高航

摘要：為了研究非機(jī)動(dòng)車騎行者的闖紅燈行為及其重要影響因素。采用錄像拍攝獲取紅燈期間到達(dá)的非機(jī)動(dòng)車騎行者在交叉口的穿越行為數(shù)據(jù)，對(duì)騎行者在信號(hào)交叉口紅燈期間穿越行為的分類（即冒險(xiǎn)主義行為、機(jī)會(huì)主義行為和守法行為）進(jìn)行調(diào)整和更具體的描述，運(yùn)用數(shù)據(jù)挖掘決策樹方法中的CHAID算法對(duì)非機(jī)動(dòng)車闖紅燈行為數(shù)據(jù)進(jìn)行分類并構(gòu)建決策樹模型。結(jié)果表明，1344個(gè)騎行者中有60%以上實(shí)施了闖紅燈行為，騎行者的視覺搜索行為和交叉口其他騎行者的數(shù)量是影響闖紅燈行為的重要因素。

關(guān)鍵詞：闖紅燈行為;非機(jī)動(dòng)車;決策樹;信號(hào)交叉口

中圖分類號(hào)：U491.4文獻(xiàn)標(biāo)識(shí)碼：A

0引言

中國(guó)是非機(jī)動(dòng)車大國(guó)，由于非機(jī)動(dòng)車具備健康、經(jīng)濟(jì)、環(huán)保等特點(diǎn)，早已成為我國(guó)重要的交通出行方式之一。與此同時(shí)，非機(jī)動(dòng)車也是城市道路交通中受傷和死亡風(fēng)險(xiǎn)最高的類別之一。據(jù)我國(guó)2013年至2017年的交通事故統(tǒng)計(jì)，有關(guān)非機(jī)動(dòng)車的城市道路交通事故發(fā)生5萬(wàn)余起，造成直接財(cái)產(chǎn)損失1.11億元。如此高的交通事故發(fā)生率也側(cè)面凸顯了研究信號(hào)交叉口非機(jī)動(dòng)性違規(guī)行為的重要性。事故分析表明，闖紅燈是非機(jī)動(dòng)性騎行者中最典型的違規(guī)行為之一，也是導(dǎo)致交通事故發(fā)生的主要原因之一。由于我國(guó)大部分非機(jī)動(dòng)車騎行者法律、交通安全意識(shí)相對(duì)薄弱，導(dǎo)致非機(jī)動(dòng)車的闖紅燈行為較為普遍，為我國(guó)城市交通帶來(lái)一些問(wèn)題與隱患。基于此，結(jié)合我國(guó)當(dāng)前交通現(xiàn)狀，研究非機(jī)動(dòng)車的闖紅燈行為是十分必要的。

