付冠宇

摘要 隨著電動自行車和共享單車的普及，城市非機動車交通需求隨之增加，因此非機動車侵占機動車道行駛的行為也有所增多，出現(xiàn)了混行現(xiàn)象，嚴重時可能引發(fā)交通事故。文章通過分析非機動車占用城市道路運行的動機，設計調(diào)查方案并采集相關數(shù)據(jù)，對比分析非機動車在不同影響因素下的占道特性，并提出改進措施和建議。

關鍵詞 非機動車；占道行為；交通安全；二項Logistic回歸模型

中圖分類號 U492.8文獻標識碼 A文章編號 2096-8949（2023）16-0026-04

0 引言

隨著交通需求的不斷增長，非機動車輛以其節(jié)能環(huán)保、降低道路資源消耗等優(yōu)勢，越來越受到交通參與者和交通管理部門的青睞。使用非機動車出行也被認為是緩解交通擁堵和減少空氣污染排放的有效措施。隨著非機動車輛數(shù)量的增加，非機動車出行變得更加復雜，涉及非機動車輛的事故也顯著增多。大量事故數(shù)據(jù)表明，很大一部分致命的非機動車輛事故是由非機動車輛侵犯機動車車道造成的。1999年，Klop等[1]首次分析了美國北卡羅來納州無隔離設施雙車道內(nèi)影響機動車行駛的因素，研究了機非混行道路中不同自行車流量情況下機動車的運行變化過程。Luo等[2]建立了一種新型元胞自動機模型模擬了城市道路機非混行交通運行情況，并分析了不同自行車密度下機動車的橫縱向運行特征。劉仰[3]以動態(tài)和靜態(tài)交通為背景，以非機動車輛為研究對象，探討了非機動車輛在路邊停車條件下的運行安全性，通過交通沖突理論和技術，建立了機動車駛出停車位的角度與非機車沖突時間的關系，并據(jù)此提出了停車位大小的建議。然而，對非機動車侵占機動車道行為影響因素的研究較少。因此，該研究采用同步視頻攝像的方法，對揚州市4個地段的交通行為進行記錄，探討影響非機動車輛車道非法占用的因素。這些因素包括道路條件、時段、騎行者的特點等條件。該研究的目的在于識別和分析影響非機動車輛占用機動車車道的因素，研究結(jié)果可為道路規(guī)劃建設部門和交通管理部門提供有用的數(shù)據(jù)和有效措施。

1 數(shù)據(jù)采集與提取

1.1 調(diào)查點選取

研究選取了揚州市一些道路基本路段進行調(diào)查。截至2021年底，揚州市市區(qū)電動車保有量已超過285萬輛。在調(diào)查地點選擇時，為了獲取非機動車種類、時間、騎行者特征、交通條件、道路條件等不同因素對非機動車占道行為的影響，所選取的調(diào)查路段應滿足以下基本條件：

（1）調(diào)查點有專門的非機動車輛車道。

（2）具有足夠大的非機動車交通量。

（3）具有相似的路面條件，部分路段有路內(nèi)停車。

（4）非機動車道與機動車道之間設有機非隔離設施。

在實地調(diào)查結(jié)束后，同時根據(jù)論文的調(diào)查對象以及調(diào)查時間和地點的要求，仔細選取了4個典型路段進行調(diào)查。觀測路段的道路幾何條件見表1。

1.2 調(diào)查方法的確定

基于視頻處理的技術記錄了騎行者在自然狀態(tài)下的行為特征，從而保證了騎行者行為的真實特征[4]。此外，錄制的視頻還可以重放，進行數(shù)據(jù)檢查，能夠比較清晰地記錄調(diào)查路段交通特性的位置。為調(diào)查路段兩端的高點處，利用支架將手機架在高處，能夠較為清晰地觀測路段中非機動車交通狀況以及騎行者的情況，當然，要注意將相機隱藏以確保記錄的是騎行者的自然行為。

調(diào)查時間為工作日和周末早高峰上午7：30—8：30、平峰下午1：30—2：30和晚高峰下午5：30—6：30。

2 非機動車占道行為影響研究分析

經(jīng)過實地調(diào)查觀測，分別在4個調(diào)查路段采集非機動車占道情況有效樣本共計24 552個，占道行為發(fā)生共計8 210次，并依據(jù)所查閱的文獻以及調(diào)查時的情況，選取了10個可能對非機動車占道行為產(chǎn)生影響的因素作為變量。10個影響因素的初步統(tǒng)計見表2。

