不同时段中工程建设对工程运输车交通事故影响研究

泮江珊 金程程 郑元玺 王永明 牟振华

摘要：城市工程建设时间的差异对交通事故造成影响。为减少交通事故的发生，从时间角度分析工程建设对交通事故的影响，选出最合适的工程建设时间。基于历城区工程建设项目和事故数据，运用空间统计及计量方法，对工程运输车事故与工程项目进行相关性检验，探究单双变量情况下对空间影响最显著的季节和时段。结果表明，济南市工程运输车事故的空间自相关性、工程建设项目与事故空间相关性以及工程建设项目对事故的空间效应均在第三季度及凌晨时段更显著；项目数量或项目面积的增加与交通事故量呈正相关，两者的相关性在第三季度及凌晨时段最高。

关键词：交通事故；工程建设；空间自相关；空间杜宾模型；时间维度

中图分类号：

U491.31

文献标志码：A

工程建设项目为城市基础设施的发展和改善提供了经济机会。然而，工程建设项目中往往涉及大量运输建筑材料的工程运输车，且大多数为重型货车，不仅增加了交通压力，也增加了道路车辆的类型及发生交通事故的可能性[1-4]。国家统计局数据显示，2016—2020年全国年平均道路交通事故230 630.4件，每年有62 905人因交通事故死亡，直接财产损失高达12.93亿元。济南市交警支队公布数据显示，2016年济南市重型货车事故占死伤事故总数的55.1%，引发各方关注[5-6]，工程建设与道路安全之间的关系值得进一步探究。交通事故的空间分布受多种因素的影响，如驾驶员行为属性和经验、重型车的特点以及天气和环境路况。不同性别和年龄段的司机发生致命事故的可能性存在差异，受生理差异和认知能力等因素影响，女性驾驶员在遭遇交通事故时，死亡风险小但受伤风险高[7]。交通参与者违反交通规则以及重型货车存在视觉盲区是重型车发生交通事故的主要原因[8-9]，工程运输车因重量大、速度缓慢等特点，发生致命事故和严重财产损失事故比例更高[10]。恶劣的天气条件和路况可能会导致工程运输车事故的增加，例如雨雪导致路面湿滑、能见度差等因素会增加事故发生风险[11-12]；黑暗环境中发生碰撞事故概率为白天的2倍多，发生致命事故的概率为白天的9倍多[8]；风速能影响车辆的平稳运行，风速特征数据可作为重型货车等车辆发生侧翻事故的风险预测指标[13]。工程运输车事故通常发生在工程建设项目的施工区域内，复杂的项目建设周边环境会增加交通事故发生风险。分析建设用地周边交通事故数据可知，城市建设施工区周边重型货车比例的增加和建设用地的高限速值会增加严重伤害事故发生概率[14]，工程运输车事故自身具有空间依赖性，且与工程建设项目存在显著空间正相关关系，道路与交通设施用地的建设项目对事故的影响最大[15]。工程运输车事故时间分布存在差异性，农村主干道的早高峰时段和正午以及城市主干道的正午和夜间时段施工区死亡事故中大货车因素的占比最高[16]，分析云南高速公路长大下坡路段重型车数据，发现00：00～07：59时段发生的交通事故严重程度最高[17]。目前研究大多着眼于交通事故和工程建设项目之间的关系，并未在时间维度进行相关性分析。本文运用空间计量统计学方法，探究工程建设项目与工程运输车事故在不同时间维度的空间相关性。

1 研究数据

1.1 数据来源

研究数据来源于济南历城区交警部门，筛选出1 977起工程运输车事故数据作为因变量，不同类型工程建设项目的建筑面积作为解释变量，分为：综合用地、居住用地、商业用地、工业用地、公共服务设施用地和道路与交通设施用地，建筑面积分别为4 143.96、7 902.87、7 587.76、319.16、696.14、340.35 hm2。

1.2 数据预处理

使用百度地图API接口提取交通事故和工程建设项目地理位置信息，借助ArcGIS 10.7可视化处理，描绘工程运输车交通事故和工程建设项目的空间位置分布（图1）。考虑到铺设混凝土的时间要求，运输时间过长会影响使用强度，以45 min作为运输车最长服务时间，根据最佳时间内运输车所能行驶的距离，将研究区域划分为1 459个1 km×1 km方格区域。