Pai將騎行者的交叉口通過(guò)行為分為三種不同的方式：冒險(xiǎn)、機(jī)會(huì)主義和守法，并建立了一個(gè)混合logit模型，分析三種不同方式的穿越行為。發(fā)現(xiàn)紅燈時(shí)長(zhǎng)、交叉口類型等因素顯著增加了騎行者發(fā)生危險(xiǎn)行為的可能性。Wu對(duì)北京的交叉口進(jìn)行調(diào)查研究發(fā)現(xiàn)，56%的非機(jī)動(dòng)車發(fā)生闖紅燈行為，年齡是預(yù)測(cè)騎行者闖紅燈的重要因素，同時(shí)從眾心理也會(huì)影響騎行者面臨紅燈時(shí)的決策。Huang確定了具有代表性的行為特征（速度、交叉口間隙或滯后接受行為和群體騎行行為）來(lái)研究騎行者在信號(hào)交叉口的行為。Yu嗵過(guò)二元logit模型。分析了性別、非機(jī)動(dòng)車類型、轉(zhuǎn)彎車輛數(shù)量等相關(guān)因素對(duì)有或無(wú)倒計(jì)時(shí)信號(hào)裝置的信號(hào)交叉口電動(dòng)車騎行者闖紅燈行為及提前啟動(dòng)行為的影響。Jahangiri A應(yīng)用混合效應(yīng)的廣義回歸分析發(fā)現(xiàn)，其他騎行者的移動(dòng)和存在是影響闖紅燈概率的重要因素。Huan用生存分析方法估計(jì)電動(dòng)自行車在信號(hào)交叉口等待時(shí)間的模型。引入Cox比例危險(xiǎn)模型，將反映個(gè)人特征和交通狀況的變量定義為協(xié)變量，用以描述內(nèi)外部因素的影響。Zhang通過(guò)logistic回歸分析和方差分析結(jié)果表明，遮陽(yáng)板在晴天和陰天對(duì)降低闖紅燈概率均有顯著效果，并且遮陽(yáng)板在晴天的效果大于陰天。評(píng)估哪些是闖紅燈行為自行車手最常見的行為和人口特征，哪些是他們?cè)谛盘?hào)交叉口的行為，有助于制定更好的政策和制定適當(dāng)?shù)母深A(yù)措施，以促使自行車手尊重紅燈信號(hào)，并且減少因其造成的交通事故的數(shù)量。現(xiàn)有研究中，很少有對(duì)騎行者的視覺搜索行為進(jìn)行相關(guān)探討。因此本文在前人研究的基礎(chǔ)上，結(jié)合我國(guó)交通現(xiàn)狀，運(yùn)用CHAID決策樹方法探索闖紅燈違規(guī)行為與騎行者的個(gè)人特征、穿越行為等變量之間的關(guān)系，期望可以更好地解釋上述變量如何在非機(jī)動(dòng)車中普遍存在的闖紅燈現(xiàn)象中發(fā)揮作用。

1調(diào)查設(shè)計(jì)與實(shí)施

1.1數(shù)據(jù)收集

本文主要采取錄像拍攝收集相關(guān)樣本，通過(guò)在信號(hào)交叉口進(jìn)行實(shí)地視頻拍攝，再對(duì)視頻回放提取所需要的數(shù)據(jù)。

為便于采集非機(jī)動(dòng)車的穿越行為數(shù)據(jù)，在選擇交叉口調(diào)查時(shí)會(huì)遵守以下幾點(diǎn)原則：（1）調(diào)查地點(diǎn)應(yīng)是典型信號(hào)控制四路交叉口;

（2）調(diào)查地點(diǎn)需要有較大的非機(jī)動(dòng)車流量，確保收集的樣本量充足;（3）為了能清晰獲取全部所需數(shù)據(jù)，調(diào)查地點(diǎn)應(yīng)具備良好的拍攝條件，方便擺放相機(jī)三腳架。根據(jù)上述原則，本文最終選取上海市隆昌路與長(zhǎng)陽(yáng)路交叉口、周家嘴路與雙陽(yáng)路交叉口和圖們路與控江路交叉日進(jìn)行實(shí)地調(diào)研。

1.2數(shù)據(jù)處理

1.2.1闖紅燈行為

為了更清楚地描述騎行者在紅燈期間到達(dá)交叉口的穿越行為，本文采用如下分類，清晰刻畫三種不同類型的穿越行為：（1）冒險(xiǎn)主義行為：紅燈期間到達(dá)交叉口，沒有等待就直接闖紅燈;（2）機(jī)會(huì)主義行為：最初在紅燈期間等待，一段時(shí)間后仍在紅燈期間穿越交叉口;（3）守法行為：紅燈期間全程停車等待，直到綠燈期間才穿越交叉口。在回放錄像統(tǒng)計(jì)數(shù)據(jù)時(shí)，對(duì)變量的描述為0=守法行為;1=機(jī)會(huì)主義行為;2=冒險(xiǎn)主義行為。

1.2.2個(gè)人特征

個(gè)人特征數(shù)據(jù)包括騎行者的性別、年齡和非機(jī)動(dòng)車類型，各變量的解釋如下：

記錄非機(jī)動(dòng)車騎行者的個(gè)人特征數(shù)據(jù)時(shí)，將被觀察到的騎行者的性別記錄為：1=男性;2=女性。由于數(shù)據(jù)是在調(diào)查地點(diǎn)實(shí)地拍攝獲得，因此騎行者年齡是通過(guò)觀察與估計(jì)來(lái)評(píng)估的。為便于感知，將年齡分為三個(gè)類別：1=0-30歲;2=31-50歲;3=50歲以上。對(duì)于非機(jī)動(dòng)車的類型，將其分為電動(dòng)自行車與人力自行車，變量解釋為：1=電動(dòng)自行車;2=人力自行車。

