考虑抵达时间成本的道路交通事故风险评估方法

doi:10.3785/j.issn.1008-9497.2024.02.002

考虑抵达时间成本的道路交通事故风险评估方法

孙克染^,^,¹, 王颖志², 张丰^,^,¹^,³, 刘仁义¹^,³

1.浙江大学地球科学学院, 浙江杭州 310058

2.浙江警察学院交通管理工程系, 浙江杭州 310053

3.浙江大学浙江省资源与环境信息系统重点实验室, 浙江杭州 310058

A road traffic accident risk assessment method considering the arrival time cost

SUN Keran^,^,¹, WANG Yingzhi², ZHANG Feng^,^,¹^,³, LIU Renyi¹^,³

1.School of Earth Sciences，Zhejiang University，Hangzhou 310058，China

2.Department of Traffic Management Engineering，Zhejiang Police College，Hangzhou 310053，China

3.Zhejiang Provincial Key Laboratory of Geographic Information Science，Zhejiang University，Hangzhou 310058，China

通讯作者: ORCID：https：//orcid.org/0000-0003-1475-8480，E-mail：zfcarnation@zju.edu.cn.

收稿日期: 2022-08-01 修回日期: 2023-05-19 接受日期: 2023-05-30

基金资助:

国家自然科学基金资助项目. 42271466

Received: 2022-08-01 Revised: 2023-05-19 Accepted: 2023-05-30

作者简介 About authors

孙克染（1998—），ORCID：https：//orcid.org/0009-0002-4795-5077，男，硕士研究生，主要从事道路交通安全与地理数据高性能计算研究，E-mail：krsun@zju.edu.cn. , E-mail：krsun@zju.edu.cn

摘要

道路交通事故频发，给生命财产造成重大损失，给社会生活带来重大影响。现有针对道路交通事故风险的研究未建立有效的道路网络模型，难以准确描述交通事故风险在道路上的传播特点，评估准确度不高。基于此，提出了一种基于抵达时间成本的网络地理加权回归方法，并利用某县级市2018—2020年的道路、交通违法、交通事故、城市POI等数据开展实验，结果表明，基于抵达时间成本的网络地理加权回归方法融合了交通事故风险在道路上的传播性质，显著降低了评估误差，能够有效评估道路交通事故风险及其影响因素；市中心区域道路交通事故高风险区域主要集中在车流量较大的道路交会处与部分交通设施尚不完备的道路；各类交通违法数量、城市POI对道路交通事故风险的影响程度不同，且具有很强的空间异质性。

关键词： 道路交通事故 ; 成本网络地理加权回归 ; 抵达时间成本 ; 空间分析

Abstract

Road traffic accidents occur frequently and have significant impacts on life, property, and society. However, existing researches on road traffic accident risk pay little attention on establishing an effective road network model that accurately describes the transmission characteristics of traffic accident risk. As a result, the accuracy of risk evaluation is limited. To address this issue, we propose a network geographically weighted regression method based on arrival time cost. We conduct experiments using data from roads, traffic violations, traffic accidents, and urban points of interest (POIs) in a city from 2018 to 2020. The experimental results demonstrate that the network geographically weighted regression method, based on arrival time cost, incorporates the propagation nature of traffic accident risk on the road. It significantly reduces evaluation errors and effectively evaluates road traffic accident risk and its influencing factors. The downtown area of the city exhibits high accident risk, primarily concentrated at intersections with heavy traffic flow and certain road points with inadequate transportation facilities. The impact of different types of road traffic violations and urban POIs on the risk of road traffic accidents varies significantly and exhibits strong spatial heterogeneity.

Keywords： road traffic accidents ; cost network geographically weighted regression ; arrival time cost ; spatial analysis

PDF (4146KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

孙克染, 王颖志, 张丰, 刘仁义. 考虑抵达时间成本的道路交通事故风险评估方法. 浙江大学学报(理学版)[J], 2024, 51(2): 143-152 doi:10.3785/j.issn.1008-9497.2024.02.002

SUN Keran, WANG Yingzhi, ZHANG Feng, LIU Renyi. A road traffic accident risk assessment method considering the arrival time cost. Journal of Zhejiang University(Science Edition)[J], 2024, 51(2): 143-152 doi:10.3785/j.issn.1008-9497.2024.02.002

