EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 7: 1312 - 1325

DOI: https://doi.org/10.12082/dqxxkx.2022.210599

地理空间分析综合应用

基于时空热点分析的城市交通违法行为特征识别方法

  • 赵志远 , 1, 2, 3, * ,
  • 黄永刚 1, 2 ,
  • 吴升 1, 2, 3 ,
  • 邬群勇 1, 2, 3 ,
  • 汪艳霞 4
展开
  • 1.福州大学数字中国研究院（福建）,福州 350003
  • 2.空间数据挖掘与信息共享教育部重点实验室,福州 350003
  • 3.海西政务大数据应用协同创新中心,福州 350002
  • 4.福州市勘测院有限公司,福州 350108

赵志远（1989— ）,男,安徽亳州人,博士,从事时空大数据分析与挖掘。E-mail:

收稿日期: 2021-10-01

  修回日期: 2022-01-10

  网络出版日期: 2022-09-25

基金资助

国家重点研发计划项目(2017YFB0503500)

中国博士后科学基金项目(2019M652244)

福建省中央引导地方科技发展专项(2020L3005)

福建省高校产学合作项目(2021H6004)

收起

Study on the Method of Identifying the Characteristics of the Traffic Violation Behavior based on the Spatial and Temporal Hotspot Analysis Approach

  • ZHAO Zhiyuan , 1, 2, 3, * ,
  • HUANG Yonggang 1, 2 ,
  • WU Sheng 1, 2, 3 ,
  • WU Qunyong 1, 2, 3 ,
  • WANG Yanxia 4
Expand
  • 1. Academy of Digital China (Fujian), Fuzhou University, Fuzhou 350003, China
  • 2. Key Laboratory of Spatial Data Mining and Information Sharing, Ministry of Education, Fuzhou 350003, China
  • 3. Fujian Collaborative Innovation Center for Big Data Applications in Governments, Fuzhou 350002, China
  • 4. Fuzhou Investigation and Surveying Institute, Fuzhou 350108, China
* ZHAO Zhiyuan, E-mail:

Received date: 2021-10-01

  Revised date: 2022-01-10

  Online published: 2022-09-25

Supported by

National Key R & D Program of China(2017YFB0503500)

China Postdoctoral Science Foundation(2019M652244)

The Central Guided Local Development of Science and Technology Project of Fujian(2020L3005)

Fujian Cooperation Project between Universities and Enterprises(2021H6004)

Fold

摘要

交通违法行为是引发交通事故的重要原因,然而现有研究主要关注交通违法行为的整体特征,缺少面向交通违法治理需求的分析框架。本文基于时空热点分析方法,提出从热点区域时间分布特征和典型时段热点区域空间分布特征两个角度识别交通违法行为特征的分析框架,分别用于支撑局部交通违法热点以及全局违法模式的原因分析和精准治理。基于该方法对福州市的机动车和非机动车（含行人）违法行为特征进行了识别分析,结果表明：机动车和非机动车违法行为在时间维度均呈现出9:00和16:00一日双峰特征,在空间维度呈现出“一片区、多热点”的聚集分布特征。二者也存在明显差异,具体表现为：① 在时间维度,非机动车违法行为呈现出更大的变化幅度,高峰时段与中午低谷时段、工作日与周末的违法行为数量差异均明显高于机动车;② 在空间维度,机动车违法行为在商业中心、医院等重要场所和交通枢纽呈现出聚集特征,分布范围更广,而非机动车违法行为则主要在人流量大且人车混行严重的城市中心路口区域呈现聚集特征;③ 不同违法热点地区产生的原因存在差异,需要有针对性制定治理措施。上述发现表明了本文方法能够全面快速识别交通违法行为特征,可以帮助指导城市交通违法行为动态监测分析系统建设,为持续优化城市交通现场执法警力动态分配以及交通违法行为精准治理提供决策支持。

关键词： 交通违法; 时空热点分析; 尺度效应; 非机动车违法行为; 机动车违法行为; 空间异常聚集; 数据挖掘; 福州市

本文引用格式

赵志远 , 黄永刚 , 吴升 , 邬群勇 , 汪艳霞 . 基于时空热点分析的城市交通违法行为特征识别方法[J]. 地球信息科学学报, 2022 , 24(7) : 1312 -1325 . DOI: 10.12082/dqxxkx.2022.210599

Abstract

Urban traffic violation behavior plays an important role in traffic accidents. Analyzing the spatial and temporal distribution of traffic violation behavior can support related decision makings for traffic management and the optimization of the surroundings of the hotspots. Due to the limitation in data acquisition, existing studies paid little attention to the variation of the spatial and temporal patterns between different violation behavior types. There is a lack of analysis framework to support the decision makings in traffic violation behavior treatment. In this study, we propose a traffic-violation-behavior treatment-oriented analysis framework based on the spatial and temporal hotspot approach. Two analyses are designed and conducted to support the traffic violation behavior treatment: (1) analyzing the temporal pattern of each spatial hotspot to support the reasoning analysis and precise treatment policy makings at the local scale; (2) analyzing the spatial pattern of the hotspots during typical periods (e.g., morning and evening rush hours) to support the reasoning analysis and the optimization of the allocation of police resources on a global scale. We use a dataset of Fuzhou city acquired in 2017 to verify the proposed method. The spatial and temporal patterns of the motor traffic violation behavior and the non-motor type are analyzed and compared. We find that: (1) the traffic violation behavior exhibits a double peak hourly pattern at 9:00 am and 4:00 pm during a day, respectively. The morning peak is obviously higher than the evening peak. The traffic violation behavior more likely happens during weekdays than weekends; (2) the traffic violation behavior mainly concentrates at the core-built area within the second ring highway and several hotspots in the suburban area including the shopping mall of Cangshan Wanda and the exit of the Kuiqi tunnel oriented to Mawei; (3) motor and non-motor traffic violation exhibit different temporal and spatial patterns. Non-motor traffic violation frequencies exhibit both larger hourly and weekday-weekend differences, and mainly concentrates at the road crosses with big traffic volume of both motor cars and e-bikes/pedestrian. While the motor traffic violation exhibits more stable patterns across the hours in a day and the days in a week, and mainly happens around the critical places such as large hospitals, shopping malls, and complex overpasses; (4) the spatial scales affect the patterns of the spatial hotspots of the traffic violation behavior. The spatial autocorrelation of the traffic violation increases with the scale size rapidly before 1500 m and keeps around 0.6 afterward. Motor traffic violation exhibits lower spatial autocorrelation than the non-motor. The above findings validate the effectiveness of the proposed method. It can help to guide the construction of the traffic violation behavior treatment platform and further optimize the allocation of the police resources and improve the effectiveness of the law enforcement for the traffic violation behavior.

