of traffic accidents. A number of studies have focused on the temporal patterns of accidents and revealed that more accidents occur in day-time than night-time, afternoon than morning. However, there is no general agreement on whether peak traffic accidents always happen during the rush hours. This study aims to analyze the spatio-temporal patterns of traffic accidents in Huicheng District in Huizhou City, China. Specifically this study examines the temporal patterns of peak traffic accidents and their relationship with nearby land use. The study reveals that peak traffic accidents do not coincide with rush hours. Motor-vehicles accidents, which account for most traffic accidents, concentrate near commercial facilities, especially in the late evenings. Motor-vehicles accidents on secondary roads peak in the late evenings, while those on main roads peak right after the rush hours in the morning and the afternoon. One possible explanation of such patterns is that traffic policing is more strictly enforced and drivers are more vigilant during the rush hours.

Cite this article

ZHOU Su-hong , ZHENG Zhong , LIU Lin . Spatio-Temporal Analysis of Peak Traffic Accidents in the City of Huizhou[J]. SCIENTIA GEOGRAPHICA SINICA, 2012 , 32(6) : 649 -657 . DOI: 10.13249/j.cnki.sgs.2012.06.649

交通事故是现代社会威胁人身安全和造成经济损失的重要因素,随着中国近年来机动车数量的急速增长,城市交通事故的数量也随之不断上升,因此如何减少交通事故的发生成为城市研究关注的话题之一。为了提出交通事故的预防措施和制定有效的交通管理制度,理解交通事故发生的原因、时空间分布特征等方面是至关重要的内容。
城市交通事故研究是国内外研究的热点主题之一,研究的重点包括两类,其一是对交通事故研究方法的研究探讨,尤其是空间分析方法,其二是和对交通事故影响因素的研究。交通事故数据通常是具有社会经济属性的空间点事件,目前国内外学界已有大量点事件的空间分析方法,包括样方分析、最近临近距离、核心密度估算、K函数等[1~5] 。对交通事故影响因素的研究包括行人、机动车、道路状况、自然环境和人文因素等方面,其中被提及的因素从多到少依次是个人行为、机动车行驶速度和路面状况等[6~10]。诸多研究中隐含了不同的尺度,如交通个体的微观尺度、特定路段的中观尺度和整个城市的宏观尺度,其中城市的宏观尺度最能够说明城市交通事故的总体特征,理解整个城市的交通事故时空间分布特征是归纳事故影响因素的关键。
针对城市交通事故的时空间分布特征学界有着大量的研究,主要关注于时间分布特征和空间分布特征两方面。在时间分布特征上,一般认为城市交通事故在白天高于夜间、下午高于上午、出行高峰时段多于非高峰时段[11],弱势群体死亡事故多发生在夜间[12],并且在交通流量高峰时段,交通事故与交通流量呈正相关关系[13]。在空间分布特征上,有学者认为城市道路交通事故高发点多集中在城乡结合部位的出入口道路上[14],也有学者针对城市边缘区进行研究发现愈接近城区事故愈多, 愈远离城区事故愈少[11],且普遍同意交通干线的事故高于交通支线。但是,上述研究仅分别对时间和空间分布进行研究,鲜有二者相结合的真正意义上的交通事故时空间特征研究,且对空间的关注要重于时间,时间只是相关要素中的其中一个。因此,本文将重点研究城市交通事故的时空间关系和特征。
学界普遍接受的观点是,城市交通事故的时间分布特征是交通事故高峰会出现在交通流量高峰时段,即交通事故数量与交通流量成正相关关系。如Kingham等[15]在对新西兰克里斯特彻奇市2000~2004年的交通事故研究中显示,交通事故高峰出现在8:00,15:00和17:00,这3个时间段分别为早上班高峰,下午放学高峰和晚下班高峰。这种“常识性”的认识是交通事故时间分布特征未被重视的原因之一。但有研究发现了一个与普遍观点相反的结论,即交通事故的高峰并没有出现在上下班的交通高峰时段内,而是稍晚于上下班高峰时段,即出现在交通由拥挤到消散的时期(交通消散期)。造成这种现象的原因包括交通消散期内驾驶员谨慎程度放松、情绪烦躁、出行匆忙等方面[14]。该解释从个人行为的角度进行分析,但并未结合事故高发时段的空间特征以及相关的空间因素进行研究,且以主观的描述为主,实证支持不足。
针对城市交通事故高峰出现在交通消散期这一现象尚未有更多的研究,在西方依赖于高速公路通勤交通的背景下,交通事故数量确实与交通流量正相关[16,17]。但受众多因素的影响的城市交通是开放的系统,与封闭的高速公路事故情况不同。国内学者也少有进一步的研究。因此本文以惠州市惠城区中心城区为例,首先验证城市交通消散期内交通事故高峰现象是否存在,其次以城市交通消散期事故的特征为切入点,置于整个城市交通事故的时空间过程之中,总结交通消散期事故高峰的时空间特征,最后分析交通消散期事故高峰现象的形成原因。