从时间维度开展历城区交通事故数据分布特征统计分析，相比月份间的差异，季度变化差异更明显，划分为4个季度：第一季度（1～3月）、第二季度（4～6月）、第三季度（7～9月）、第四季度（10～12月）；工程运输车事故主要分布在凌晨1～6时，划分为4个时段：凌晨（1～6时）、上午（7～12时）、下午（13～18时）、晚上（19～24时）。

2 研究方法

2.1 空间权重矩阵

空间自相关分析需要定量描述邻接区域的邻接关系，对比分析不同矩阵的空间自相关结果，选择空间关联性最明显的矩阵（表2）。构建空间计量模型统计分析时，以空间权重矩阵W表示n个位置的空间区域的邻接关系

W=w11w12w21w22…w1n…w2n……wn1wn2………wnn（1）

其中，wij表示区域i和j的邻接关系。

2.2 空间自相关性

（1） 全局空间自相关检验。全局Moran′s I（莫兰指数）分为单变量全局Moran′s I和双变量全局 Moran′s I，单变量全局Moran′s I揭示单变量之间的空间关联性，双变量全局Moran′s I揭示多变量间空间相关性[18]

S_Moran's I=∑ni=1∑nj=1wij（yi-y-）（yj-y-）S2W（2）

D_Moran's I=∑ni=1∑nj=1wij（yi-y-）（μj-μ-）S2W（3）

其中，S_Moran's I为工程运输车事故空间自相关系数；n为区域总数；yi和yj分别为区域i和区域j的工程运输车事故数量；y-为区域内工程运输车事故均值；S为工程运输车事故数量标准差。D_Moran's I为双变量空间自相关系数；μj为区域j可服务工程建设项目数量；μ-为区域内可服务工程建设项目数量均值。

（2）局部空间自相关检验。全局检验只反映整体状态，可能掩盖局部状态的不稳定性，局部空间自相关检验能够更好地描述空间关系[19]，表现每个区域工程运输车事故与其领域其他属性的相似程度

Ii=yi-y-S2∑jwijyj-y-）（4）

I*i=yi-y-S2∑jwijμj-μ-）（5）

其中，Ii为单变量局部空间自相关系数；I*i为双变量局部空间自相关系数。

2.3 空间回归模型

空间自相关检验只能定性地分析交通事故空间特征，还需量化分析工程建设的空间效应。目前常用的空间计量模型有空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）[20]等。通过对比空间回归模型与传统OLS模型，拟合出最佳模型评价工程建设对工程运输车事故的空间效应。

（1） SLM。SLM模型包含工程运输车事故的一个空间滞后因子，其空间滞后项由空间权重矩阵W与工程运输车事故乘积构成，用于解释工程运输车事故自相关情况

Y=ρWY+βX+αln+ε（6）

其中，Y为工程运输车事故矩阵；ρ为空间自相关系数；WY为工程运输车事故空间滞后因子，是一内生变量，反映空间距离对区域行为的作用；β为回归系数，反映工程建设对工程运输车事故的影响；X为工程建设项目矩阵；α为常数项；ln为N×1阶单位矩阵；ε为N×1维误差向量。

（2） SEM。SEM模型假定区域间的相互作用通过误差项实现，空间滞后项是空间权重矩阵与误差项乘积作为误差项的解释变量，但不作为工程运输车事故的解释变量[21]

Y=βX+αln+ε=βX+αln+λWε+ξ（7）

其中，λ为空间自相关系数；ξ为回归误差模型的误差项。

（3） SDM。SDM是SLM和SEM的拓展，同时考虑工程运输车事故和工程建设的空间相关关系，工程建设的变化会影响本区域和邻近区域的工程运输车事故，对SDM模型得出的空间效应进行分解，直接效应反映对本区域的影响，间接效应反映对其他区域的平均影响，总效应为直接效应与间接效应之和

Y=ρWY+βX+θWX+αln+ε（8）

其中，θ为回归系数。

运用空间计量统计学方法对工程运输车事故进行时间维度分析，具体步骤见图2。

3 空间相关检验结果

3.1 Moran′s I计算结果分析

将数据导入Geoda进行全局空间自相关检验，确定最优的空间权重矩阵，所有结果均在1%置信水平上显著，可信度较高。工程运输车事故数据在各权重矩阵下空间相关性并不相同，“后式”权重矩阵的Moran′s I为0.323，“车式”权重矩阵的Moran′s I为0.408，“自适应核”权重矩阵的Moran′s I为0.260，“距离带”权重矩阵的Moran′s I为0.458，“K-近邻”权重矩阵的Moran′s I为0.407，其中“距离带”权重矩阵下的空间关系最为明显。对交通事故数据进行增量空间相关性计算，在距离为1.2 km时，空间相关性最明显（图3）。因此，最终采用“距离带”权重矩阵，带宽1.2 km。