Key words： traffic violation; spatial and temporal hotspot analysis; scaling effect; non-motor traffic violation; motor traffic violation; spatial cluster pattern; data mining; Fuzhou city

1 引言

我国目前正在建设以人为中心的新型智慧城市,更加注重“人的发展”和满足人民对美好生活向往的需求。随着人群快速涌入,城市中小汽车、电动自行车等私人交通工具迅速普及,出行需求激增、人车矛盾也随之激化,交通安全事故频发,成为威胁城市居民生命安全的重要因素[1-2]。交通违法行为（如闯红灯、违规占道等）严重扰乱了交通秩序,是引发城市交通事故的重要因素之一[3]。分析交通违法行为时空模式,对优化城市执法资源、实现违法行为源头治理、提升城市交通安全水平具有重要意义。
近年来,移动通信技术及设备广泛用于城市交通执法过程,在提高执法效率、规范执法流程的同时,也形成了包括交通违法行为类型、时间、地点等信息的数据资源,为分析交通违法行为时空特征提供了数据基础。既有研究主要可以分为模式发现和影响因素分析2种类型：
（1）在模式发现方面,既有研究主要关注交通违法行为即关联交通事故在时间和空间上的整体分布特征。例如,发现交通违法行为主要在城区和公交站等重点区域呈现聚集特征[4⇓-6],而且违法行引发的交通事故热点随时间发生变化,呈现出现、消失和稳定性等模式[7-8],Moran's I和Getis-Ord Gi*等方法也被用于发现相关行为或事件的低风险或高风险区域[8⇓-10]。上述研究为分析违法行为或交通事故的时间和空间特征提供了启发,但既有研究主要关注整体分布特征,对违法热点的时间和空间细节剖析关注较少,缺少面向违法行为治理需求的分析框架。
（2）在影响因素分析方面,既有研究主要关注违法行为共现因素分析。相关因素主要可分为3类：① 局部环境因素,例如交通标线[11]、公交通道[12]等;② 交通运行状态因素,例如交通拥堵[13]、时空情景[14]等;③ 周围建成环境因素,例如交叉口和道路网密度[15]、公交站点密度[12]、零售店[16]、大型商业体[17]以及学校[18]、土地利用类型[19]。上述研究主要基于时空共现的相关性逻辑,未从交通违法行为自身时空特征所反映的内在驱动机制出发进行分析探索,在支撑交通违法行为治理时,缺少切实可行且有针对性的决策建议。
近年来,在“数字政府”建设深入发展推动下,福州市城市治理数字化水平显著提高,在城市交通违法执法方面累积了丰富的数据资源。与此同时,以电动自行车为代表的非机动化出行方式在城区迅速普及,而且相关出行行为具有较高的随意性,居民出行“人车”矛盾突出[20],交通违法呈现出易发特征,迫切需要有针对性地进行分析治理。为此,本文利用福州市2017年交通违法数据,旨在回答如下2个研究问题：① 城市机动车和非机动车（含行人,下同）交通违法行为呈现出怎样的时空分布特点?② 有关时空模式分析结果对交通违法治理决策有哪些启示?回答上述问题,能够帮助更深入地理解城市交通违法行为的时间与空间特征,支撑交通违法行为精准治理决策。

2 研究方法

本文首先对原始数据进行预处理和空间化,将违法记录数据的地址转化为位置信息,然后按照如下步骤对违法数据类型分别按照机动车和非机动车两类主体进行分析：① 分析对比交通违法行为的时空总体特征;② 参考时空热点矩阵[21-22]分析思路,剖析两类违法热点区域的违法行为时间分布特征、不同高发时段违法热点空间分布特征,揭示不同违法热点的内在驱动因素;③ 采用空间异常聚集识别算法对不同类型交通违法行为进行分析对比,发现适用于不用类型违法行为空间异常聚集的识别算法;④ 围绕违法行为影响因素分析以及对交通违法治理决策的支持进行讨论。分析方法流程如图1 所示。
图1 城市交通违法行为时空特征分析方法流程

Fig. 1 Flowchart of analyzing spatial and temporal patterns of urban traffic violation behavior

2.1 违法行为核密度估计

核密度估计因输出结果直观,常用于评估离散观测地理现象的连续空间分布情况[6,23-24]。在本文中,基于交通违法行为的空间位置,通过核密度估计算法能够在连续的空间范围内展示违法行为的聚集情况,从而提供违法行为空间分布的直观认识。其计算公式为：
f x = 1 n h ∑ i = 1 n k x - x i h
式中： k为核函数; h为搜索半径, ( x - x i )为估计点到样本 x i处的距离; n为样本数,其中核函数和搜索半径是2个关键参数。本文中,核函数以Silverma等提出的四次核函数为基础[25],在搜索半径方面,考虑到交通违法行为主要发生在道路上,而城市主次干道网络间距一般在350~1200 m[26⇓-28],因此本文选择1000 m作为搜索半径进行计算。

