信号控制交叉口行人个体过街行为选择模型

周竹萍 王 炜 任 刚 宫 霞

(1南京理工大学交通工程系,南京 210094)

(2东南大学交通学院,南京 210096)

(3复旦大学附属华山医院,上海200040)

随着我国行人交通事故形势的日趋严峻,行人交通安全问题已引起广泛关注.行人是车外、无防护的交通参与者,在交通事故中最易受到伤害.2009年,我国因交通事故死亡67 759人,其中行人16 683人,占事故总死亡人数的24.62%[1].同年,美国共有4 092个行人在交通事故中丧身,仅占交通事故总死亡人数的12.10%[2].可见,我国行人交通安全问题不可小觑.另外,事实表明大多数的交通事故都伴随着明显的交通违法行为,如2008年、2009年和2010年,由行人闯红灯引起的交通事故占行人违法导致事故总数的35.98%,36.37%和33.02%[1].因此,对行人过街行为,尤其是违法行为的机理研究是交通事故成因分析的关键.

国外学者Gupta[3]将行人过街行为的影响因素总结为7类:个人特征、出行特征、同行类型、道路情况、环境特征、位置功能和邻近人群.此后,又有一些学者针对某一方面因素开展细化研究,如Hatfield等[4]通过对行人过街行为的对比分析,发现过街时使用手机的行人步速缓慢,不注意周围交通状况.Schwebel等[5]通过问卷和交通调查,分析不同性格人群的过街行为特性.Holland等[6]则通过不安全过街行为特性的统计,得出不同年龄、性别人群的行为差异性.

国内学者也做过类似的研究.赵雪娟和王延锋[7-8]认为影响行人过街行为决策的因素主要有3类:行人特性、交通状况、道路环境条件.张壮[9]基于行人行为数据,从行人自身属性和交叉口特性方面分析行人过街行为的影响因素.Zhou等[10-11]以计划行为理论为基础,得出行人违法过街与从众性之间的相关性.作者通过对南京、石嘴山和武汉等城市的行人过街行为的研究发现,行人行为与行人的性别、年龄、过街时长、有无交警和行人流量等存在相关性[12].

对比分析国内外研究可看出,国外学者在该领域已取得丰硕的成果，而国内学者对行人的关注程度不够,在行人交通数据的调查和分析方面还有较大欠缺.因此,有必要结合调查数据,对行人过街行为进行深入研究.

1 行人过街行为的影响因素

结合国内外研究现状,从内部和外部2个角度分析行人过街行为的影响因素.从内部看,由于行人性别、年龄、个性等差别,心理状态不同,行人的行为选择特性也有所不同.因此,内部因素可归纳为个人属性和表达心理特征的主观偏好.从外部看,外部事物和环境的变化是影响行人过街行为的重要因素.根据上述分析,影响行人过街行为决策的因素有5类:个人属性、家庭属性、行人设施属性、交通状况特征和主观偏好.

2 调查方法和数据

2.1 调查内容和方法

调查内容应包括行人过街行为的影响因素.同时也需要调查过街行人的行为特征,包括是否守法、有无跑步、等待时间等.调查时主要针对到达时刻绿灯剩余时间在10 s内或者是红灯时间的行人.因为通过实地观察发现,若在绿灯时间充足时(绿灯大于10 s)到达的行人,肯定在全绿灯的时间内过街,没有研究的必要.

调查时采用现场综合调查法,即在人工观测法获取行为特征和交通状况的基础上,引进同步的问卷调查获取行人的个人属性、家庭属性和主观偏好.通过编号法保证行为数据、交通环境数据、心理数据属于同一调查对象.

2.2 调查数据

为获取更多不同特征的人行横道数据,每个信号交叉口只选择2个方向的进口道进行调查.本研究共调查了南京市12个交叉口的24条人行横道,这些交叉口中包括两车道或四车道、有无中央或两侧分隔带(安全岛、驻足区)、两相位或四相位的交叉口.共记录了3 952个行人的行为数据,其中完成问卷1 970份,获得有效数据1 878份.样本的性别、年龄分布情况见表1.

表1 样本的分布情况

3 过街行为选择与各类属性的相关性分析

3.1 行人过街行为分类

从信号使用的角度,将行人过街行为分为:“全绿”、“先绿后红”、“全红”、“先红后绿”.各行为的具体含义如下:

1) 全绿.行人过街过程中,行人信号灯始终显示绿灯.

