付冠宇

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

關(guān)鍵詞 非機(jī)動車；占道行為；交通安全；二項(xiàng)Logistic回歸模型

中圖分類號 U492.8文獻(xiàn)標(biāo)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(jī)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(jī)動車出行也被認(rèn)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(jī)動車輛數(shù)量的增加，非機(jī)動車出行變得更加復(fù)雜，涉及非機(jī)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(jī)動車輛事故是由非機(jī)動車輛侵犯機(jī)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(shè)施雙車道內(nèi)影響機(jī)動車行駛的因素，研究了機(jī)非混行道路中不同自行車流量情況下機(jī)動車的運(yùn)行變化過程。Luo等[2]建立了一種新型元胞自動機(jī)模型模擬了城市道路機(jī)非混行交通運(yùn)行情況，并分析了不同自行車密度下機(jī)動車的橫縱向運(yùn)行特征。劉仰[3]以動態(tài)和靜態(tài)交通為背景，以非機(jī)動車輛為研究對象，探討了非機(jī)動車輛在路邊停車條件下的運(yùn)行安全性，通過交通沖突理論和技術(shù)，建立了機(jī)動車駛出停車位的角度與非機(jī)車沖突時(shí)間的關(guān)系，并據(jù)此提出了停車位大小的建議。然而，對非機(jī)動車侵占機(jī)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(yáng)州市4個地段的交通行為進(jìn)行記錄，探討影響非機(jī)動車輛車道非法占用的因素。這些因素包括道路條件、時(shí)段、騎行者的特點(diǎn)等條件。該研究的目的在于識別和分析影響非機(jī)動車輛占用機(jī)動車車道的因素，研究結(jié)果可為道路規(guī)劃建設(shè)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(diǎn)選取

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

（1）調(diào)查點(diǎn)有專門的非機(jī)動車輛車道。

（2）具有足夠大的非機(jī)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(jī)動車道與機(jī)動車道之間設(shè)有機(jī)非隔離設(shè)施。

在實(shí)地調(diào)查結(jié)束后，同時(shí)根據(jù)論文的調(diào)查對象以及調(diào)查時(shí)間和地點(diǎn)的要求，仔細(xì)選取了4個典型路段進(jìn)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(shù)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(shí)特征[4]。此外，錄制的視頻還可以重放，進(jìn)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(diǎn)處，利用支架將手機(jī)架在高處，能夠較為清晰地觀測路段中非機(jī)動車交通狀況以及騎行者的情況，當(dāng)然，要注意將相機(jī)隱藏以確保記錄的是騎行者的自然行為。

調(diào)查時(shí)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(jī)動車占道行為影響研究分析

經(jīng)過實(shí)地調(diào)查觀測，分別在4個調(diào)查路段采集非機(jī)動車占道情況有效樣本共計(jì)24 552個，占道行為發(fā)生共計(jì)8 210次，并依據(jù)所查閱的文獻(xiàn)以及調(diào)查時(shí)的情況，選取了10個可能對非機(jī)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(jì)見表2。

2.1 模型選擇

2.2 非機(jī)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(jī)動車數(shù)據(jù)24 552組，將手動錄入的EXCEL數(shù)據(jù)導(dǎo)入到SPSS中建立數(shù)據(jù)庫。對非機(jī)動車騎行者性別、是否為工作日、時(shí)段、分隔帶類型、是否與交叉口相鄰、非機(jī)動車類型、是否載人載物、機(jī)動車交通量、非機(jī)動車交通量、是否有路內(nèi)停車等所選取的10個變量進(jìn)行設(shè)定，并且對每個變量對占道行為的影響進(jìn)行Pearson χ?檢驗(yàn)和似然比χ?檢驗(yàn)，檢驗(yàn)結(jié)果見表3。

從表3可以得到是否為工作日、時(shí)段、分隔帶類型、是否與交叉口相鄰、非機(jī)動車類型、是否載人載物、機(jī)動車交通量、非機(jī)動車交通量、是否有路內(nèi)停車的Pearson χ?檢驗(yàn)和似然比χ?檢驗(yàn)的顯著水平均小于0.25，說明上述變量對非機(jī)動車占道行為均有一定影響，且較為顯著。而非機(jī)動車騎行者性別的顯著性水平大于0.25，說明其對非機(jī)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(jī)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(shí)段、分隔帶類型、是否與交叉口相鄰、非機(jī)動車類型、是否載人載物、機(jī)動車交通量、非機(jī)動車交通量、是否有路內(nèi)停車9個影響因素建立非機(jī)動車占道行為決策模型：