2.2 空间异常聚集模式识别

空间异常聚集是地理现象常见的分析特征,表示的是某一属性值在各空间单元与其相邻空间单元的一致性程度[29]。与核密度估计输出结果的直观性相比,空间异常聚集结果通过了显著性检验,具有统计学意义,因此被广泛用于指导具体决策。本文分别根据现有研究中常用的局部空间自相关指数（Local Indicators of Spatial Association, LISA）[30]和Gi*指数（Getis and Ord’Gi）[31-32]对交通违法行为的空间异常聚集特征进行分析。局域空间自相关又叫聚类与异常值分析方法,通过比较观测值和相邻值与全局的关系来探测局部空间要素的热点分布,计算公式如下：
I i = Z i ∑ i ≠ j n w i j Z j
式中： Z i和 Z j分别是网格 i和网格 j交通违法数量的标准化值,空间权重矩阵 w i j是按照反距离加权方式计算的空间权重数值[33-34]。
Getis-Ord Gi*可用来识别有统计显著性的“热点”和“冷点”,经过热点分析后,每一个网格单元都包含P值和Z得分2种属性[31-32],Z得分的绝对值大于1.96且置信度高于95%（概率似然值P<0.05）时属于交通违法的热点区域,公式如下：
G I i * = ∑ j = 1 n w i j x j - X - ∑ j = 1 n w i j S n ∑ j = 1 n w i j 2 - ∑ j = 1 n w i j 2 n - 1
X - = ∑ j = 1 n x j n
s = ∑ j = 1 n x 2 n - x ¯ 2
式中： x j是第 j个网格交通违法的数量; w i j是要素 i和 j之间的按照反距离加权方式计算的空间权重; n为交通违法行为的总数[35]。

2.3 面向交通违法治理需求的时空热点分析

参考时空热点矩阵思想,分别从空间和时间两个维度,对交通违法热点进行剖析。从空间维度,确定违法热点位置,并分别对各热点违法行为的时间特征进行分析,发现其时间分布模式,在为热点地区执法资源分配提供依据的同时,能够结合热点区域的局部环境特征和周围区位特征,揭示各违法热点产生的原因,为交通违法热点精准治理提供决策意见。
从时间维度,确定具有典型特征的时段（如早晚高峰）,分析并对比各时段交通违法热点空间分布模式的规律和异同,在为不同时段有限交通执法资源调度提供参考的同时,可以进一步结合时段特征以及违法热点空间分布模式,进而发现影响交通违法产生的宏观原因,为城市交通违法整体治理提供科学参考。

3 研究区概况、数据来源及预处理

3.1 研究区概况

福州地处海峡西岸,城区东、北环山,西、南临江,受地形限制,主要建成区集中在东西约15 km区域内。据2016年《福州市交通运输发展“十三五”规划》[36]显示,福州市居民出行中公共出行占比较低,仅为26.2%,而福州城区登记注册的电动自行车数量达到210万辆。在出行分担比上,私家车占比为14.3%,电动车、步行、自行车等出行方式占比为60.1%[12]。以福州市为研究区域分析交通违法行为对公共出行占比较低的城市具有指导意义。

3.2 数据来源

本文采用的交通违法数据采集于2017年,来源于福州市交通执法部门执法历史数据库,包括机动车、行人和非机动车违法记录,共有约106万条匿名化记录信息,记录了违法行为的地址、时间、内容等信息（表1）,包含21 615个地址信息以及321项违法内容。
表1 交通违法数据示例

Tab. 1 Examples of traffic violation records

ID 违法地址 违法内容 违法时间
000034*** 卢滨路金洲路口北向 在高速公路或城市快速路以外的道路上行驶时,驾驶人未按规定使用安全带的 2017-10-07 17:20
00003D*** 华林路五四路口 非机动车未在非机动车道内行驶 2017-11-29 9:45
…… …… …… ……
SIRC*** 福飞路新园路口南向 行机动车通过有灯 控路口时,不按所需行进方向驶入导向车道 2017-01-26 8:41

3.3 数据预处理

3.3.1 交通违法行为类型整合

各违法类型中,前20种高频违法行为占比达91.81%,其中机动车违反禁令、禁止标线、标志（35.18%）、机动车违反规定停放（15.81%）、非机动车未在非机动车道内行驶（14.76%）是3种高频的违法行为,累计占比接近65%。本文进一步将前20种交通违法行为根据违法对象,分为机动车违法行为和非机动车违法行为2类,如表2所示。
表2 各违法类型记录次数

Tab. 2 Statistics of the violation records by the type

类型 次数/（万次） 占比/（%） 主要违法行为
机动车违法行为 26.40 49.20 机动车违反禁令标志、禁止标线;机动车违反规定停放;机动车行驶中存在安全隐患;驾驶机动车违反道路交通信号灯通行等
非机动车违法行为 27.27 50.80 非机动车未在非机动车道内行驶;行人和非机动车违反交通信号灯通行;非机动车行驶中存在安全隐患;非机动车逆向行驶等

3.3.2 空间化精度评估

利用高德地图地理/逆地理编码接口（lbs.amap.com）解析违法行为地址对应的经纬度。为评估位置解析精度情况,随机选取了100个地址信息,根据人工判读在地图上进行标记,并提取相应的坐标信息作为比较基准。结果显示误差500 m范围内的记录占76%（图2）。在此基础之上,对数据进行清洗,去除数据中地址为空、位于福州市辖区之外的记录,最终筛选得到交通违法记录共947 645条。
图2 基于高德地图接口的交通违法地址位置解析距离误差