2) 先绿后红.过街过程中,信号灯先显示绿灯后显示红灯.

3) 全红.过街过程中,信号灯始终显示红灯.该行为是最普遍的闯红灯行为.

4) 先红后绿.过街过程中,信号灯先显示红灯后显示绿灯.

在所有调查得到的1 878个有效行人样本中,55.17%的行人能遵守交通法规,在全绿的时间内过街,而12.78%,20.13%和11.92%的行人分别为“先绿后红”、“全红”、“先红后绿”行为.

3.2 过街行为选择与各属性的相关性

为研究各因素对过街行为选择是否存在实际影响,以便筛选下一步进行离散选择模型建模的合适变量,需进行相关性分析.

1) 个人属性

分析2个方面的个人属性:一是性别、年龄、职业、受教育程度、收入等社会人口属性；二是驾照、常用交通方式、出行目的等交通相关属性.通过皮尔逊卡方检验表明,性别、年龄、收入对于行人过街行为的影响是显著的.因为学历和职业因素的P值都大于0.05,故这2个因素对过街行为选择无显著影响.在行人的交通相关属性方面,是否拥有驾照(P=0.001)和出行目的(P=0.003)对行人过街行为选择有显著影响,交通方式选择习惯(P=0.455)对过街行为无影响.

2) 家庭属性

3) 行人设施属性

行人设施因素中,人行横道长度、绿灯时长、红灯时长的P值分别为0.024,0.046,0.006,表明这些因素对行人过街行为的选择有显著影响.人行横道宽度(P=0.71)则不会影响行人过街行为.信号灯的显示方式为离散变量,该因素的皮尔逊卡方值为35.303,P值小于0.05,表明信号灯的显示方式对行人过街行为选择有显著影响.

4) 交通状况特征

交通状况特征分为行人交通状况和道路交通状况2方面.行人交通状况因素包括有无结伴、路边等待人数和正在过街人数,其与过街行为选择的相关性分析结果表明:3个因素均与行人过街行为相关(P=0.012,0.001,0.013).道路交通状况因素包括有无来车、行人到达时间,这些因素也均对行人过街行为有显著影响(P=0.000 8,0.000 3).

4 过街行为选择的隐性变量建模

4.1 隐性变量的建模思路

行为科学普遍认为个体的主观偏好(隐性变量)是由性别、年龄、职业等个体的差异性(解释变量)所引起的,可通过个体的行为和态度(表征变量)显现出来,因此隐性变量的模型结构是由解释变量、隐性变量和表征变量三者组成,三者间关系见图1.

图1 隐性变量的模型结构

本文的隐性变量有安全性、从众性、舒适性、便利性和快速性.隐性变量的建模方法可分为2步:

1) 通过解释变量来构造隐性变量,即

5.社会技术人才的利用。在职务犯罪调查信息建设过程中，不可避免地需要社会上技术人才的智力和技术的支援。但是，目前我国信息过程中的特殊专业领域市场化管理法律规范存在缺失的情况，需要通过细化的专业领域在市场化方面积累规范性管理经验，同时也从信息化建设的源头保证信息安全。

η=γ1x1+γ2x2+…+γpxp+ζ

(1)

式中,η为某一隐性变量,如安全性;x1,x2,…,xp为一组可见的解释变量;γ1,γ2,…,γp为参数;ζ为随机扰动项.个体间的潜在偏好和心理需求等是个体差异性的体现,由性别、年龄、收入、受教育程度、有无小孩等引起.

2) 由隐性变量表示出表征变量,即

y1=λ1η+ε1,y2=λ2η+ε2,…,yq=λqη+εq

(2)

式中,y1,y2,…,yq为一组与该隐性变量相关的表征变量;λ1,λ2,…,λq为参数;ε1,ε2,…,εq为误差项.表征变量是隐性变量的能观测到的外在表现.表征变量的建模方法如下:用行为变量来表征安全性和从众性,用态度变量来表征便利性、舒适性和快速性.

4.2 模型的拟合结果

求解时,利用LISREL统计软件对调查数据进行分析.隐性变量ηsafe,ηconf,ηcomf,ηflex,ηfast分别代表安全性、从众性、舒适性、便利性和快速性.选择性别、年龄、职业、学历、收入等个人属性作为解释变量,分别表示为xgend,xage,xprof,xeduc,xinco.除年龄外,其余解释变量均为分类变量,在结构方程建模时将该变量的最低水平赋值为0,随着水平等级的提高,数值逐渐提高到1.性别赋值为:女为0,男为1.