2.1 模型選擇

2.2 非機動車占道行為決策模型

2.2.1 影響因素顯著性分析

該文共獲得非機動車數(shù)據(jù)24 552組，將手動錄入的EXCEL數(shù)據(jù)導入到SPSS中建立數(shù)據(jù)庫。對非機動車騎行者性別、是否為工作日、時段、分隔帶類型、是否與交叉口相鄰、非機動車類型、是否載人載物、機動車交通量、非機動車交通量、是否有路內(nèi)停車等所選取的10個變量進行設定，并且對每個變量對占道行為的影響進行Pearson χ?檢驗和似然比χ?檢驗，檢驗結(jié)果見表3。

從表3可以得到是否為工作日、時段、分隔帶類型、是否與交叉口相鄰、非機動車類型、是否載人載物、機動車交通量、非機動車交通量、是否有路內(nèi)停車的Pearson χ?檢驗和似然比χ?檢驗的顯著水平均小于0.25，說明上述變量對非機動車占道行為均有一定影響，且較為顯著。而非機動車騎行者性別的顯著性水平大于0.25，說明其對非機動車占道行為無顯著影響。

2.2.2 模型建立

通過影響因素顯著性分析，剔除非機動車騎行者性別這個無顯著影響因素，對剩余的是否為工作日、時段、分隔帶類型、是否與交叉口相鄰、非機動車類型、是否載人載物、機動車交通量、非機動車交通量、是否有路內(nèi)停車9個影響因素建立非機動車占道行為決策模型：

2.2.3 模型檢驗

（1）模型的顯著性檢驗。模型的χ?值可檢驗自變量與占道行為對數(shù)發(fā)生比（log odds）的線性相關性。因此對Logistic回歸模型進行模型χ?統(tǒng)計顯著性檢驗，以驗證模型中自變量整體對占道行為的解釋能力。

因此，該文通過模型χ?值對非機動車占道行為決策模型進行顯著性檢驗，檢驗結(jié)果見表4。

從表5可以看出：非機動車占道行為決策模型χ?檢驗的顯著性水平值為0.000，該值小于0.05，說明非機動車占道行為決策模型的所有自變量與占道行為概率線性相關，即自變量對因變量能夠進行很好的解釋。

（2）Hosmer和Lemeshow檢驗Hosmer和Lemeshow檢驗是檢驗模型的擬合優(yōu)度。當P值不小于檢驗水準時（即P>0.05），認為當前數(shù)據(jù)中的信息已經(jīng)被充分提取，模型的擬合優(yōu)度較高。檢驗結(jié)果見表5。

從表6可以看出：Hosmer和Lemeshow檢驗顯著性水平的值為0.06，該值大于0.05，說明當前數(shù)據(jù)中的信息已經(jīng)被充分提取，模型的擬合優(yōu)度較高。

3 回歸結(jié)果分析

在影響因素顯著性檢驗統(tǒng)計結(jié)果中，非機動車騎行者性別的顯著性水平大于0.25，說明其對非機動車占道行為無顯著影響，即非機動車騎行者性別不是非機動車發(fā)生占道行為的主要影響因素。不同騎行者性別之間不同的心理特征和生理機能在調(diào)查期間沒有影響占道行為。

其余影響因素的Logistic回歸輸出結(jié)果見表6，由表6可以看出非機動車占道行為的顯著性影響因素有9個，分別為是否為工作日、時段、分隔帶類型、是否與交叉口相鄰、機動車交通量、非機動車交通量、載人載物、路內(nèi)停車、非機動車類型。

（1）是否為工作日與非機動車占道行為呈顯著負相關，工作日發(fā)生非機動車占道行為的概率相較于休息日的概率增加了8.4%。

（2）時段與非機動車占道行為呈顯著負相關，早高峰發(fā)生非機動車占道行為的概率相較于晚高峰的概率增加了31.9%，相較于非高峰的概率增加了55.5%。

（3）分隔帶類型與非機動車占道行為呈顯著負相關，標線分隔帶路段發(fā)生非機動車占道行為的概率相較于景觀分隔帶的概率增加了70.2%。

（4）是否與交叉口相鄰與非機動車占道行為呈顯著負相關，與交叉口相鄰的路段發(fā)生非機動車占道行為的概率相較于距離交叉口較遠的路段的概率增加了10.4%。

（5）機動車交通量與非機動車占道行為呈顯著負相關，機動車交通量較低的路段發(fā)生非機動車占道行為的概率相較于交通量中等的路段的概率增加了46.3%，相較于交通量較高的路段的概率增加了92.6%。