Fig. 2 Spatial errors of the geocoding results of the traffic violation address based on AMap API

4 结果及分析

4.1 总体分布特征

城市交通违法行为主要聚集在城市中心区,并在周围区域呈现出散布聚集性特征。机动车和非机动车的违法行为空间分布则呈现出明显差异。其中,机动车违法行为相对较为分散,但主要集中在商场、医院等重要场所附近,例如仓山万达广场、榕城广场、省妇幼保健院等（图3（a））。此外,在主干道交叉口附近也较为突出,例如三环魁岐隧道马尾方向路口、北二环与福飞南路交叉口等,这些区域车流量大、车流方向多样,容易产生机动车违法行为。而机动车违法行为的时间特征表明,其违法行为在一周各天分布较为均衡,周末只是略低于工作日（图4）。
图3 机动车和非机动车违法行为核密度分析

Fig. 3 Density analysis of traffic violation behavior for motor and non-motor vehicles

图4 机动车与非机动车违法行为的时间分布

Fig. 4 Hourly and daily distribution of illegal activities of motor vehicles and non-motor vehicles during a day

非机动车违法行为在城市中心区更加集中,尤其是在行人和车辆流量大、缺少立体交通的路口,例如福州火车站前路口、三坊七巷北门以及六一中路排尾路口（图3（b））,这些区域人流量大且人车混行现象严重、矛盾突出,对非机动车和行人出行要求高,容易导致违法行为。在时间维度,可以看出非机动车在一天中更加集中于人车矛盾最为突出的工作日早晚高峰期间（图4）。

4.2 热点区域违法行为时间分布特征

为了进一步剖析违法行为的时间特征,分别选取机动车和非机动车类型违法行为最频繁的5个热点区域,对不同区域在一天24 h和一周各天中违法行为的分布情况进行剖析对比。

4.2.1 机动车违法热点区域时间分布特征

机动车违法行为最主要的5个区域主要分布在中心城区与外围城区交界处,在时间维度的特征存在明显差异。在一天24 h方面（图5）,在中心城区和外围城区连接干线位置的违法热点上,违法行为呈现出明显的双峰特征,中午时段虽有波谷,但深度整体较浅。位于非主干道和特殊通道的交通违法行为则有较为独特且集中的时间特征,例如“金洲南路金港路口南向”的违法行为大部分集中在17:00— 18:00早高峰期间虽有局部峰值,但明显低于晚高峰,而其他时段整体较少;而“福州机场高架桥上”则在 6:00—7:00有峰值。在一周各天分布方面,违法聚集地区的机动车违法行为总体平稳,甚至在非工作日出现相对更多的违法行为（图6）。
图5 机动车违法热点一天的时间分布

Fig. 5 Hourly distribution of motor vehicle violation hotspots during a day

图6 机动车违法热点一周的时间分布

Fig. 6 Daily distribution of motor vehicle violation hotspots during a week

表3 机动车违法行为最频繁的5个区域

Tab. 3 Top 5 areas of the motor vehicle violations

序号 地点名称
M1 三环魁岐1#隧道往马尾方向出口处
M2 金山大道新展城口东向
M3 仓前路三县洲大桥下监控范围
M4 金洲南路金港路口南向
M5 福州机场前高架桥上

4.2.2 非机动车违法热点区域时间分布特征

非机动车违法行为最频发的5个区域主要在城市核心区（表4）,并呈现出不同的时间特征。其中,在一天24 h分布方面（图7）,在二环线以内核心城区的违法热点区域,违法行为均呈现出早晚违法行为数量较为一致的双峰特征,而且中午时段违法行为基本趋近为0。而位于核心城区边缘的违法热点则呈现出较为独特的时间特征,“工业路西二环中路口”的违法行为呈现晚高峰明显高于早高峰的特点,相反,“浦上大道尤溪洲大桥西口”位置的违法行为虽然呈现出早晚高峰特征,但早高峰明显高于晚高峰,而“江滨中大道（六一中路至长乐南路路段）”的违法行为呈现出“三峰”特征。此外,各违法热点早晚高峰出现时间呈现出中心城区早高峰出现时间晚、晚高峰出现时间早的特点。在一周各天的时间分布方面,非机动车呈现工作日远高于非工作日的特征,但是不同路口的日间特征仍呈现出一定的差异,例如“华林路五四路口”在工作日变化相对较小,而“北二环路华林路口”则在工作日呈现出较大的波动（图8）。
表4 非机动车违法行为最频繁的5个区域

Tab. 4 Top 5 areas of non-motor vehicle violations

序号 地点名称
N1 华林路五四路口
N2 北二环路华林路口
N3 工业路西二环中路口
N4 浦上大道尤溪洲大桥西口
N5 江滨中大道(六一中路至长乐南路段)
图7 非机动车违法热点一天的时间分布

Fig. 7 Hourly distribution of non-motor vehicle violation hotspots during a day

图8 非机动车违法热点一周的时间分布

Fig. 8 Daily distribution of non-motor vehicle violation hotspots during a week

4.3 高发时段违法热点空间分布特征

考虑到违法行为在早晚高峰期间呈现出高发聚集特征,因此分别对机动车和非机动车在早晚高峰期间违法行为的空间分布进行对比,结果表明早晚高峰期间的交通违法行为空间分布存在明显差异。其中,机动车在早高峰期间的城市中心区,尤其是大型医院附近的主干道附近（八一七路）呈现出违法行为高度聚集;而在晚高峰的商业广场（如万达广场）周围出现高度聚集。而在中心城区和边缘城区之间人群流动关键枢纽处（如金山大道金山大桥西口、三环魁岐隧道往马尾方向出口处）,在早晚高峰期间均有聚集模式出现（图9）。
图9 机动车早高峰和晚高峰违法热点密度