1 数据与方法

1.1 数据

本研究选择惠州市中心城区作为研究区域。惠州位于广东省东南部,珠江三角洲东北端,是惠州市中心城区是惠州市,交通事故集中发生的区域。
交通事故和路网数据来源于惠州市公安局,选取2010年的50 823条交通事故记录,按5%抽样率等距抽取2 541条数据,经过自动地址匹配得到交通事故的有效空间数据1 972条,其中位于中心城区的数据有1 469条,再经过人工校核排除错误信息,最终确定1 143条空间点数据。这些数据包括事故发生地点、发生日期、发生时间、严重程度和碰撞车辆类型等属性。路网数据包括了公路、主干道、次干道和支路的9 659条多段线。

1.2 研究方法

本文采用核心密度估算(Kernel Density Estimation)对交通事故进行分析,该方法的优势在于便于研究事故危险的扩散性,即某一确定事故群的周围可看做事故的潜在发生地。核心密度估算可以在二维的地理空间内生成空间点事件的光滑密度表面,其一般形式是:
λ ( s ) = i = 1 n k π r 2 ( d is r ) (1)
其中λ(s)是位置S的密度,r是核心密度估算的搜索半径(只有r范围内的点才进行核心密度估算),k是点i到位置S距离dis的权重,k通常是disr比值的函数(kernel函数)。核心密度估算采用一种能实现距离衰减效果的模型函数,即点i到位置S的距离越远点的密度值就越低。最终,位置S在半径r范围内的所有点的密度值加和为位置S的密度。目前有多种形式的函数可以应用于以“距离衰减”为基础的空间权重的计算,通常选择kernel函数的一种,即Gaussian函数[18]
k ( d is r ) = 1 2 π exp ( - d is 2 2 r ) , 当 0 < d is r (2)
k ( d is r ) = 0 , d is r (3)
本研究使用ArcGIS9.2软件,针对不同交通方式的事故和各个时间段的事故得到一系列的交通事故密度分布图(图1)。
Fig.1 Density distribution of motor-vehicle accidents

图1 机动车事故密度分布

为了方便对交通事故空间位置的描述和分析,本研究选取若干类与交通事故有关的设施点,包括商业设施、主干道交叉口、工作地和交通设施4类。商业设施由惠州市土地利用现状图C2类商业用地的几何中心确定,结合google地图和实地调研进行校核;主干道交叉口为公路与公路、公路与主干道、主干道与主干道的交点,主干道与次干道和支路的交点不计在内;工作地由惠州市土地利用现状图除C2以外的C类公共设施用地和M类工业用地的几何中心确定,同样经过实地校核;交通设施指客运站,在惠州仅有两处。以上共提取商业设施点62个、工作地点157、主干道交叉口67个、交通设施点2个,共计288个设施点(如图2)。
Fig.2 Location of facilities
将设施分布图与事故密度图相叠加,提取设施点所在各类事故密度分布图的密度值。被提取的事故密度分布图包括4张不同交通方式的事故密度分布图和24张不同时间段的事故密度分布图。该方法把对事故密度分布图本身的描述转化为对设施点所在的密度的描述,且通过设施密度矩阵可以对不同种类设施的时间变化特征以及不同种类设施与交通事故的关系进行数量分析。