1.2.3群體規(guī)模

群體規(guī)模指的是其他騎行者在交叉口等待的情況，即當(dāng)騎行者紅燈期間到達(dá)交叉口時(shí)，有其他騎行者已經(jīng)在等待的過(guò)程中了。該變量的解釋為：0=沒有其他騎行者;1=存在1-4名騎行者;2=存在5名以上騎行者。

1.2.4視覺搜索行為

由于本文采用的是錄像拍攝獲取相關(guān)數(shù)據(jù)，無(wú)法觀察到騎行眼球的相應(yīng)運(yùn)動(dòng)，所以將會(huì)通過(guò)觀察采集的錄像中騎行者在到達(dá)十字路口時(shí)的頭部轉(zhuǎn)動(dòng)來(lái)評(píng)估騎行者的視覺搜索行為（0=無(wú)頭部轉(zhuǎn)動(dòng);1=頭向一個(gè)方向轉(zhuǎn)動(dòng);2=頭部向兩個(gè)方向轉(zhuǎn)動(dòng)）。在實(shí)際評(píng)估時(shí)，會(huì)對(duì)某些特殊情況進(jìn)行相應(yīng)處理，如有時(shí)騎行者頭部轉(zhuǎn)動(dòng)，是因結(jié)伴出行而觀察其他同行者，因此該情況會(huì)被判定為“0”。

1.3數(shù)據(jù)分析

對(duì)收集并處理得到數(shù)據(jù)進(jìn)行卡方統(tǒng)計(jì)分析，采用卡方檢驗(yàn)來(lái)檢驗(yàn)不同類型闖紅燈行為與個(gè)人特征、群體規(guī)模和視覺搜索策略之間的關(guān)系。

并且為了進(jìn)一步分析收集的變量的作用，采取決策樹方法來(lái)分析不同闖紅燈行為的發(fā)生。決策樹是一種從無(wú)秩序、無(wú)規(guī)則的數(shù)據(jù)中推理出一套分類規(guī)則，對(duì)樣本數(shù)據(jù)進(jìn)行分類的方法。對(duì)決策樹內(nèi)部的節(jié)點(diǎn)進(jìn)行屬性值的比較，并根據(jù)不同屬性值判斷從該節(jié)點(diǎn)向下分，在決策樹的葉節(jié)點(diǎn)得到結(jié)論。在決策樹中，目標(biāo)變量（即闖紅燈行為）也被稱為根節(jié)點(diǎn)并且包含整個(gè)樣本，如圖1所示。在分裂過(guò)程中，根據(jù)選擇的目標(biāo)變量識(shí)別最佳的分類方向，將父節(jié)點(diǎn)分裂成子節(jié)點(diǎn)，最后形成一個(gè)完整的樹。決策樹有助于更好地識(shí)別分組并預(yù)測(cè)結(jié)局，從而支持決策過(guò)程和風(fēng)險(xiǎn)因素分析。由于決策樹的非參數(shù)性和易于解釋的特點(diǎn)，決策樹在許多領(lǐng)域得到了廣泛的應(yīng)用。在本文中使用決策樹方法來(lái)分析騎行者的闖紅燈行為，對(duì)于解釋和預(yù)測(cè)騎行者在紅燈期間到達(dá)交叉口后的穿越行為是有較大作用的。