Fig. 9 Violation hotspots of motor vehicles in morning and evening rush hours

非机动车交通违法行为在早晚高峰在大型交通枢纽（如北二环路华林路口）、城市核心商业区（东街口）、交通主干道上的大型关键交通设施（如六一路排尾路口）均呈现出聚集特征;在早高峰期间,在白马南路和工业路口以及西二环路乌山路口处有违法行为异常聚集,而在晚高峰期间,则在国货东路和六一中路口以及梅峰路西二环北路口处有违法行为异常聚集（图10）。
图10 非机动车早高峰和晚高峰违法热点密度

Fig. 10 Violation hotspots of non-motor mode in morning and evening rush hours

4.4 违法行为空间异常聚集特征

本文基于规则格网的空间划分方式,分别采用Gi*指数和LISA指数分析违法行为的空间异常聚集特征。考虑到空间自相关程度及空间尺度效应会影响有关方法的有效性,本文首先对此进行了分析。结果表明,随着分析单元尺寸的增加,违法行为的空间自相关程度在持续上升,并在1500 m之后趋于平缓（图11）,这为更深入理解不同类型分析方法和分析单元的结果提供了参照。
图11 交通违法行为全局莫兰指数随分析网格尺寸变化情况

Fig. 11 The changes of the global Moran's I of traffic violation to the grid size

在本文选择具体分析空间单元大小时,考虑到与本文数据定位精度以及现有论文的可比性,选择500 m作为分析单元尺寸,结果如图12所示。不难发现,异常热点区域分布总体上与核密度图具有较好的一致性,但2种方法识别的结果仍存在明显差异,通过LISA指数发现的高高聚类热点区域范围更加精准、分散,对于整体水平不高、但相较于周围区域具有差异性数值的区域表现更好的识别效果（例如城区外围的热点区域）,对于有突出高值的独立区域（如右下角三环魁岐隧道出口）检测显著性水平相对较低。Gi*指数检测结果呈现出典型的聚集性,对数值异常高的区域识别效果较好,对热度图中热度较高的地区均能捕捉,然而基于Gi*指数识别结果相应的区域呈现出连片聚集特征,这意味着热点区域范围容易被高估。
图12 不同方法在500 m网格下违法行为空间异常热点识别结果

Fig. 12 Identified spatial hotspots of traffic violation based on different methods with the grid size of 500 m

在2种方法的选择上,Anselin[30]指出,Gi*指数适合用于检测全局空间自相关程度较低的地理现象,而当自相关程度较高时,基于LISA指数的分析结果更为合理。在500 m关指数为0.142（Z=6.85, p<0.01）,这意味着该空间尺度下,违法行为呈现出整体较低的正向空间自相关特征,采用Gi*指数得到空间聚集结果相对更为科学。
对于机动车违法行为而言,Gi*指数检测结果呈现出典型的聚集性,与图3（c）热度图的一致性较好,尤其是城中心的连片区和其余4个热点集中区的模式十分清晰,而LISA指数的检测结果则明显较为分散。而对于非机动车违法行为而言,Gi*指数检测出的热点区域范围相对更大,有高估的可能性,而LISA指数的检测结果与图3（b）的热度图一致性更高。这可能与该空间尺度下两种违法行为的空间自相关程度有关,经计算,非机动车和行人违法行为全局莫兰指数为0.116,明显高于机动车违法行为的0.057。这意味着基于LISA指数的方法在用于非机动车和行人违法行为检测时,结果合理性高于对机动车违法行为的检测结果。

5 讨论

5.1 交通违法行为异常聚集原因分析

对于机动车违法行为而言,结合前文分析结果其原因可以初步总结为如下2种类型：局部道路环境设计不合理以及多样化驾驶行为同现。其中局部道路环境设计（如道路标线、交通标志）应当充分考虑驾驶行为习惯和实际需求,否则将容易诱发违法行为,尤其是在道路交叉口或车道发生变化的地方;而多样化驾驶行为同现则主要出现在大型场所（如大型医院、商场）附近,主要因为出行目的地多样,伴随多样化驾驶行为（如减速、转向）,从而激化车辆之间的行驶矛盾,导致违法行为易发（表5）。
表5 交通违法行为异常聚集原因分类及说明

Tab. 5 The potential reasons and instructions of traffic violation behavior

类型 原因分析 说明 时空间分布特点及示例
机动车 局部道路环境设计不合理 因道路标线、交通标志以及其他道路设施设置不合理引发 主要分布在主城区外围道路主要分叉口,例如三环魁岐隧道出口马尾方向
多样化驾驶行为集中同现 因多样化的出行目的在局部区域集中产生的减速、转向等行为引起 主要分布在主城区大型场所附近的路口,例如附近有福建医科大学附属协和医院、附属第一人民医院和福建省儿童医院等大型医院的八一七路口
非机动车 人车混行路口出行流量增加激化行人与机动车之间的矛盾 流量激增,普遍存在机动车道和非机动车道相互占用情况,极大激化两者之间的出行冲突 主要分布在早高峰期间城市中心区人车混行的路口,例如早高峰期间白马南路和工业路口以及西二环路乌山路口处;晚高峰期间国货东路和六一中路口以及梅峰路西二环北路口处
执法点有偏 现场执法点位置违法行为多 本文缺少充分数据进行论证,不做深入讨论
对于非机动车违法行为而言,主要是由于出行流量增加激化了行人与机动车之间的矛盾引起。前文分析可以看出此类违法行为在早晚高峰期间聚集模式突出,并且在空间上主要集中在城市中心区人车混行的路口,而且不同地点早晚高峰峰值出现的时间,与早高峰期间人群从城市外围流入中心城区以及晚高峰期间人群反向流动的时间相一致,这说明在大量人群流动和人车混行的共同作用下,人车矛盾进一步激化,引发了更多的非机动车违法行为。例如早高峰期间,车辆行人流量激增,普遍存在机动车道和非机动车道相互占用情况,极大激化两者之间的出行冲突,从而产生违法行为。此外,由于非机动车违法行为执法对现场执法警力依赖性强,因此有关时间和空间聚集模式也可能与实际现场执法警力资源配置有关,但该问题目前尚缺少有效论据进行论证,本文不做深入探讨。