2 城市交通消散期事故高峰的验证及结构性特征

2.1 交通消散期事故高峰的验证

图3显示了惠州市中心城区交通事故量随时间呈双峰的特征,即10:30~11:30为上午的事故高峰,14:30~15:30为下午的事故高峰,12:30~13:30为中午的事故低谷。从实地调研中了解到,惠州市中心城区交通高峰时段为早上班高峰(7:30~9:30)、晚下班高峰(17:30~19:30)和中午的上下班次高峰(11:30~12:30,13:30~14:30);与此相对的交通消散期包括上午(9:30~11:30)、中午(12:30~13:30)、下午(14:30~16:30)和晚上(18:30~23:30)。
Fig.3 Traffic accidents one-day-sample of the inner City of Huizhou in 2010

图3 2010年惠州市中心城区交通事故样本量时间变化

惠州市中心区的交通事故高峰均非上下班时间段内,上午10:30~11:30之间的交通事故量大于交通流早高峰时段,下午14:30~15:30的交通事故量远大于交通流午间次高峰,在这两个时间段内证实了交通消散期事故高峰的存在。但晚间交通消散期并未出现交通事故高峰。

2.2 交通消散期事故高峰现象的结构性特征

2.2.1 交通方式结构
在抽样得到的1 143次交通事故中,机动车、摩托车、自行车和行人相关的事故数量分别为969次、214次、190次和85次。事故的交通方式按发生冲突的交通主体双方的车辆类型共同判断,如机动车和摩托车碰撞的事故分别统计到机动车事故量和摩托车事故量中,因此4种交通方式事故量的加总值大于全部交通事故量。图4显示,机动车事故的时间变化趋势与全部事故的时间变化趋势基本一致,说明机动车事故在城市交通事故中占据了主导位置,即交通消散期事故高峰现象的形成主要由机动车造成。摩托车事故在上午、下午和晚上出现3个高峰,而自行车和行人事故未显现出明显的高峰。
Fig.4 Traffic accidents one-day-sample by traffic modes

图4 不同交通方式事故样本量时间变化

2.2.2 设施结构
设施密度矩阵反映了商业设施、工作地、主干道交叉口和交通设施对交通事故的影响,计算某类设施(如商业设施)的全部设施点在某个时段(如7:00~8:00)密度的平均值,从而得到不同设施事故平均密度的时间变化图(图5)。由于交通设施仅有两个点,密度变化的随机性较大,不具有一般规律性,故未将其纳入对比中。影响事故的重要程度依次为商业设施、主干道交叉口和工作地;7:30~22:30之间3类设施的平均密度最低值均出现在交通流午间高峰期12:30~13:30,事故高峰期都出现在交通消散期,其中,商业设施和主干道交叉口的平均密度最高值出现在消散期中的14:30~15:30,工作地的平均密度最高值则出现在16:30~17:30;商业设施在20:30~22:30出现了夜晚消散期的峰值,工作地和主干道交叉口则未出现。
Fig.5 Kernel density index of traffic accidents in one day by facilities

图5 不同设施事故平均密度时间变化

2.2.3 道路等级结构
将惠州市中心城区城市道路分为主干道(包括公路和城市主干道)、次干道和支路,选择距事故距离最近的路段并确定所在道路等级,分别统计各等级道路的事故量,并显示其时间变化(如图6)。从变化趋势看,主干道事故在交通消散期出现事故高峰现象明显,且出现在早上和下午;次干道事故最高值出现在下午消散期中的16:30~17:30,次高值为15:30~16:30,而上午的事故最高值为9:30~10:30,是典型的早交通消散期事故高峰;支路交通事故的波动性较大,早交通流量高峰和晚交通流量高峰都出现支路事故高峰,但最高值出现在下午的14:30~15:30,同时注意到支路上的交通事故出现了晚交通消散期高峰现象,即20:30~22:30间的交通事故量多于晚交通高峰期的事故量。
Fig.6 Traffic accidents one-day-sample by road levels

图6 不同等级道路事故样本量时间变化

2.2.4 时空关系
为使惠州市惠城区交通事故的时空分布特征更为清晰直观,基于24张所有时间段的设施点密度分布图,将全天的交通事故的空间分布进行抽象性简化,形成交通事故时空分布示意图(图7)。以距离为横轴、时间为纵轴构造坐标系,横轴的正方向分布与交通有关的设施(主干道交叉口和交通设施),横轴的负方向分布商业设施;横轴上设施点按距离依次排列在横轴上,并分为内圈层、中圈层和外圈层;最后将每个时间段内各个设施点的密度在坐标系中显示。
Fig.7 Spatial-temporal pattern of traffic accidents in the inner City of Huizhou