0　引言

交通工具的发展和道路的不断完善为人类提供便捷的同时，也面临更加复杂的交通状况与更加严峻的交通风险。根据国家统计局的相关数据，2020年，全国共发生道路交通事故244 674起，造成61 703人死亡、250 723人受伤，直接财产损失13.1亿元^［1］。针对这一情况，国家有关部门出台了针对性政策，防范的侧重点聚焦于完善法律法规、驾驶员教育培训等方面，对执法人员的指导和意见相对较少，忽视了与道路强相关的环境设施。

当前对道路交通事故风险的研究主要有2种思路。一种是基于道路交通事故相关影响因素，如人、车、环境、时间等，借助统计分析、数据挖掘等方法，寻找道路交通事故与影响因素之间的强关联规则，从而挖掘道路交通事故发生的原因。王长君等^［2］系统分析了由重点违法行为导致的交通事故数据，归纳了各类违法行为对事故发生的贡献；刘林才等^［3］利用零截尾负二项模型，对10类交通违法行为与3类事故间的关系进行建模，获得了较高的预测精度，发现了不同违法行为可能导致的不同事故类型；朱彤等^［4］构建了考虑均值与方差异质性的随机参数零膨胀泊松模型，郭淼等^［5］通过构建逻辑回归算法模型发现，不同类型的违规行为对于驾驶员事故频率的影响存在明显区别。同时，不少研究采用Apriori算法^［6-7］、XGBoost算法^［8］、GM（1，N）的时间序列方法^［9］、Bi-LSTM预测方法^［10］等机器学习、深度学习方法对交通事故进行分析和预测。这种研究思路在一定程度上可以分析事故诱因、预测事故的发生概率，但是往往会忽略或者压缩事故的空间属性，对事故风险的空间定位能力有限。

另一种聚焦于交通事故的空间分布特征。利用空间聚类方法^［11］、空间滞后回归模型^［12］、空间Logistic模型^［13］、地理加权回归模型^［14-15］等，充分考虑各影响因素之间的地理关联性，对道路交通事故风险的空间分布有相对较好的解释。黄晓丽等^［16］利用灰色关联分析法确定指标权重，运用模糊综合评价法定量计算风险值，并将其应用于我国31个省，总结了我国道路交通安全风险在省级尺度上的分布特点；蔡晓禹等^［17］分析了异常驾驶行为高发位置与道路交通事故发生位置的关联性，提出了基于改进熵权法的道路交通安全熵计算方法，验证了道路交通安全熵与由交通事故表征的道路交通安全状态的趋势一致，并将该方法用于标定道路事故风险等级。然而，这些研究大多忽略了道路交通事故与道路之间的强关联性，虽也有少量研究考虑了道路网络，但只是简单地将道路网络距离作为空间距离进行建模^［18］，忽略了道路本身的属性，例如忽略了通行方向、限速、道路级别、桥梁和隧道等因素，造成道路模型不够准确和完善。

本文在既有研究基础上，提出一种基于抵达时间成本的网络地理加权回归建模方法，以某市为研究区域，结合道路网络、交通违法、城市POI等数据，对城市道路交通事故进行回归建模，从而挖掘出需重点排查、监管、整治的交通事故高风险区域，进一步为有关部门的工作提供数据支持，尽可能有效降低道路交通事故发生率。

1　研究区概述

选取我国某典型县级市作为研究区（图1），该市陆地面积699.92 km²，总面积863 km²，市辖4个街道、8个镇，常住人口107万。该市交通网络发达，全长1 694.0 km，其中国道7.5 km，省道59.7 km，县道328.5 km。对外依托“三横四纵十六互通”的高速公路体系，对内形成市域“一环两横三纵四连”的快速路体系。市区内道路交错纵横，郊区交通网络密布，随着驾驶人和车辆数的增加，交通出行压力与日俱增，交通隐患日渐凸显，为该市道路交通管理和执法工作带来了巨大的挑战。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区范围与主要道路示意

Fig.1 Map of the administrative scope and main roads of the research area

2　数据与方法

2.1　数据来源

行政区边界数据来自全国地理信息资源目录服务系统1∶100万全国基础地理数据库（https：//www.webmap.cn/commres.do？method=result100W）。城市道路数据主要来源于OpenStreetMap开放数据与全国地理信息资源目录服务系统1∶25万全国基础地理数据库（https：//openmaptiles.org）。城市POI数据来源于百度地图开放平台提供的POI数据服务接口（https：//lbsyun.baidu.com/products/map）。2018—2020年交通违法与交通事故数据来源于基层一线公安机关，已经严格脱敏处理，不含个人隐私信息。