运用LISREL 8.7软件对调查数据进行分析.建模时,通过固定负荷法指定隐性变量的测度单位,将各隐性变量的其中一个λ参数固定为1.γ参数的估计结果见表2.

表2 γ参数的估计结果

5 行人个体过街行为选择的MNL模型

5.1 多项logit模型

离散选择模型中目前应用最广泛的是多项logit(multinomial logit,MNL)模型,该模型假设所有的用户选择都是在同一个层上[13].

按照本文对行人过街行为的分类,模型共分为4个选择肢,选取第1种行为“全绿”作为参考选项,则第i种行为的logit模型可表示为

(3)

5.2 模型参数估计

基于Biogeme平台,对所构建的模型进行参数估计和检验,参数估计结果见表3.

表3 含隐性变量的MNL模型最终参数估计结果

5.3 模型参数分析

5.3.1 参数符号逻辑性分析

以ln(P2/P1)的建模结果来分析参数符号的逻辑性是否正确.按照模型参数的符号,可以定性判断各因素对行人过街行为选择的影响方向.在进入方程的16个变量中,符号为正的变量有:性别、年龄、收入5～8万元、出行目的、人行横道长度、是否陪伴、过街人数、到达时间、便利性和快速性,与预期的参数方向一致,说明所建模型逻辑性正确.

5.3.2 参数敏感性分析

参数敏感性分析是指模型所标定的参数值每变化一个单位对选择概率比的影响变化程度.当某个参数有较小变化时,预测结果会发生较大变化,就认为此参数敏感,该因素对因变量的影响显著.

表3表明,对于“先绿后红”过街概率比,变量“到达时间”的参数值(2.04)最大,主要因为在绿灯后几秒到达的行人最易发生“先绿后红”过街行为.影响处于第2位的变量为“有无来车”,在道路上无来车时,行人更容易不顾信号灯直接过街.对于“全红”过街概率比,变量“性别”的参数值最大,说明性别因素对行人选择全红过街行为影响最显著.对于“先红后绿”行为,年龄因素的影响最显著,参数值为-1.78.其他因素如性别、有无来车、收入也对行人选择“先红后绿”过街行为有较大影响.

6 结语

将行人个体过街行为分为“全绿”、“先绿后红”、“全红”、“先红后绿”,通过建立MNL模型,分析了个人属性、家庭属性、行人设施属性、交通状况属性和主观偏好等因素对行人过街行为的影响机理.结果表明:到达时间因素对行人选择“先绿后红”行为影响最大;性别因素对行人选择“全红”过街行为影响最显著;年龄因素对行人选择“先红后绿”行为影响最为显著.

该研究可为后续的行人过街安全性提升对策提供科学依据:① 上述研究发现违法过街的主要人群为中青年、女性、中低收入者,宣教时应针对不同对象的行为规律和心理特征,采用不同的交通教育方案.② 路口的行人信号灯最好采用倒计时方式,以更好地提供时间信息,使行人能够做出有效判断,从而减少违法行为的发生.

另外,当道路中设置安全岛时,行人在进入安全岛与离开安全岛的2个路段中过街行为的形式可能不同,在未来的研究中应进一步考虑.而且文中未就具体措施实施前后的交叉口行人过街安全评价进行对比分析.以后,可对行人安全性提升对策进行量化分析,直观体现各对策的实际效果,从而为管理者和决策者提供科学依据.

)

[1]中华人民共和国公安部交通管理局.中华人民共和国道路交通事故统计年报(2008—2010)[R].北京:中华人民共和国公安部交通管理局,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]赵雪娟.信号交叉口非机动车与行人违章行为研究 [D].北京:北京交通大学交通运输学院,2007.

[8]王延锋.基于道路管理功能的行人违章穿越行为特性分析与仿真 [D].武汉: 武汉理工大学交通学院,2009.

[9]张壮.城市四支信号交叉口行人交通特性及违法分析 [D].北京: 北京工业大学建筑工程学院,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]关宏志.非集计模型-交通行为分析的工具 [M].北京: 人民交通出版社,2004: 51-55.