信號控制交叉口行人個體過街行為選擇模型

周竹萍 王 煒 任 剛 宮 霞

(1南京理工大學交通工程系,南京 210094)

(2東南大學交通學院,南京 210096)

(3復旦大學附屬華山醫院,上海200040)

隨著我國行人交通事故形勢的日趨嚴峻,行人交通安全問題已引起廣泛關注.行人是車外、無防護的交通參與者,在交通事故中最易受到傷害.2009年,我國因交通事故死亡67 759人,其中行人16 683人,占事故總死亡人數的24.62%[1].同年,美國共有4 092個行人在交通事故中喪身,僅占交通事故總死亡人數的12.10%[2].可見,我國行人交通安全問題不可小覷.另外,事實表明大多數的交通事故都伴隨著明顯的交通違法行為,如2008年、2009年和2010年,由行人闖紅燈引起的交通事故占行人違法導致事故總數的35.98%,36.37%和33.02%[1].因此,對行人過街行為,尤其是違法行為的機理研究是交通事故成因分析的關鍵.

國外學者Gupta[3]將行人過街行為的影響因素總結為7類:個人特征、出行特征、同行類型、道路情況、環境特征、位置功能和鄰近人群.此后,又有一些學者針對某一方面因素開展細化研究,如Hatfield等[4]通過對行人過街行為的對比分析,發現過街時使用手機的行人步速緩慢,不注意周圍交通狀況.Schwebel等[5]通過問卷和交通調查,分析不同性格人群的過街行為特性.Holland等[6]則通過不安全過街行為特性的統計,得出不同年齡、性別人群的行為差異性.

國內學者也做過類似的研究.趙雪娟和王延鋒[7-8]認為影響行人過街行為決策的因素主要有3類:行人特性、交通狀況、道路環境條件.張壯[9]基于行人行為數據,從行人自身屬性和交叉口特性方面分析行人過街行為的影響因素.Zhou等[10-11]以計劃行為理論為基礎,得出行人違法過街與從眾性之間的相關性.作者通過對南京、石嘴山和武漢等城市的行人過街行為的研究發現,行人行為與行人的性別、年齡、過街時長、有無交警和行人流量等存在相關性[12].

對比分析國內外研究可看出,國外學者在該領域已取得豐碩的成果，而國內學者對行人的關注程度不夠,在行人交通數據的調查和分析方面還有較大欠缺.因此,有必要結合調查數據,對行人過街行為進行深入研究.

1 行人過街行為的影響因素

結合國內外研究現狀,從內部和外部2個角度分析行人過街行為的影響因素.從內部看,由于行人性別、年齡、個性等差別,心理狀態不同,行人的行為選擇特性也有所不同.因此,內部因素可歸納為個人屬性和表達心理特征的主觀偏好.從外部看,外部事物和環境的變化是影響行人過街行為的重要因素.根據上述分析,影響行人過街行為決策的因素有5類:個人屬性、家庭屬性、行人設施屬性、交通狀況特征和主觀偏好.

2 調查方法和數據

2.1 調查內容和方法

調查內容應包括行人過街行為的影響因素.同時也需要調查過街行人的行為特征,包括是否守法、有無跑步、等待時間等.調查時主要針對到達時刻綠燈剩余時間在10 s內或者是紅燈時間的行人.因為通過實地觀察發現,若在綠燈時間充足時(綠燈大于10 s)到達的行人,肯定在全綠燈的時間內過街,沒有研究的必要.

調查時采用現場綜合調查法,即在人工觀測法獲取行為特征和交通狀況的基礎上,引進同步的問卷調查獲取行人的個人屬性、家庭屬性和主觀偏好.通過編號法保證行為數據、交通環境數據、心理數據屬于同一調查對象.

2.2 調查數據

為獲取更多不同特征的人行橫道數據,每個信號交叉口只選擇2個方向的進口道進行調查.本研究共調查了南京市12個交叉口的24條人行橫道,這些交叉口中包括兩車道或四車道、有無中央或兩側分隔帶(安全島、駐足區)、兩相位或四相位的交叉口.共記錄了3 952個行人的行為數據,其中完成問卷1 970份,獲得有效數據1 878份.樣本的性別、年齡分布情況見表1.

表1 樣本的分布情況

3 過街行為選擇與各類屬性的相關性分析

3.1 行人過街行為分類

從信號使用的角度,將行人過街行為分為:“全綠”、“先綠后紅”、“全紅”、“先紅后綠”.各行為的具體含義如下:

1) 全綠.行人過街過程中,行人信號燈始終顯示綠燈.

2) 先綠后紅.過街過程中,信號燈先顯示綠燈后顯示紅燈.

3) 全紅.過街過程中,信號燈始終顯示紅燈.該行為是最普遍的闖紅燈行為.

4) 先紅后綠.過街過程中,信號燈先顯示紅燈后顯示綠燈.

在所有調查得到的1 878個有效行人樣本中,55.17%的行人能遵守交通法規,在全綠的時間內過街,而12.78%,20.13%和11.92%的行人分別為“先綠后紅”、“全紅”、“先紅后綠”行為.