2.2　研究方法

2.2.1　道路交通事故风险建模方法

为了区分不同风险程度的交通事故，交管部门常用死亡人数、重伤人数、轻伤人数和直接财产损失作为评定指标，量化事故风险，故选用“道路交通事故当量死亡人数计算模型”^［19］，计算式为

D_{e} = D + K_{z} Z + K_{q} Q + K_{c} C

，（1）

其中 $， D_{e}$ 为当量死亡人数， $D ， Z ， Q ， C$ 分别为交通事故中的死亡人数、重伤人数、轻伤人数、直接经济损失（万元）， $K_{z}$ ， $K_{q}$ ， $K_{c}$ 分别为重伤人数、轻伤人数、直接经济损失（万元）对当量死亡人数的换算系数，分别取0.06，0.01和0.024。

参照《公路交通事故多发点段分类参考标准》，2018—2020年道路交通事故风险类别如表1所示。

表1 道路交通事故风险类别

Table 1 Road traffic accident risk category

道路交通事故

风险类别

250 m道路分段当量

死亡人数之和/人

一类

>5.5

二类

（3.5，5.5］

三类

（1.5，3.5］

新窗口打开| 下载CSV

由表1，以250 m为单位，对城市通行道路网络分段，将每一分段作为一个最小分析单元，道路分段的中心点作为当前分析单元在网络中的位置，用于计算与其他分析单元之间的空间距离。

2.2.2　通行时间成本网络建模方法

道路交通事故与道路具有强关联性，因此对道路交通事故的空间建模以道路作为强约束是合理且必要的。最基本的道路网络建模是将道路网络视作无向图，将网络距离视作道路中的空间距离^［12］，这种建模方式可以便捷地将事故发生位置限制在道路上，但忽略了道路本身的特性。

图2展示了道路交通事故风险在双向四车道上传播的示意图，可知，点位1的风险可直接沿道路行车方向传播至点位2，但由于受通行方向的限制，点位2的风险无法逆向传播至点位1，需沿着道路行车方向绕行其他道路才可能对点位1产生影响。可以说，（1）交通事故风险在道路上的传播是有方向性的，且与道路行车方向一致，距离越大，影响越小；（2）由于不同道路的限速要求不同，事故风险在不同道路上的传播速度也不同，因此使用通行时间成本作为传播距离是相对合理的。综上，研究道路上某位置的事故风险可以关联发生在其附近的事故，这些事故对当前位置的影响权重与这些事故点位抵达当前位置的道路通行时间成本强相关。为此，需根据道路实际通行情况，建立道路通行时间成本网络数据集，参数信息如表2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 道路交通事故风险在道路上的传播示意

注　圆圈表示双向四车道上的两个位置，粗箭头表示点位1风险对点位2影响的传播路径。

Fig.2 The spread of road traffic accident risk on the road

表2 道路通行时间成本网络数据集参数

Table 2 Road travel time cost network dataset parameters

网络数据集字段类型	说明	算法
成本	近似通行时间成本	$C_{t}$
限制	单行限制	B/F

注 B/F是一种对单行道路的限制算法，用于判断单行方向是否与线要素的数字化方向一致。

新窗口打开| 下载CSV

近似通行时间成本是对某条道路最快通过时间的近似表达，其计算式为

C_{t} = \frac{d}{v_{m a x} l n (1 + N_{l a n e})}

，（2）

其中 $， C_{t}$ 为近似时间成本， $d$ 为道路长度， $v_{m a x}$ 为道路平均限速， $N_{l a n e}$ 为道路平均单向车道数。不同类型道路的平均单向车道数和平均限速详见表3。

表3 不同类型道路的平均单向车道数和平均限速

Table 3 Average number of lanes and average speed limits for different types of roads

道路类型	平均单向车道数	平均限速/（km·h^-1）
高速公路	4	100
国道（穿越城市）	3	50
省道（穿越城市）	3	50
县道（穿越城市）	2	50
乡镇村道	1	20
市区一级道路	4	60
市区二级道路	3	40
其他道路	2	25