基于季度和时段分别进行事故自相关检验并与工程建设项目进行相关性分析，证明事故空间分布位置与城市建设项目空间位置分布之间的相关性。

（1）季度。由式（1）和（2），作单双变量全局空间自相关计算，Moran′s I值在1%置信水平上通过检验，可信度较高（表3）。工程运输车事故在第三季度具有明显的空间集聚性，且与工程建设项目在第三季度空间相关性最高。因为第三季度是工程建设项目的最佳时期，此时工程建设项目施工进度加快，工程运输车数量剧增，导致工程运输车事故频发。

（2） 时段。由式（1）和（2），作单双变量自相关计算，Moran′s I值在1%置信水平上通过检验，可信度较高（表4）。工程运输车事故在凌晨时段有明显的空间集聚性，同时与工程建设项目的空间相关性也最高。工程单位为提升工程建设效率，在符合规范的条件下，允许夜间运输，夜间光照条件较差，从而增大了凌晨时段发生事故的风险。

3.2 局部LISA图结果分析

使用Geoda软件计算事故与工程建设项目相关性，绘制LISA集聚图，分析区域局部空间单变量和双变量相关性，将空间格局分为高—高型、低—低型、高—低型和低—高型。

（1） 季度。在季度上对单双变量进行局部空间自相关检验。由图4，工程运输车交通事故在第三季度高—高型空间单元中数量最多，略多于第三季度工程建设项目的高—高型空间单元数量。因为第三季度气候适宜，工程建设项目开工和建设的数量多，建筑材料需求量变大，工程运输车数量激增，导致事故增加。

（2）时段。在时段上对单双变量作局部空间自相关检验。由图5，无论是单变量还是双变量，高—高型空间单元在4个时段的分布数量和位置均较稳定，几乎没有差异，在凌晨时段和白天均显示出高相关性。由于凌晨时段行车易犯困、工程运输车自身存在视线盲区且凌晨时段光照条件不充足、工程运输车超速超载等原因，导致事故频发。

3.3 空间效应结果分析

解释变量间存在线性关系时，会导致被解释变量单独影响力的估计偏差。为选出合适的模型，首先要对解释变量进行VIF（方差膨胀系数）检验，然后进行OLS模型回归分析。使用SPSS进行多重共线性检验，解释变量VIF值分别为2.742、9.094、6.413、1.238、2.284、1.306，均小于10，表明不存在多重共线性。表5中，OLS模型R2为0.272，对该事故具有一定的解释能力，但模型拟合效果一般，因此考虑引入空间计量学模型。为检验数据是否适用空间回归模型，对数据进行OLS模型回归分析，基于OLS模型进行LM检验，LM-error和LM-lag分别在5%和10%的置信水平上通过检验，Robust LM-error和Robust LM-lag均在1%的置信水平显著，表明数据适合采用SDM模型计算（表6）。LR检验中，LR-error和LR-lag在1%置信水平上拒绝原假设，表明该数据下SDM模型不会退化为SEM或者SLM。空间计量模型输出的并非真实R2，拟合优度值R2只适用于OLS模型比较。Log-likelihood值越高，AIC值和SC值越低，表明模型适用性越好，对比上述实验结果发现SDM模型适用性最好。表7中，除W_lnPubilc变量外，其余变量的模型系数均通过5%显著性检验，表明本区域和邻近区域各变量都会对工程运输车事故的发生产生影响，建筑面积越大，事故发生的可能性越大。综合考虑后采用SDM模型进行后续计算。