3.2 過街行為選擇與各屬性的相關性

為研究各因素對過街行為選擇是否存在實際影響,以便篩選下一步進行離散選擇模型建模的合適變量,需進行相關性分析.

1) 個人屬性

分析2個方面的個人屬性:一是性別、年齡、職業、受教育程度、收入等社會人口屬性；二是駕照、常用交通方式、出行目的等交通相關屬性.通過皮爾遜卡方檢驗表明,性別、年齡、收入對于行人過街行為的影響是顯著的.因為學歷和職業因素的P值都大于0.05,故這2個因素對過街行為選擇無顯著影響.在行人的交通相關屬性方面,是否擁有駕照(P=0.001)和出行目的(P=0.003)對行人過街行為選擇有顯著影響,交通方式選擇習慣(P=0.455)對過街行為無影響.

2) 家庭屬性

3) 行人設施屬性

行人設施因素中,人行橫道長度、綠燈時長、紅燈時長的P值分別為0.024,0.046,0.006,表明這些因素對行人過街行為的選擇有顯著影響.人行橫道寬度(P=0.71)則不會影響行人過街行為.信號燈的顯示方式為離散變量,該因素的皮爾遜卡方值為35.303,P值小于0.05,表明信號燈的顯示方式對行人過街行為選擇有顯著影響.

4) 交通狀況特征

交通狀況特征分為行人交通狀況和道路交通狀況2方面.行人交通狀況因素包括有無結伴、路邊等待人數和正在過街人數,其與過街行為選擇的相關性分析結果表明:3個因素均與行人過街行為相關(P=0.012,0.001,0.013).道路交通狀況因素包括有無來車、行人到達時間,這些因素也均對行人過街行為有顯著影響(P=0.000 8,0.000 3).

4 過街行為選擇的隱性變量建模

4.1 隱性變量的建模思路

行為科學普遍認為個體的主觀偏好(隱性變量)是由性別、年齡、職業等個體的差異性(解釋變量)所引起的,可通過個體的行為和態度(表征變量)顯現出來,因此隱性變量的模型結構是由解釋變量、隱性變量和表征變量三者組成,三者間關系見圖1.

圖1 隱性變量的模型結構

本文的隱性變量有安全性、從眾性、舒適性、便利性和快速性.隱性變量的建模方法可分為2步:

1) 通過解釋變量來構造隱性變量,即

5.社會技術人才的利用。在職務犯罪調查信息建設過程中，不可避免地需要社會上技術人才的智力和技術的支援。但是，目前我國信息過程中的特殊專業領域市場化管理法律規范存在缺失的情況，需要通過細化的專業領域在市場化方面積累規范性管理經驗，同時也從信息化建設的源頭保證信息安全。

η=γ1x1+γ2x2+…+γpxp+ζ

(1)

式中,η為某一隱性變量,如安全性;x1,x2,…,xp為一組可見的解釋變量;γ1,γ2,…,γp為參數;ζ為隨機擾動項.個體間的潛在偏好和心理需求等是個體差異性的體現,由性別、年齡、收入、受教育程度、有無小孩等引起.

2) 由隱性變量表示出表征變量,即

y1=λ1η+ε1,y2=λ2η+ε2,…,yq=λqη+εq

(2)

式中,y1,y2,…,yq為一組與該隱性變量相關的表征變量;λ1,λ2,…,λq為參數;ε1,ε2,…,εq為誤差項.表征變量是隱性變量的能觀測到的外在表現.表征變量的建模方法如下:用行為變量來表征安全性和從眾性,用態度變量來表征便利性、舒適性和快速性.

4.2 模型的擬合結果

求解時,利用LISREL統計軟件對調查數據進行分析.隱性變量ηsafe,ηconf,ηcomf,ηflex,ηfast分別代表安全性、從眾性、舒適性、便利性和快速性.選擇性別、年齡、職業、學歷、收入等個人屬性作為解釋變量,分別表示為xgend,xage,xprof,xeduc,xinco.除年齡外,其余解釋變量均為分類變量,在結構方程建模時將該變量的最低水平賦值為0,隨著水平等級的提高,數值逐漸提高到1.性別賦值為:女為0,男為1.

運用LISREL 8.7軟件對調查數據進行分析.建模時,通過固定負荷法指定隱性變量的測度單位,將各隱性變量的其中一個λ參數固定為1.γ參數的估計結果見表2.

表2 γ參數的估計結果

5 行人個體過街行為選擇的MNL模型

5.1 多項logit模型

離散選擇模型中目前應用最廣泛的是多項logit(multinomial logit,MNL)模型,該模型假設所有的用戶選擇都是在同一個層上[13].

按照本文對行人過街行為的分類,模型共分為4個選擇肢,選取第1種行為“全綠”作為參考選項,則第i種行為的logit模型可表示為

(3)

5.2 模型參數估計

基于Biogeme平臺,對所構建的模型進行參數估計和檢驗,參數估計結果見表3.