決策樹分析基于CHAID算法，它是一種以目標(biāo)變量最優(yōu)為依據(jù)，能夠快速高效地挖掘數(shù)據(jù)的多元統(tǒng)計(jì)分析方法。CHAID算法主要根據(jù)卡方統(tǒng)計(jì)量尋找最佳分組變量和分割點(diǎn)。如果多個(gè)解釋變量與目標(biāo)變量間具有顯著的關(guān)聯(lián)性，那么CHAID算法會(huì)從中挑選出最關(guān)鍵的解釋變量（P值最?。Ｔ撍惴ń?jīng)過(guò)三個(gè)連續(xù)的階段：合并、拆分和停止。當(dāng)解釋變量具有多個(gè)類別時(shí)，會(huì)對(duì)多個(gè)類別進(jìn)行比較，將未顯示出差異的類別合并在一起。當(dāng)決策樹達(dá)到一定規(guī)模時(shí)，需根據(jù)停止規(guī)則，阻止樹的繼續(xù)生長(zhǎng)。采用SPSS軟件進(jìn)行決策樹分析，通過(guò)CHAID算法建立了自行車闖紅燈決策的分類樹模型。

2結(jié)果分析

一共收集了1344名在紅燈期間到達(dá)交叉口的非機(jī)動(dòng)車騎行者的穿越行為數(shù)據(jù)，其中505名（37.6%）騎行者為守法行為，360名（26.8%）騎行者屬于機(jī)會(huì)主義行為，479名（35.6%）騎行者被記錄為冒險(xiǎn)主義行為。

在所有樣本中，有692名（51.5%）是男性，652名（48.5%）是女性，按性別劃分的樣本分布是均勻的。在年齡方面。收集了489名（36.4%）30歲以下的騎行者，547名（40.7%）騎行者的年齡在31-50歲之間，308名（22.9%）騎行者的年齡在50歲以上。

用卡方檢驗(yàn)性別與闖紅燈行為之間的關(guān)系，結(jié)果顯示這兩個(gè)變量之間存在關(guān)聯(lián)，X²（2）=32.08，p<0.001。對(duì)性別進(jìn)行分類比較后得出，男性冒險(xiǎn)主義行為的傾向性更大（p<0.05），而女性更偏向于守法行為（p<0.05）。

對(duì)騎行者的年齡和闖紅燈行為之間的關(guān)系進(jìn)行卡方檢驗(yàn)。結(jié)果顯示兩個(gè)變量之間存在關(guān)聯(lián)，X²（4）=16.62，p<0.05。31-50歲的騎行者在紅燈期間的交叉口進(jìn)行冒險(xiǎn)主義行為（p<0.05）的可能性大于其守法行為或機(jī)會(huì)主義行為（p<0.05）。年齡在50歲以上的老年騎行者，相比于其他兩類行為，更傾向于在整個(gè)紅燈期間停車等待，即守法行為（p<0.05）。

關(guān)于騎行者的車輛類型，卡方檢驗(yàn)顯示車輛類型與闖紅燈行為之間無(wú)關(guān)聯(lián)，x²（2）=0.21，p>0.05。

卡方檢驗(yàn)顯示視覺搜索行為與闖紅燈行為之間有關(guān)聯(lián)，x²（4）=255.42，p<0.001。對(duì)于實(shí)施守法行為的騎行者在交叉口等待時(shí)，很大程度上只關(guān)注綠燈，所以幾乎不存在頭部的轉(zhuǎn)動(dòng)，而對(duì)于機(jī)會(huì)主義行為的騎行者來(lái)說(shuō)，由于要尋找闖紅燈的時(shí)機(jī)。所以將更傾向于頭部轉(zhuǎn)動(dòng)看向一側(cè)或兩側(cè)。

群體規(guī)模與闖紅燈行為之間也存在關(guān)聯(lián)，x²（4）=103.85，p<0.001。當(dāng)群體規(guī)模不小于5人時(shí)，騎行者更容易進(jìn)行守法行為，而當(dāng)周圍沒有其他人時(shí)，騎行者進(jìn)行冒險(xiǎn)主義行為的可能性更大。