新窗口打开| 下载CSV

2.2.3　时间成本网络地理加权回归建模方法

线性回归是统计分析中的重要方法，传统的多元线性回归通常假定回归区域的变量关系是一致且平稳的，而这与实际存在的空间异质性不符。在地理学领域，常用地理加权回归（geographically weighted regression，GWR）方法解决此问题，GWR容许直接模拟不平稳的数据，用邻近数据的观测值估计局部回归，此变量随空间位置的变化而变化。如果将GWR中的空间距离替换为成本网络距离，则为成本网络地理加权回归（cost network geographically weighted regression，CNGWR），CNGWR模型为

y_{i} = β_{0} (u_{i}, v_{i}) + \sum_{k = 1}^{p} β_{k} (u_{i}, v_{i}) x_{i k} + ε_{i}

，（3）

其中， $i$ 表示第 $i$ 个位置， $y_{i}$ 表示第 $i$ 个位置的因变量， $u_{i}$ ， $v_{i}$ 分别表示第 $i$ 个位置的地理横、纵坐标， $k$ 表示第 $k$ 个自变量， $p$ 表示参与回归的自变量个数， $x_{i k}$ 表示第 $i$ 个位置的第 $k$ 个自变量， $β_{k} (u_{i}, v_{i})$ 为第 $i$ 个位置的第 $k$ 个自变量的回归系数， $β_{0} (u_{i}, v_{i})$ 为第 $i$ 个位置的常数项系数。

通过数学变换，将定义式改写为矩阵式：

\hat{β} (u_{i}, v_{i}) = [X^{T} {W (u_{i}, v_{i}) X]}^{- 1} X^{T} W (u_{i}, v_{i}) Y

，（4）

其中， $\hat{β} (u_{i}, v_{i})$ 表示第 $i$ 个位置的回归系数矩阵， $X$ 表示样本自变量矩阵， $Y$ 表示样本因变量矩阵， $W (u_{i}, v_{i})$ 表示第 $i$ 个位置的空间权重矩阵，其为对角矩阵，常用bi-square算法计算空间权重，计算式为

ω_{i j} = {[1 - {(\frac{C_{t}}{b})}^{2}]}^{2}

，（5）

其中， $C_{t}$ 表示 $j$ 位置抵达 $i$ 位置的道路网络通行时间成本， $b$ 表示空间距离带宽，量纲与空间距离一致，表示一个成本距离范围，凡是抵达时间成本大于带宽的事故样本点均不参与对当前位置的回归系数计算。

带宽对CNGWR模型非常重要，其大小直接影响CNGWR模型的空间变化。带宽越大，越趋向于普通多元线性回归；带宽越小，回归的空间异质性越大。针对样本点分布不均的情况，常选用适应型带宽，即选取最近的固定数量样本点参与回归，其适用于交通事故的分析场景，故选用适应型带宽参与建模，最近样本点数通过赤池信息准则确定，当CNGWR模型的赤池信息准则最小时，带宽最佳。

针对道路交通事故风险进行建模，相关变量包括城市各类交通违法数据与部分相关城市POI数据，详见表4。利用违法数据中的空间位置信息，归结到违法行为发生的路段，汇总得到各类交通违法数量。

表4 回归模型变量

Table 4 Regression model variable

变量类型	英文标识	符号	说明
因变量	D_e	Y	当量死亡人数
自变量	battle	X1	争抢类违法数量
	drinks	X2	影响驾驶行为违法数量
	reverse	X3	逆向行驶违法数量
	overspeed	X4	超速行驶违法数量
	signal	X5	违反交通信号违法数量
	car	X6	1 km内汽车服务设施数量
	entertainment	X7	1 km内娱乐服务设施数量
	food	X8	1 km内餐饮服务设施数量
	traffic	X9	1 km内交通设施数量

注争抢类违法包括未按规定让行、未低速通过、违法变更车道、违法超车、违法抢行；影响驾驶行为违法包括酒后驾驶、疲劳驾驶；所有变量均为2018—2020年的统计数据。

新窗口打开| 下载CSV

基于抵达时间的CNGWR模型对道路交通事故风险的评估流程如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 基于抵达时间的CNGWR模型对道路交通事故风险的评估流程

Fig.3 Flow chart of road traffic accident risk assessment based on arrival time CNGWR model