5.2 交通违法治理决策的启示

交通违法数据时空特征能够为执法资源优化提供支撑。在典型的交通违法行为中,非机动车和行人违法行为中“非机动车未在非机动车道内行驶”等情形需要部署现场警力进行监督执法。因此,对于对现场警力执法资源依赖性较强的交通违法行为,可以根据违法热点的时间和空间特征,从有限执法资源分配、自动化违法行为监测设备部署以及加强违法行为危害宣传进行优化。
对于机动车违法行为治理,则需要结合不同违法热点区域违法行为特征,形成更加有针对性的治理措施。当特定区域违法行为持续较高时,推测为环境因素影响较大,需要重点结合热点区域周围场景内的出行特征和违法行为内容,分析交通标线、指示牌等要素设置的不协同、不合理之处,从而为区域环境优化提供支持;当热点区域违法行为呈现出在特定时段异常聚集特征时,在分析环境因素的同时,可以通过部署现场执法警力协助规范驾驶行为。
对于交通违法行为治理,有如下进一步建议：① 虽然交通违法行为由公安部门进行执法,但交通违法治理需要会同城市规划、交通建设等多个部门相互协作、共同努力,方有成效;② 交通违法治理需注重结果反馈和动态调整原则,相关研究所提供的建议可以作为参考,但具体策略施行需要根据反馈进行动态调整,以最终实现有效治理;③ 建设交通违法行为动态监测和预测系统,本文提出的面向交通违法行为治理需求的分析框架能够用于指导有关系统的功能设置,帮助动态发现并预测交通违法行为异常聚集区域,实现交通违法行为热点从发现、处置,到预测、治理,以及成效反馈监测的闭环式管控。

5.3 研究对比和不足

本文以福州市为例,深入分析对比了机动车和非机动车交通违法行为的时空特征,并对其产生的原因进行了初步分析。与既有福州市违法行为模式的研究相比[4-5],发现有关行为主要分布在二环以内呈现出聚集特点,而与其他城市有关研究结果相比[6-7],交通违法行为呈现出在城市中心区以及重点地点聚集的特征,并且各地区变化模式有明显差异。此外,本文也发现Getis-Ord Gi*方法对机动车违法行为检测空间异常聚集相对更好,与既有研究有关道路碰撞事件的研究发现[9-10]较为一致。于此同时,本文研究拓展了交通违法行为的对比维度,深化了原因探索,并参考时空热点矩阵分析思想,对高发时段和热点区域的时空特征进行了剖析,这对进一步深入理解交通违法行为影响因素,制定针对性治理措施具有重要意义。
相比于已有交通违法行为原因探索的研究[11⇓-13],本文在影响因素分析的系统性、违法类型分析的精细度等方面还有许多不足,主要体现在：① 交通违法行为驱动因素分析仅根据时空特征进行推测,对天气、道路环境、人车流量等关键因素缺乏系统性、定量化分析;② 对比分析中的类别设置较为宏观,同一类违法行为中仍包含多种细分类型,驱动因素也各有不同,直接进行汇总分析难以形成具有针对性的决策建议;③ 空间异常聚集模式分析中虽然初步讨论了空间尺度效应,但对有关效应的普遍性和产生原因方面未进行讨论。

6 结论

本文面向城市交通违法行为治理需求,基于时空热点分析方法,提出城市交通违法行为特征分析框架,即在对交通违法原始数据进行预处理和空间化的基础之上,参考时空热点矩阵分析思想,提出分别从空间和时间两个维度出发,剖析典型违法热点和时段的时空分布模式,为交通执法调配提供决策参考的同时,可以结合局部环境因素以及周围区位特征揭示交通违法热点产生驱动因素。此外,还对比分析了典型时空异常聚集模式识别算法对不同类型违法行为的适用性。
本文以福州市2017年交通违法数据为对象对提出分析框架进行了实践,发现：① 交通违法行为在一天中的9:00和16:00呈现出双峰特征,工作日的违法行为多于周末,而且非机动车和行人相比于机动车,违法行为在一天和一周中的变化呈现出更大的差异性;② 空间异常热点中,机动车违法行为主要集中在商场、医院等重要场所附近,而非机动车和行人违法行为主要发生在重要交通路口附近,影响不同违法热点产生的因素存在差异。③ 机动车的违法行为表现出更低的空间自相关水平,相同条件下,使用Gi*指数能获得比LISA指数更合理的结果。上述分析能够用于指导建设城市交通违法行为动态监测和预测系统,为开展交通违法行为治理决策提供支撑。
未来还可从如下3个方面进一步深入研究：① 结合建成区环境、天气状况、交通设施等因素,分析影响不同违法热点区域产生的潜在原因;② 对具体违法类型的时空模式和影响因素进行深入分析,提出更有针对性的决策建议;③ 对违法行为的时间维度和空间维度尺度效应进行对比分析,加深对交通违法行为中尺度效应的理解。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
许洪国, 周立, 鲁光泉. 中国道路交通安全现状、成因及其对策[J]. 中国安全科学学报, 2004, 14(8):34-38.