图7 惠州市中心城区交通事故时空分布示意

从早上7:30开始,交通事故显示出集聚的特征,主要发生在城市外围的河南岸汽车站和连接新老城区的合生大桥。9:30~11:30的上午交通消散期中,事故主要集中发生在惠州汽车总站和圆通桥南。惠州汽车总站是行人和车辆汇集的和公共交通和过境交通枢纽,同时也存在摩的等非正规交通方式,交通流复杂,因此在立交桥的桥上和桥下都成了交通事故多发地。圆通桥是行人从惠州汽车总站进入城区内部的交通要道,本交通消散期内的事故密度略高于惠州汽车总站。11:30~14:30为事故数量的低谷时段,且分布较为分散。
下午交通消散期中14:30~15:30是全天事故数量最多的时段,该时段的事故空间分布图显示交通事故涉及范围很广,且主要围绕商业设施——花边岭广场和百佳超市,但事故密度却未达到全天最高值。15:30~16:30的事故密度值为全天最高,且集中性非常强,主要集中在花边岭广场,该广场道路交叉口为五岔口,周围有大商场、专卖店等市级商业设施,同时是经由西枝江大桥通往新城区的重要交通节点。16:30~17:30事故主要发生在两个汽车站,说明部分行人开始离开城市。20:30~22:30的晚上交通消散期中,尽管在总量上未出现交通事故峰值,但事故集中程度较高,主要集中在花边岭广场等商业设施。
总体上,全天之中以12:30和19:30两个时间点为界,可将全天分为上午、下午和晚上。上午的事故主要发生在主干道交叉口和交通设施,具体地点为桥头和汽车站,其中以惠州汽车总站和圆通桥南最为突出;下午的事故在商业设施、主干道交叉口和交通设施均有分布,其中花边岭广场的事故密度值持续较高;晚上的交通事故仅发生在商业设施,又以花边岭广场最为显著。因此惠州市中心城区全天的交通事故的总体特征可以表述为:随着时间的变化,事故高发地从主干道交叉口和交通设施逐渐向商业设施转移。

2.3 不同交通消散期事故的特征及其差异

2.3.1 不同交通消散期事故的特征
前述表明,惠州市中心城区上午存在交通消散期(9:30~11:30)事故高峰现象。从道路结构上看,主干道和次干道事故与上述特征吻合,但支路事故却显示出较大差别,即在城市交通流量高峰期(7:30~8:30)的支路事故高于之后的3个小时,说明早交通消散期事故高峰的形成主要与主干道和次干道有关,与支路关系不大。从设施相关的交通事故看,商业设施相关事故出现了交通消散期事故高峰,而主干道交叉口和工作地相关事故并未出现交通消散期事故高峰。从交通早高峰进入交通消散期的过程看,事故易发地从城市外围(合生大桥和河南岸汽车站)转入城市中心,之后稳定在城市中心(惠州汽车总站和圆通桥南),可见上午交通消散期高峰的产生主要受居民从汽车站进出城市行为的影响。
对比13:30~14:30的交通返工高峰,在下午交通消散期内(14:30~16:30)事故的数量和密度均达到了全天的最高值,主要发生在主干道、支路、商业设施周边和主干道交叉口等,尽管不是次干道事故和工作地相关事故的最高发时段,但总量上也出现了交通消散期高峰现象。在空间分布上,从14:30开始交通事故的空间分布特征发生了明显的变化,即由上午的交通设施相关事故转向商业设施与交通设施相关事故并存,涉及范围较广,且该时段的密度最高值发生地为大型商业设施;15:30~16:30的事故更加集中,花边岭广场等商业设施相关的事故密度达到了全天的最高值。可见,居民消费娱乐行为是下午交通消散期事故高峰形成的最主要原因。
晚间交通消散期(18:30~23:30)在事故总量上并未出现高峰。主干道、次干道、主干道交叉口和工作地等相关的事故高峰都在晚下班高峰期,随后事故量随时间而下降。若将晚间交通消散期划分为前段(18:30~20:30)和后段(20:30~23:30),与商业设施和支路相关的交通事故量在晚消散期后段出现峰值,特别是在花边岭广场等商业设施出现较强的空间集聚性。
2.3.2 交通消散期事故高峰的差异
交通消散期事故高峰现象是一个复杂的时空现象,依据不同的时段和不同的标准显示出多样化的特征。在诸多标准中,事故总量是交通消散期事故高峰现象最重要的判断标准,而其他标准能说明交通消散期事故的具体特征(表1)。
Table 1 Differences of peak traffic accidents