3　结果与分析

3.1　网络地理加权回归结果

在建模前，对变量进行多重共线性检验，结果见表5。可知，平均方差膨胀系数（VIF）为4.346，故自变量之间的多重共线性不显著，可以同时作为多元回归的自变量。

表5 多重共线性检验结果

Table 5 Multicollinearity test results

自变量	VIF
X1	1.007
X2	1.218
X3	1.565
X4	1.009
X5	1.522
X6	2.065
X7	14.393
X8	12.294
X9	4.038

注若VIF在10以内，则说明变量之间不存在共线性；若VIF在100以上，则说明共线性很强。

新窗口打开| 下载CSV

采用基于抵达时间的CNGWR模型，对研究区道路网络事故危害性进行建模，赤池信息准则和最佳带宽见表6。

表6 最佳带宽和赤池信息准则

Table 6 Best bandwidth and Akaike information criterion results

指标	数值
赤池信息准则	1.599 7
最佳带宽（适应型）	3

注赤池信息准则算法会随机选取样本点，结果具有随机性，本文选用70%的随机样本点进行建模。

新窗口打开| 下载CSV

由表6可知，道路交通事故风险与相关变量之间关系的空间异质性非常显著，最合适的带宽区间很小，模型对回归系数的估计局限在很小的局部范围内。相对地，使用全局线性回归对事故风险进行建模，其拟合优度仅为0.019，不具备线性关系，显著性极低，这从侧面反映了道路交通事故风险的空间异质性。对模型预测结果的验证也证明了这一点（表7），对比全局线性回归与欧氏距离地理加权回归方法，基于抵达时间的CNGWR模型的预测值平均相对误差更小，意味着该模型对道路交通事故风险的评估结果更准确。

表7 不同回归模型对道路交通事故风险评估的平均相对误差

Table 7 Average relative error of different regression models for road traffic accident risk assessment

回归模型

预测值平均

相对误差/%

全局线性回归模型

155.32

欧氏距离地理加权回归模型

67.35

基于抵达时间的CNGWR模型

16.94

新窗口打开| 下载CSV

3.2　道路交通事故风险分析

3.2.1　道路交通事故风险时空分布

根据评估结果，绘制研究区道路交通事故风险分布图（图4），可以发现，研究区道路交通事故高风险路段主要呈“市中心密集，市郊散布”的分布形式。根据高风险路段的分布特点，选定交通事故高风险区域。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 研究区道路交通事故风险分布

Fig.4 Distribution of road traffic accident risk in the research area

区域1位于市中心，服务配套相对集中、交通压力相对较大，其涵盖范围较大，东至环城东路，西至县道X103，向北以由拳路、硖川路为界，向南以江南大道为界。其中海昌南路、水月亭路沿线风险最大，尤其是海昌南路-钱江西路路口、海昌南路-水月亭西路路口，风险等级最高。此外，城南公园前、硖川路中段、前江南路-文宗南路路口等位置的交通事故风险较高。

位于城西的区域2的高风险路段主要集中在杭沪复线东西大道俞车潭段和费家埭段，坝天桥与天明桥交会路口、许村中学附近交通事故风险也较高。

其他的道路交通事故高风险路段分布相对分散，高风险区覆盖范围相对较小，这些散在的高风险区大多由偶见的单次重大交通事故引起。其中相对突出的高风险区有安康线沿线陈李场、西孙家堰区段的各个路口以及马嘴浜转弯区（区域3）、苏绍高速公路西侧荆山大道-荆木路路口（区域4）、李家弄附近塘南路与丰联路交会路口（区域5）、县道X710硖尖线与育才路交会路口附近（区域6）等。

3.2.2　道路交通事故风险影响因素分析

根据回归分析原理，可通过影响因素的回归系数判断其对道路交通事故风险的贡献程度，对各因素的回归系数进行地图可视化，分析道路交通风险的主要影响因素。

研究区市中心道路交通事故高风险区中的7个典型点位如图5所示，各影响因素回归系数可视化结果如图6所示，由图6可知，各影响因素对市中心道路交通事故风险的贡献程度相差较大。其中受1 km内餐饮服务设施、娱乐服务设施、交通设施和汽车服务设施数量的影响最普遍；其次是以争抢类、影响驾驶行为、违反交通信号、超速行驶等为代表的大部分交通违法行为，受制于违法行为特点、监管条件、出警力度等因素制约，违法行为的点位分布往往具有局部性和集聚性，导致这些违法行为主要以影响局部区域为主；最后是逆行违法行为，受限于逆行违法数量相对较少，逆行违法对交通事故风险的影响最小，仅在极少的区域因逆行引起交通事故。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 研究区市中心道路交通事故高风险点位分布