[ Xu H G, Zhou L, Lu G Q. Current status, cause analysis and countermeasures of road traffic safety in China[J]. China Safety Science Journal, 2004, 14(8):34-38. ] DOI: 10.16265/j.cnki.issn1003-3033.2004.08.009

DOI

[2]
戴帅. 我国城市道路交通安全问题及对策[J]. 综合运输, 2015, 37(7):9-12,21.

[ Dai S. Urban traffic safety problems and countermeasures in China[J]. China Transportation Review, 2015, 37(7):9-12,21. ]

[3]
Yu S, Jia Y H, Sun D Y. Identifying factors that influence the patterns of road crashes using association rules: A case study from Wisconsin, United States[J]. Sustainability, 2019, 11(7):1925. DOI: 10.3390/su11071925

DOI

[4]
梁娟珠, 徐森. 福州市城市交通违法行为的空间分布规律分析[J]. 华侨大学学报(自然科学版), 2021, 42(1):128-134.

[ Liang J Z, Xu S. Analysis on spatial distribution law of urban traffic violations in Fuzhou City[J]. Journal of Huaqiao University (Natural Science), 2021, 42(1):128-134. ] DOI: 10.11830/ISSN.1000-5013.202004007

DOI

[5]
徐森, 梁娟珠. 基于福州市交通违法数据的时空关联规则挖掘研究[J]. 地理信息世界, 2020, 27(5):46-51.

[ Xu S, Liang J Z. Mining space-time association rules based on traffic violation data in Fuzhou[J]. Geomatics World, 2020, 27(5):46-51. ] DOI: 10.3969/j.issn.1672-1586.2020.05.008

DOI

[6]
Anderson T K. Kernel density estimation and K-means clustering to profile road accident hotspots[J]. Accident; Analysis and Prevention, 2009, 41(3):359-364. DOI: 10.1 016/j.aap.2008.12.014

DOI

[7]
Bíl M, Andrášik R, Sedoník J. A detailed spatiotemporal analysis of traffic crash hotspots[J]. Applied Geography, 2019, 107:82-90. DOI: 10.1016/j.apgeog.2019.04.008

DOI

[8]
Blazquez C A, Picarte B, Calderón J F, et al. Spatial autocorrelation analysis of cargo trucks on highway crashes in Chile[J]. Accident; Analysis and Prevention, 2018, 120:195-210. DOI: 10.1016/j.aap.2018.08.022

DOI

[9]
Vandenbulcke G, Thomas I, de Geus B, et al. Mapping bicycle use and the risk of accidents for commuters who cycle to work in Belgium[J]. Transport Policy, 2009, 16(2):77-87. DOI: 10.1016/j.tranpol.2009.03.004

DOI

[10]
Ouni F, Belloumi M. Pattern of road traffic crash hot zones versus probable hot zones in Tunisia: A geospatial analysis[J]. Accident; Analysis and Prevention, 2019, 128:185-196. DOI: 10.1016/j.aap.2019.04.008

DOI

[11]
蒋贤才, 黄科, 汪贝, 等. 电子执法环境下交通违法行为影响因素分析[J]. 哈尔滨工业大学学报, 2013, 45(8):84-89.

[ Jiang X C, Huang K, Wang B, et al. Analysis of affecting factors on traffic violation under the environment of electronic enforcement[J]. Journal of Harbin Institute of Technology, 2013, 45(8):84-89. ] DOI: 10.11918/j.issn.0367-6234.2013.08.013

DOI

[12]
Truong L, Somenahalli S. Using GIS to identify pedestrian-vehicle crash hot spots and unsafe bus stops[J]. Journal of Public Transportation, 2011, 14(1):99-114. DOI: 10.5038/2375-0901.14.1.6

DOI

[13]
Dams G L, Simon A, Danjuma S, et al. A simulation to minimize traffic violation in Nigeria through the use of smart spike strip[J]. Science World Journal, 2019, 14:116-120.

[14]
付川云, 刘华, 周悦, 等. 基于电子抓拍数据的交通违法行为影响因素研究[J]. 武汉理工大学学报(交通科学与工程版), 2019, 43(6):985-990.

[ Fu C Y, Liu H, Zhou Y, et al. Research on influencing factors of traffic violations based on electronic capture data[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2019,43( 6):985-990. ] DOI: 10.3963/j.issn.2095-3844.2019.06.001

DOI

[15]
Aguero-Valverde J. Multivariate spatial models of excess crash frequency at area level: Case of Costa Rica[J]. Accident; Analysis and Prevention, 2013, 59:365-373. DOI: 10.1016/j.aap.2013.06.014

DOI

[16]
Lee J, Abdel-Aty M. Macro-level analysis of bicycle safety: Focusing on the characteristics of both crash location and residence[J]. International Journal of Sustainable Transportation, 2018, 12(8):553-560. DOI: 10.1080/15568 318.2017.1407973

DOI

[17]
Dumbaugh E, Li W H. Designing for the safety of pedestrians, cyclists, and motorists in urban environments[J]. Journal of the American Planning Association, 2010, 77(1):69-88. DOI: 10.1080/01944363.2011.536101

DOI

[18]
Yu C Y, Zhu X M. Planning for safe schools[J]. Journal of Planning Education and Research, 2016, 36(4):476-486. DOI: 10.1177/0739456x15616460

DOI

[19]
Izanloo A, Rafsanjani A K, Ebrahimi S P. Effect of commercial land use and accessibility factor on traffic flow in bojnourd[J]. Journal of Urban Planning and Development, 2017, 143(2):05016016. DOI: 10.1061/(asce)up.1943-5444.0000366

DOI

[20]
薛涛. “限电令”能否破解城市交通管理难题?[EB/OL]. http://www.xinhuanet.com/2020-06/25/c_1126158582.htm 2021年9月30获取).