表1 交通消散期事故高峰差异

判别标准 上午交通消散期 下午交通消散期 晚间交通消散期
9:30~11:30 14:30~16:30 18:30~20:30 20:30~23:30
事故总量 × ×
道路等级 主干道事故 × ×
次干道事故 × ×
支路事故 × ×
设施类型 主干道交叉口 × × ×
商业设施 ×
工作地 × × ×

注:√表示存在交通消散期事故高峰,×表示不存在交通消散期事故高峰。

在事故总量上,交通消散期事故高峰存在于上午交通消散期(9:30~11:30)和下午交通消散期(14:30~16:30),与广州、西安、哈尔滨等大城市交通消散期高峰的现象[14]的不相同点在于惠城区不存在晚间交通消散期事故高峰。主干道事故、次干道事故和工作地相关事故的消散期高峰现象也发生在上午交通消散期和下午交通消散期;主干道交叉口相关事故的消散期高峰现象仅存在于下午交通消散期;支路事故和商业设施相关事故都在晚间交通消散期后段出现了事故高峰。在所有的判别标准中,均存在下午交通消散期事故高峰现象,均不存在晚间交通消散期前段的事故高峰现象。

3 交通消散期事故高峰成因分析

3.1 主要影响因素

3.1.1 机动车为主导的交通方式与驾驶行为
机动车事故在交通事故中占据了主导地位,机动车行为是交通消散期事故高峰现象形成的最主要逻辑。交通高峰期的机动车有着明确的目的地,驾驶行为谨慎而规范;在交通消散期机动车的目的地并不如工作目的地那样熟悉,随着交通管制力度的下降更容易违反交通规则,且驾驶的谨慎程度也不如交通高峰期。相比之下摩托车、自行车和行人则处在交通事故的从属地位。
3.1.2 不同空间设施交通需求的时空差异
商业设施、主干道交叉口、工作地和交通设施对交通事故的发生具有不同的影响,从中可以透视交通消散期事故高峰现象的形成原因。
商业设施相关事故的交通消散期事故高峰现象最为明显。首先,城市的商业设施具有很强的集聚性,居民最主要的消费目的地往往只有若干个大商场和特色商业设施,在特定的时间段内吸引了城区各地的交通,容易诱发交通事故;其次,大型商业设施通常位于城市的繁华地段,通过性交通与进出商业设施的交通相互混杂,容易引起交通事故的发生;第三,大部分的消费休闲交通发生在交通消散期,使得因上述两方面引起的事故量超过交通高峰期。
主干道交叉口相关事故的交通消散期事故高峰现象不明显。主干道交叉口相关事故与交通流量有着最直接的关系,即交通流量越大,越容易发生交通事故,因此主干道交叉口对交通消散期事故高峰现象的产生具有抑制作用。
工作地相关事故的交通消散期事故高峰现象不明显,很显然工作地相关事故的发生是由通勤交通决定的。但惠城区中心城区没有工作地集聚区,工作地对交通事故的影响不大。 惠州市中心城区的交通设施只有两处,与大型商业设施类似,交通设施会在特定时间特定路段吸引交通,并且有着复杂的交通状况。居民进出城市的行为主要发生在上午,从交通高峰期延续到交通消散期,并在交通消散期得到加强,使得交通消散期事故密度大于交通高峰期。
3.1.3 不同等级道路的环境和交通管制差异
若不考虑20:30~22:30时段,主干道和次干道的交通消散期事故高峰现象比支路明显。首先,主干道和次干道在交通高峰期的管制力度大,能够有效地规范驾驶员的行为,进入交通消散期时交通管制力度下降会产生更多的违规驾驶,但交警往往疏于支路的交通管制,在交通高峰期和交通消散期支路的管制力度差别不大,使得更多的碰撞发生在交通高峰期;其次,主干道和次干道在交通高峰期的交通通行速度较慢,进入交通消散期后速度加快,容易诱发交通事故,而支路的通行速度较慢,在交通高峰期和交通消散期的差别不大,因此更多的碰撞仍然会发生在交通高峰期。但是在20:30~22:30时段内支路事故出现了交通消散期事故高峰现象,主要与支路不尽完善的道路状况和照明等环境因素有关。