2.2.3 模型檢驗(yàn)

（1）模型的顯著性檢驗(yàn)。模型的χ?值可檢驗(yàn)自變量與占道行為對數(shù)發(fā)生比（log odds）的線性相關(guān)性。因此對Logistic回歸模型進(jìn)行模型χ?統(tǒng)計(jì)顯著性檢驗(yàn)，以驗(yàn)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(jī)動車占道行為決策模型進(jìn)行顯著性檢驗(yàn)，檢驗(yàn)結(jié)果見表4。

從表5可以看出：非機(jī)動車占道行為決策模型χ?檢驗(yàn)的顯著性水平值為0.000，該值小于0.05，說明非機(jī)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(guān)，即自變量對因變量能夠進(jìn)行很好的解釋。

（2）Hosmer和Lemeshow檢驗(yàn)Hosmer和Lemeshow檢驗(yàn)是檢驗(yàn)?zāi)Ｐ偷臄M合優(yōu)度。當(dāng)P值不小于檢驗(yàn)水準(zhǔn)時(shí)（即P>0.05），認(rèn)為當(dāng)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(yàn)結(jié)果見表5。

從表6可以看出：Hosmer和Lemeshow檢驗(yàn)顯著性水平的值為0.06，該值大于0.05，說明當(dāng)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(yàn)統(tǒng)計(jì)結(jié)果中，非機(jī)動車騎行者性別的顯著性水平大于0.25，說明其對非機(jī)動車占道行為無顯著影響，即非機(jī)動車騎行者性別不是非機(jī)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(jī)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(jī)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(shí)段、分隔帶類型、是否與交叉口相鄰、機(jī)動車交通量、非機(jī)動車交通量、載人載物、路內(nèi)停車、非機(jī)動車類型。

（1）是否為工作日與非機(jī)動車占道行為呈顯著負(fù)相關(guān)，工作日發(fā)生非機(jī)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(shí)段與非機(jī)動車占道行為呈顯著負(fù)相關(guān)，早高峰發(fā)生非機(jī)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(jī)動車占道行為呈顯著負(fù)相關(guān)，標(biāo)線分隔帶路段發(fā)生非機(jī)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(jī)動車占道行為呈顯著負(fù)相關(guān)，與交叉口相鄰的路段發(fā)生非機(jī)動車占道行為的概率相較于距離交叉口較遠(yuǎn)的路段的概率增加了10.4%。

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

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

（8）非機(jī)動車載人載物與非機(jī)動車占道行為呈顯著負(fù)相關(guān)，非機(jī)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(jī)動車占道行為呈顯著負(fù)相關(guān)，有路內(nèi)停車的路段非機(jī)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(dāng)非機(jī)動車占道率較高，為減少機(jī)非沖突，保證非機(jī)動車行駛安全，將分別從降低單位寬度非機(jī)動車流量、機(jī)非分隔帶設(shè)置和電動自行車管理等角度出發(fā)，提出非機(jī)動車道有效寬度、非機(jī)動車管理和機(jī)非分隔帶等方面可供參考的改善措施[6]。

4.1 非機(jī)動車道有效寬度

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

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

4.2 電動自行車管理

電動自行車在機(jī)動車道上行駛的概率遠(yuǎn)遠(yuǎn)高于普通自行車[7]。同時(shí)，調(diào)查顯示電動自行車出行占非機(jī)動車總數(shù)的93.59%，其占道行為高發(fā)，這意味著加強(qiáng)電動自行車管理迫在眉睫。對此，交管部門應(yīng)加強(qiáng)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(guān)部門應(yīng)給予嚴(yán)厲查處。

4.3 機(jī)非分隔帶

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

在非機(jī)動交通流量較大的路段，應(yīng)設(shè)置景觀分隔帶或安全護(hù)欄分隔帶，并保證非機(jī)動車輛車道的適當(dāng)寬度，盡量減少非機(jī)動車輛和機(jī)動車輛的非法占用，確保道路的安全和交通效率。

參考文獻(xiàn)

[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(jī)動車運(yùn)行安全研究[D]. 成都：西南交通大學(xué)， 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(jì)川， 郭志剛. Logistic 回歸模型——方法與應(yīng)用[M]. 北京：高等教育出版社， 2001： 58-72.

[6]非機(jī)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.