[ Xue T. Can the "power rationing order" solve the problem of urban traffic management?[EB/OL]. http://www.xinhuanet.com/2020-06/25/c_1126158582.htm last accessed on September 30th 2021).]

[21]
Ratcliffe J H. The hotspot matrix: A framework for the spatio-temporal targeting of crime reduction[J]. Police Practice and Research, 2004, 5(1):5-23. DOI: 10.1080/1561426042000191305

DOI

[22]
徐冲, 柳林, 周素红, 等. DP半岛街头抢劫犯罪案件热点时空模式[J]. 地理学报, 2013, 68(12):1714-1723.

DOI

[ Liu L, Zhou S H, et al. The spatio-temporal patterns of street robbery in DP peninsula[J]. Acta Geographica Sinica, 2013, 68(12):1714-1723. ] DOI: 10.11821/dlxb201312011

DOI

[23]
孙小芳. 夜光遥感支持下的城市人口核密度空间化及自相关分析[J]. 地球信息科学学报, 2020, 22(11):2256-2266.

DOI

[ Spatialization and autocorrelation analysis of urban population kernel density supported by nighttime light remote sensing[J]. Journal of Geo-Information Science, 2020, 22(11):2256-2266. ] DOI: 10.12082/dqx xkx.2020.200289

DOI

[24]
吴康敏, 王洋, 叶玉瑶, 等. 广州市零售业态空间分异影响因素识别与驱动力研究[J]. 地球信息科学学报, 2020, 22(6):1228-1239.

DOI

[ Wu K M, Wang Y, Ye Y Y, et al. A study on the influencing factors and driving forces of spatial differentiation of retail formats in Guangzhou[J]. Journal of Geo-Information Science, 2020, 22(6):1228-1239. ] DOI: 10.12082\dqxxkx.2020.190353

DOI

[25]
Silverman B W. Density estimation for statistics and data analysis[M]. London: Chapman and Hall, 1986.

[26]
曾滢. 城市路网窄密程度评估方法研究——以广州为例[J]. 城市建筑, 2020, 17(19):53-58.

[ Zeng Y. Research on evaluation method for the degree of narrowness and density of urban road network—A case of Guangzhou[J]. Urbanism and Architecture, 2020, 17(19):53-58. ] DOI: 10.19892/j.cnki.csjz.2020.19.011

DOI

[27]
GB/50220-1995,城市道路交通规划设计规范[S]. 北京: 中国标准出版社, 1995.

[GB/50220-1995,Code for transport planning on urban road[S]. Beijing: China Standard Press, 1995. ]

[28]
陈超. 小尺度街区模式研究——对重庆悦来生态城规划的分析评价[D]. 重庆: 重庆大学, 2015.

[ Chen C. Study on the model of small scale blocks—Analysis and evaluation of Chongqing Yuelai eco city planning[D]. Chongqing: Chongqing University, 2015. ]

[29]
Haining R P. Spatial autocorrelation[M]// International Encyclopedia of the Social & Behavioral Sciences. Amsterdam: Elsevier, 2001:14763-14768. DOI: 10.1016/b0-08-043076-7/02511-0

DOI

[30]
Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2):93-115. DOI: 10.1 111/j.1538-4632.1995.tb00338.x

DOI

[31]
Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992, 24(3):189-206. DOI: 10.1111/j.1538-4632.1992.tb00261.x

DOI

[32]
Al Hamami M, Matisziw T C. Measuring the spatiotemporal evolution of accident hot spots[J]. Accident; Analysis and Prevention, 2021, 157:106133. DOI: 10.1016/j.aap.2021.106133

DOI

[33]
杜挺, 谢贤健, 梁海艳, 等. 基于熵权TOPSIS和GIS的重庆市县域经济综合评价及空间分析[J]. 经济地理, 2014, 34(6):40-47.

[ Xie X J, Liang H Y, et al. County economy comprehensive evaluation and spatial analysis in Chongqing City based on entropy weight-TOPSIS and GIS[J]. Economic Geography, 2014, 34(6):40-47. ] DOI: 10.15957/j.cnki.jjdl.2014.06.026

DOI

[34]
李雅箐, 李小娟, 王彦兵. 北京市房山区农村经济发展空间格局分析[J]. 地球信息科学学报, 2011, 13(3):391-400.

DOI

[ Li X J, Wang Y B. Spatial pattern analysis of rural economic development in Fangshan District, Beijing[J]. Journal of Geo-information Science, 2011, 13(3):391-400. ] DOI: 10.3724/SP.J.1047.2011.00391

DOI

[35]
崔娜娜, 冯长春, 宋煜. 北京市居住用地出让价格的空间格局及影响因素[J]. 地理学报, 2017, 72(6):1049-1062.

DOI

[ Cui N N, Feng C C, Song Y. Spatial pattern of residential land parcels and determinants of residential land price in Beijing since 2004[J]. Acta Geographica Sinica, 2017, 72(6):1049-1062. ]DOI: 10.11821/dlxb201706008

DOI

[36]
福州市交通运输局. 《福州市交通运输发展“十三五”规划》[EB/OL]. http://fzjt.fuzhou.gov.cn/zz/zwgk/ghjh_33476/201609/t20160914_1618278.htm 2016年9月14获取).

[ Fuzhou Municipal Transportation Bureau. "The 13th five-year plan for the development of transportation in Fuzhou"[EB/OL]. http://fzjt.fuzhou.gov.cn/zz/zwgk/ghjh_33476/201609/t20160914_1618278.htm last accessed on September 14th 2016). ]

Options
文章导航

/

〈 〉