如表1所示，為闖紅燈行為分類下各變量的頻率和x²值。

非機(jī)動(dòng)車騎行者的闖紅燈行為的決策樹模型圖如圖2所示。

圖中包括10個(gè)終端節(jié)點(diǎn)。節(jié)點(diǎn)0由37.6%的守法行為騎行者、26.8%的機(jī)會(huì)主義行為騎行者以及35.6%的冒險(xiǎn)主義行為騎行者組成，第一個(gè)最佳分割的變量為視覺搜索行為。如果騎行者在交叉口頭部轉(zhuǎn)動(dòng)了一個(gè)或兩個(gè)方向，則其中21.6%的騎行者屬于守法行為，將在整個(gè)紅燈期間停止等待;37.7%的騎行者會(huì)等待一段時(shí)間后進(jìn)行闖紅燈行為;40.7%的騎行者則會(huì)不等待并直接闖紅燈。相反，對(duì)于無(wú)頭部轉(zhuǎn)動(dòng)的騎行者來(lái)說(shuō)，存在61.7%的人屬于守法行為;機(jī)會(huì)主義行為的騎行者僅占10.3%，28.0%的騎行者進(jìn)行了冒險(xiǎn)主義行為。不過(guò)節(jié)點(diǎn)1和節(jié)點(diǎn)2的純度都不足夠，所以還需繼續(xù)分裂，直到所有的終端節(jié)點(diǎn)達(dá)到相應(yīng)的純度。結(jié)果顯示，如果騎行者進(jìn)行了視覺搜索行為且附近無(wú)其他騎行者，則他會(huì)很大程度進(jìn)行冒險(xiǎn)主義行為。

騎行者進(jìn)行視覺搜索行為但附近有5人以上的其他騎行者時(shí)（節(jié)點(diǎn)5），他將更有可能等待到綠燈期間再穿越（54.1%）。同樣的，如果騎車人沒有進(jìn)行視覺搜索行為且周圍存在5人以上的騎行者（節(jié)點(diǎn)8），騎行者在整個(gè)紅燈期間也更有可能停車。無(wú)論男性還是女性，在有左右的視覺搜索行為且獨(dú)自一人在交叉口時(shí)，都會(huì)大概率的實(shí)施冒險(xiǎn)主義行為（節(jié)點(diǎn)9和節(jié)點(diǎn)10），而當(dāng)附近存在1-4.個(gè)騎行者時(shí)，男性仍會(huì)傾向于不等待直接闖紅燈（42.6%），女性則有46.4%的比例會(huì)在等待一小段時(shí)間后闖紅燈（節(jié)點(diǎn)12）。當(dāng)騎行者無(wú)視覺搜索行為時(shí)，只有當(dāng)性別為男性且周圍無(wú)其他人的情況下，55.6%的騎行者會(huì)不停車直接闖紅燈，其他情況如節(jié)點(diǎn)14、15和16，騎行者的紅燈行為均大部分屬于守法行為。

年齡和車輛類型兩個(gè)變量沒有在決策樹中出現(xiàn)，因?yàn)镃HAID算法在考慮這些變量時(shí)無(wú)法找到純節(jié)點(diǎn)。

3結(jié)論

本文研究目的為進(jìn)一步了解騎行者在信號(hào)交叉口的穿越行為，分析個(gè)人特征和行為特征與闖紅燈行為的關(guān)系，運(yùn)用CHAID決策樹方法進(jìn)一步了解每個(gè)解釋變量在預(yù)測(cè)騎行者闖紅燈時(shí)的重要性，得到以下結(jié)論：

（1）42.77%的男性騎行者在紅燈期間傾向于不停車直接闖紅燈，女性則大多傾向于守法行為;年齡在50歲以上的騎行者在紅燈期間始終停車等待的可能性要比其他兩種行為的可能性大得多（P<0.05）。

（2）等待的其他騎行者數(shù)量越少，被觀察的騎行者闖紅燈的可能性就越大。當(dāng)騎行者獨(dú)處時(shí)，他們往往會(huì)讓自己處于更大的風(fēng)險(xiǎn)之中。

（3）當(dāng)騎行者進(jìn)行視覺搜索行為時(shí)，闖紅燈的概率大大增加。當(dāng)群體規(guī)模在5人以下時(shí)，男女騎行者大部分都選擇闖紅燈行為，尤其當(dāng)男性騎行者在無(wú)其他人等待，且進(jìn)行搜索行為時(shí)，闖紅燈比例達(dá)到59.3%。