表3 含隱性變量的MNL模型最終參數估計結果

5.3 模型參數分析

5.3.1 參數符號邏輯性分析

以ln(P2/P1)的建模結果來分析參數符號的邏輯性是否正確.按照模型參數的符號,可以定性判斷各因素對行人過街行為選擇的影響方向.在進入方程的16個變量中,符號為正的變量有:性別、年齡、收入5～8萬元、出行目的、人行橫道長度、是否陪伴、過街人數、到達時間、便利性和快速性,與預期的參數方向一致,說明所建模型邏輯性正確.

5.3.2 參數敏感性分析

參數敏感性分析是指模型所標定的參數值每變化一個單位對選擇概率比的影響變化程度.當某個參數有較小變化時,預測結果會發生較大變化,就認為此參數敏感,該因素對因變量的影響顯著.

表3表明,對于“先綠后紅”過街概率比,變量“到達時間”的參數值(2.04)最大,主要因為在綠燈后幾秒到達的行人最易發生“先綠后紅”過街行為.影響處于第2位的變量為“有無來車”,在道路上無來車時,行人更容易不顧信號燈直接過街.對于“全紅”過街概率比,變量“性別”的參數值最大,說明性別因素對行人選擇全紅過街行為影響最顯著.對于“先紅后綠”行為,年齡因素的影響最顯著,參數值為-1.78.其他因素如性別、有無來車、收入也對行人選擇“先紅后綠”過街行為有較大影響.

6 結語

將行人個體過街行為分為“全綠”、“先綠后紅”、“全紅”、“先紅后綠”,通過建立MNL模型,分析了個人屬性、家庭屬性、行人設施屬性、交通狀況屬性和主觀偏好等因素對行人過街行為的影響機理.結果表明:到達時間因素對行人選擇“先綠后紅”行為影響最大;性別因素對行人選擇“全紅”過街行為影響最顯著;年齡因素對行人選擇“先紅后綠”行為影響最為顯著.

該研究可為后續的行人過街安全性提升對策提供科學依據:① 上述研究發現違法過街的主要人群為中青年、女性、中低收入者,宣教時應針對不同對象的行為規律和心理特征,采用不同的交通教育方案.② 路口的行人信號燈最好采用倒計時方式,以更好地提供時間信息,使行人能夠做出有效判斷,從而減少違法行為的發生.

另外,當道路中設置安全島時,行人在進入安全島與離開安全島的2個路段中過街行為的形式可能不同,在未來的研究中應進一步考慮.而且文中未就具體措施實施前后的交叉口行人過街安全評價進行對比分析.以后,可對行人安全性提升對策進行量化分析,直觀體現各對策的實際效果,從而為管理者和決策者提供科學依據.

)

[1]中華人民共和國公安部交通管理局.中華人民共和國道路交通事故統計年報(2008—2010)[R].北京:中華人民共和國公安部交通管理局,2011.

[2]National Highway Traffic Safety Administration.Traffic safety facts 2009,report DOT HS 811 402 [R].Washington DC:NHTSA,2009.

[3]Gupta A K.A study on pedestrian walking behavior [D].Newark,DE,USA: University of Delaware,2005.

[4]Hatfield J,Murphy S.The effects of mobile phone use on pedestrian crossing behavior at signalised and unsignalised intersections [J].AccidentAnalysisandPrevention,2007,39(1): 197-205.

[5]Schwebel D C,Stavrinos D,Kongable E M.Attentional control,high intensity pleasure,and risky pedestrian behavior in college students [J].AccidentAnalysisandPrevention,2009,41(3): 658-661.

[6]Holland C,Hill R.Gender differences in factors predicting unsafe crossing decisions in adult pedestrians across the lifespan: a simulation study [J].AccidentAnalysisandPrevention,2010,42(4): 1097-1106.

[7]趙雪娟.信號交叉口非機動車與行人違章行為研究 [D].北京:北京交通大學交通運輸學院,2007.

[8]王延鋒.基于道路管理功能的行人違章穿越行為特性分析與仿真 [D].武漢: 武漢理工大學交通學院,2009.

[9]張壯.城市四支信號交叉口行人交通特性及違法分析 [D].北京: 北京工業大學建筑工程學院,2010.

[10]Zhou R G,Horrey W J,Yu R F.The effect of conformity tendency on pedestrians’ road-crossing intentions in China: an application of the theory of planned behavior [J].AccidentAnalysisandPrevention,2009,41(3): 491-497.

[11]Zhou R G,Horrey W J.Predicting adolescent pedestrians’ behavioral intentions to follow the masses in risky crossing situations [J].TransportationResearchPartF,2010,13(3): 153-163.

[12]Ren G,Zhou Z P,Wang W,et al.Crossing behaviors of pedestrians at signalized intersections[J].TransportationResearchRecord,2011,2264: 65-73.

[13]關宏志.非集計模型-交通行為分析的工具 [M].北京: 人民交通出版社,2004: 51-55.