Fig.5 Distribution of road traffic accident high risk point in the center of the research area

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 研究区市中心道路交通事故风险各影响因素回归系数

Fig.6 The regression coefficient of each influencing factor of road traffic accident risk in the center of the research area

分析各点位的影响因素贡献。点位1位于水月亭路与赵家漾路的交会路口，是2条主干道的交会处，车流量大。除了餐饮、汽车服务设施对点位1的事故贡献之外，水月亭路附近违反交通信号的违法行为也对其有明显影响。如图7（a）所示，点位1受周边餐饮服务的影响最显著，其次是汽车服务设施与违反交通信号的违法行为，需重点监督点位1的闯红灯行为，同时关注周边餐饮行业的影响。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 研究区市中心事故高风险点位1~3的影响因素回归系数

Fig.7 Regression coefficient of influencing factors of some high-risk accident points in the center of the research area

点位2位于城南公园前的学林街部分路段，处于城市政治中心附近，受餐饮服务、违反交通信号违法行为的影响轻微显著，如图7（b）所示，除餐饮服务设施的回归系数超过1之外，其他因素对点位2交通事故风险的贡献相对微弱。排查该路口实际情况后发现，十字路口没有配备交通信号灯，仅有南北走向的路口设置了减速带。因此，针对点位2，应考虑加装交通信号设备，或派遣执法人员疏导交通秩序。

点位3所在区段处于海昌路沿线，自南向北与水月亭路、海马路、长埭路交汇，该高风险区段相对较长，受酒驾、违反交通信号和争抢类违法行为的影响相对显著，尤其是受违反交通信号违法行为的影响突出（图7（c）），需引起有关部门重视，排查交通信号的周期和设置是否存在不合理情况，并对违法行为做特别约束。此区段是市中心的主要道路，受市中心配套设施的影响，车流量大，应当作为重点监管区域。另外，海昌路与海马路交会路口没有交通信号装置，可能也是高事故风险的潜在因素之一。

点位4位于县道X103与联合路交会路口，是县道与城市主干道路的汇集路口，车速较高，车流量较大，虽然受违法行为的影响不显著，但是仍需控制和监察。与之类似的还有隆兴路与文苑路交会路口以及向北沿线（点位5）、文宗路与水月亭西路路口（点位6），虽然点位5和点位6的车流量和车速不及点位4大和高，但受城市服务设施影响较大。

点位7位于硖川路、由拳路与碧云北路交叉口前。此处路段是双向快车道，也是城市北部的重要交通要道，多条城市主干道路从此处分流，车速快、车流量大，易发生交通事故。局部路段受各类交通违法行为的影响较显著，有待执法部门重点关注。

4　结论

提出了一种基于抵达时间成本的网络地理加权回归方法，并将其用于评价城市道路交通事故风险及其成因。基于2018—2020年某市交通事故、交通违法数据，以及相关的城市POI数据与道路数据，对道路交通事故风险进行量化评估并建模，对该市全域主要道路的交通事故风险与局部区域影响因素进行地图可视化，分析得到以下结论：

（1）基于抵达时间成本的网络地理加权回归模型融合了交通事故风险在道路上传播的特点，能够有效评估交通事故风险，对交通事故高风险区的排查和影响因素的确认有较好的效果。

（2）研究区道路交通事故高风险区在市中心区域集中分布，且范围较大，在非中心区域散在分布，且每个局部区域相对较小。

（3）研究区交通违法、城市POI对道路交通事故风险影响的空间异质性较强，市中心交通违法对交通事故的影响呈局部地区显著，城市POI对交通事故的影响几乎全局显著。同时，存在部分由交通设施欠完备导致的交通事故高风险点位。

http://dx.doi.org/10.3785/j.issn.1008-9497.2024.02.002

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[16]

黄晓丽，刘耀龙，段锦，等.

基于灰色关联及模糊综合评价法的道路交通安全风险评价

［J］. 数学的实践与认识， 2017， 47（7）： 208-215.