3.2 主要成因分析

3.2.1 居民集中在交通消散期的非通勤交通行为
通勤交通和非通勤交通是城市交通中的两种交通行为,很显然交通消散期的事故是由非通勤交通造成的,交通消散期事故高峰现象产生的根本原因在于非通勤交通引起的事故数量大于通勤交通事故数量。
非通勤交通与整个城市居民出行行为密切相关,主要包括两种:从汽车站进出城市的行为和消费休闲行为。居民进出城市行为发生在上午(8:30~11:30),惠州汽车总站是惠州市中心城区最主要的长途汽车站,汽车站周边交通情况复杂,因此9:30~11:30时段内的事故数量超过了早交通高峰的事故数量。居民的消费休闲行为开始于14:30,这种惠城区居民与大城市不同的特有的生活方式直接导致了14:30~16:30时段内事故数量最高峰的出现。在晚间尽管未形成消散期事故高峰,但20:30~22:30之间事故再次在花边岭广场集中出现且为全天事故密度次高值,印证了消费休闲出行是交通事故产生的重要因素。
与交通高峰期相比,交通消散期的出行行为目的性更强、目的地更为集中,从而在空间上产生了交通事故黑点(black spots),进而造成交通消散期事故高峰的产生。
3.2.2 特定路段的小时交通量高峰出现在交通消散期
传统观点认为交通事故与交通流量呈正相关关系,因此交通事故高峰应该发生在交通流量高峰,即交通流量越大则车辆间碰撞的机会就越大。同时,交通消散期事故高峰现象表明较小的交通流量也可能产生更多的交通事故。因此,对于交通流量与交通事故的相关性不应只考虑整个城市的全部交通,而应该考察特定路段的小时交通量。交通高峰期是整个城市内居民从居住地移动到工作地的大范围交通行为,几乎涵盖了城市的所有路段;而交通消散期的交通则发生在部分路段,可能不会出现交通繁忙路段,也可能出现交通异常繁忙的路段。
17:30~18:30时段的交通事故量为全天的次高值,表明较大的交通流量仍然会产生较多的交通事故。在这样的判断下,可以推测交通消散期事故高峰现象是由特定时间特定路段的大交通流量造成的。而非通勤交通以较小的交通流量引起更多的交通事故,是因为在特定时间的特定路段产生了交通集聚,复杂的交通情况使得交通事故频频发生,即特定路段的小时交通量高峰出现在交通消散期,从而形成交通消散期事故高峰现象。
在晚间,交通事故与交通流量呈正相关的关系,与上午存在交通消散期事故高峰现象的情况不同。晚下班高峰的交通情况比早上班高峰复杂,因为晚下班高峰既包含了通勤交通,也包含了非通勤交通(餐饮、购物和娱乐等),而晚间交通消散期前段非通勤交通引起的事故并未大于晚下班高峰期,因此并未产生交通消散期的事故高峰。
3.2.3 交通消散期内松懈的交通管制和驾驶行为
交通高峰期是交通管制最为严格的时段,对机动车司机驾驶行为的规范可有效地遏制交通事故的发生;但进入交通消散期时,交通管制力度有所下降,交通违规行为会造成更多的碰撞。同样地,在交通高峰期司机注意力集中,进入交通消散期时精神随之放松,驾驶的注意力下降,且更容易发生交通违规行为。夜间并未出现交通消散期事故的高峰现象,是因为在夜间司机会驾驶得更加谨慎。
在交通高峰期,通勤交通的目的性很强,司机熟悉通勤路段的路况,并且明确地知道目的地所在;在交通消散期,司机可能不知道目的地的确切所在地,或者不熟悉驾驶路段的情况,甚至根本没有明确的目的地,这种不规律的交通行为也是交通事故发生的潜在诱因之一。