（6）非機動車交通量與非機動車占道行為呈顯著正相關，非機動車交通量較高的路段發(fā)生非機動車占道行為的概率是較低交通量對應概率的26.828倍，是中等交通量對應概率的2.967倍。

（7）非機動車種類與非機動車占道行為呈顯著正相關，電動自行車發(fā)生非機動車占道行為的概率是自行車對應概率的13.760倍，是三輪車對應概率的6.636倍。

（8）非機動車載人載物與非機動車占道行為呈顯著負相關，非機動車載人載物發(fā)生占道行為的概率相較于單人騎行的概率增加了20%。

（9）路內(nèi)停車與非機動車占道行為呈顯著負相關，有路內(nèi)停車的路段非機動車發(fā)生占道行為的概率相較于正常道路的概率增加了62.1%。

4 結(jié)論

根據(jù)該文的占道行為分析結(jié)果，當非機動車占道率較高，為減少機非沖突，保證非機動車行駛安全，將分別從降低單位寬度非機動車流量、機非分隔帶設置和電動自行車管理等角度出發(fā)，提出非機動車道有效寬度、非機動車管理和機非分隔帶等方面可供參考的改善措施[6]。

4.1 非機動車道有效寬度

非機動車在該路段的交通量對非機動車占用道路的行為有很大影響。非機動車流量越大，非機動車越容易占機動車道行駛，非機動車和機動車越容易產(chǎn)生沖突。一般情形下，當非機動車交通量恒定時，非機動車車道越寬，單位寬度的非機動車交通量越小，非機動車占用道路的概率越低。此外，非機動車道的有效寬度因為路內(nèi)停車泊位而降低，導致單位寬度的非機動車輛流量增加，從而增加了非機動車輛占用機動車道的概率。

因此，當?shù)缆吠＼嚶范坞妱幼孕熊嚽终紮C動車道的概率過高時，為了減少機動車與非機動車之間的沖突，可以通過取消停車位或適當擴大非機動車道以確保非機動車道的有效寬度。

4.2 電動自行車管理

電動自行車在機動車道上行駛的概率遠遠高于普通自行車[7]。同時，調(diào)查顯示電動自行車出行占非機動車總數(shù)的93.59%，其占道行為高發(fā)，這意味著加強電動自行車管理迫在眉睫。對此，交管部門應加強對電動自行車騎手的安全宣傳教育，保障其自身安全。

對于電動自行車廠商，要生產(chǎn)符合規(guī)范的產(chǎn)品，保障騎行者的安全。對于不合規(guī)定的產(chǎn)品，相關部門應給予嚴厲查處。

4.3 機非分隔帶

由于機非分隔帶不同導致非機動車從非機動車道駛?cè)霗C動車道的難易程度不同，機非分隔帶為標線分隔帶與景觀分隔帶的路段，非機動車占道率相差很大。標線分隔帶沒有物理障礙，允許非機動車輛隨意進出機動車道，減少了車道邊界，使非機動車更容易進入機動車道。

在非機動交通流量較大的路段，應設置景觀分隔帶或安全護欄分隔帶，并保證非機動車輛車道的適當寬度，盡量減少非機動車輛和機動車輛的非法占用，確保道路的安全和交通效率。

參考文獻

[1]KLOPJ R， KHATTAK A. J. Factors influencing bicycle crash severity on two-lane， undivided roadways in North Carolina[J]. Transportation Research Record： Journal of the Transportation Research Board， 1999， 1674： 78-85.

[2]LUO Y. ， JIA B. ， LIU J. ， et al. Modeling the interactions between car and bicycle in heterogeneous traffic[J]. Journal of Advanced Transportation， 2015（1） ： 29-47.

[3]劉仰. 路內(nèi)停車條件下非機動車運行安全研究[D]. 成都：西南交通大學， 2017.

[4]Zhang W. ， Zhou C. ， Huang W. ， et al. Investigating factors affecting riders behaviors of occupying motorized vehicle lanes on urban streets[J]. Accident Analysis & Prevention， 2019， 122： 127-133.

[5]王濟川， 郭志剛. Logistic 回歸模型——方法與應用[M]. 北京：高等教育出版社， 2001： 58-72.

[6]非機動車引發(fā)的道路交通安全問題[J]. 汽車與安全， 2017（11）： 14-15.

[7]Langford B C， Chen J， Cherry C R. Risky riding： Naturalistic methods comparing safety behavior from conventional bicycle riders and electric bike riders[J]. Accident Analysis & Prevention， 2015， 82： 220-226.