4 结论与讨论

1) 交通消散期事故高峰现象的验证:交通消散期事故高峰现象确实存在,但仅存在于上午和下午的交通消散期。
2) 交通事故的结构性特征:机动车在交通事故中占据绝对的主导地位;商业设施相关事故的交通消散期事故高峰现象最为明显,主干道交叉口相关事故的交通消散期事故高峰现象最不明显;支路事故在晚间交通消散期后段出现了事故高峰。
3) 交通事故的时空特征:从上午到晚上,交通事故黑点从交通设施(惠州汽车总站)转移到商业设施(花边岭广场)。
4) 交通消散期事故的具体特征:主干道事故、次干道事故和工作地相关事故的消散期高峰现象发生在上午交通消散期和下午交通消散期;主干道交叉口相关事故的消散期高峰现象仅存在于下午交通消散期;支路事故和商业设施相关事故在晚间交通消散期后段出现了事故高峰。
5) 交通消散期事故高峰现象的成因:居民从汽车站出入城市的行为和购物娱乐行为引起的非通勤交通造成了特定路段、特定地点的大量交通是交通消散期事故高峰现象形成的最主要原因,交通消散期内松懈的交通管制和驾驶行为则加强了这一作用。

The authors have declared that no competing interests exist.

[1]
Bailey T C, Gatrell A C.Interactive Spatial Data Analysis[M]. Essex: Longman,1995.

[2]
Silverman B W.Density Estimation for Statistics and Data Analysis[M]. London: Chapman Hall,1986

[3]
Pulugurtha S S, Krishnakumar V K. Nambisan S S.New methods to identify and rank high pedestrian crash zones: An illustration[J]. Accident Analysis and Prevention,2007,39(4): 800-811.

[4]
Krisp J M, Durot,S.Segmentation of lines based on point densities-An optimisation of wildlife warning sign placement in southern Finland[J]. Accident Analysis and Prevention,2007,39(1): 38-46.

[5]
Erdogan S, Yilmaz I, Baybura T.Gullu.Geographical information systems aided traffic accident analysis system case study: city of Afyonkarahisar[J]. Accident Analysis and Prevention,2008,40(1): 174-181.

[6]
Ali S A.Analysis of traffic accidents at urban intersections in Riyadh[J]. Accident Analysis and Prevention2003,35(7):717-724.

[7]
Michal Bíl,Martina Bílová,Ivo Müller.Critical factors in fatal collisions of adult cyclists with automobiles[J]. Accident Analysis and Prevention,2010,42(4): 1632-1636.

[8]
Geurts K. Wets G, Brijs T. Vanhoof. K.Profiling high frequency accident locations using associations rules[J]. Steunpunt Verkeersveiligheid bij Stijgende Mobiliteit.2003.

[9]
Kong C Yang J. Logistic regression analysis of pedestrian casualty risk in passenger vehicle collisions in China[J]. Accident Analysis and Prevention,2010,42(11): 987-993.

[10]
Scheiner J, Holz-Rau C.A residential location approach to traffic safety: Two case studies from Germany[J]. Accident Analysis and Prevention,2011,43(8): 307-322.

[11]
程连生,冯嘉苹.北京城市边缘交通事故地理研究[J]. 经济地理,1995,15(1):98~104.

[12]
缪明月,陈艳艳,王振华,张广厚.城市交通弱势群体路段事故原因及行为分析[J]. 武汉理工大学学报,2010,34(2):285~288.

[13]
杜卫卫,姜立春,刘付衍华.基于交通流量的城市交叉口事故预测研究——以广州市为例[J].华东交通大学学报,2009,26(5):19~25.

[14]
陈宽民,王玉萍.城市道路交通事故分布特点及预防对策[J].2003,(3):84~87.

[15]
Kingham S, Sabel C E, Bartie P.The impact of the ‘school run’ on road traffic accidents: A spatio-temporal analysis[J]. Journal of Transport Geography,2011,19(8): 705-711.

[16]
Jones B, Janssen L, Mannering F.Analysis of the Frequency and Duration of Freeway Accidents in Seattle[J]. Accident Analysis and Prevention,1991,23(4): 239-255.

[17]
Ayres T J, Li L, Schleuning D, Young D.Preferred Time-Headway of Highway Drivers[J]. Intelligent Transportation Systems Conference Proceedings,2001,(8): 25-29.

Outlines

/