分解SDM模型得出的空间效应，在不同时间维度分析工程建设项目对空间单元内及邻近空间单元内交通事故的空间影响。

（1） 不同季度项目建设对事故的空间影响。运用SDM计算，得出不同季度下工程建设项目数量和不同用地类型建筑面积对交通事故的直接效应和溢出效应（表8）。从直接效应看，对空间单元内影响显著的变量从大到小排列，依次为：项目数量、道路与交通设施、居住用地、商业用地、综合用地，工业用地和公共服务设施用地建筑面积与事故成负相关关系。所有变量对空间单元造成的影响在第三季度均更明显。随着项目建设数量的增加，第三季度所在空间单元增加的事故量超过第一季度1.5倍。从间接效应看，对空间单元内影响显著的变量从大到小排列，依次为：项目数量、道路与交通设施、商业用地、居住用地、综合用地，空间单元内工业用地和公共服务设施用地建筑面积对邻近空间单元的影响未通过置信度检验，溢出效应结果中第三季度依然最为显著。道路施工区工程运输车比例增加，导致严重事故发生的概率增加[15]，即道路与交通设施用地的工程建设项目面积增加所引发的交通事故数量远高于其他类型工程建设项目。

（2） 不同时段项目建设对事故的空间影响。运用SDM模型进行计算，得出4个时段下工程建设项目数量和不同用地类型建筑面积对交通事故的直接效应和溢出效应（表9）。从直接效应看，对空间单元内影响显著的变量从大到小排列，依次为：项目数量、综合用地、商业用地、道路与交通设施、居住用地，工业用地和公共服务设施用地建筑面积与事故成负相关关系。除道路与交通设施外，其余变量在凌晨、晚上时段对事故量的影响较大。从间接效应看，对空间单元内影响显著的变量从大到小排列，依次为：项目数量、道路与交通设施、居住用地、商业用地、综合用地。除道路与交通设施外，其余变量在凌晨、晚上时段对事故量的影响更为明显。原因包括夜间缺少交通管制，运输车出现超速超载行为以及重型车存在视野盲区以及为加快大规模项目的建设进度，晚上时段不停工、夜间光照条件不充足而导致的视野受限等。

4 结论

本文基于历城区事故数据和工程建设项目数据，运用空间计量相关方法从不同时间维度定量分析济南市工程建设项目对工程运输车事故的空间影响。季度上，工程建设项目与事故空间相关性在第三季度更显著。第三季度表征两者空间相关性的Moran's I最高，占全季度Moran's I总和28%；第三季度两者集聚程度在4个季度中最高，高—高空间集聚单元占全季度高—高空间集聚单元29%；项目数量或项目面积的增加与交通事故量呈正相关，两者相关性在第三季度最高，项目数量或面积每增加1%，交通事故量平均增加1.08‰。时段上，工程建设项目与事故空间相关性在凌晨时段更显著。凌晨时段表征两者空间相关性的Moran's I最高，占全时段Moran's I总和27%；凌晨时段两者集聚程度在4个时段中最高，高—高空间集聚单元占全时段高—高空间集聚单元26%；项目数量或项目面积的增加与交通事故量呈正相关，两者相关性在凌晨时段最高，项目数量或面积每增加1%，交通事故量平均增加0.79‰。

研究仍存在一定的局限性。首先，需要从宏观时间角度综合考虑工程建设的年限，横向对比探究对交通事故影响更显著的工程项目建设阶段。其次，在未来的研究中可以扩大研究范围，对同一城市不同区域按照不同时间维度进行对比。最后，雨雪天气、光照条件等因素会影响交通事故发生的概率与严重程度，应增加天气光照数据并分析其相关性，从而使数据更充足，结果更具说服力。

工程运输车事故空间自相关性及工程建设与事故之间的空间相关性在第三季度和凌晨时段最显著。规划者在进行区域交通安全评价时，不仅要关注事故高发区和工程建设项目密集区域，也要根据事故高发的季节和时段采取限速、提高夜间照明条件等方式，以此减少事故发生。在城市建设过程中，合理规划工程建设项目的分布位置和动工时间，设置明显的标志和警告；合理调度项目间的工程运输车，减少运输距离和运输次数；加强施工区域的交通管理和监管，确保施工车辆和普通车辆之间的安全协调；增设电子设备查处工程运输车的超速超载行为；在恶劣天气下限制工程运输车的行驶速度，确保路面安全；在不影响市民的情况下增强夜间光照条件；控制工程运输车在道路上的可行驶时间，避免早高峰出行，提高工程运输车的运输效率；对工程运输车驾驶员进行强化培训考试、加大违章处罚力度。通过这些措施的综合应用，最大程度地减少工程建设项目对工程运输车事故的空间影响，保障交通安全和施工项目的顺利进行。

参考文献

[1]LEVINE J， MERLIN L， GRENGS J. Project-level accessibility analysis for land-use planning[J]. Transport Policy， 2017， 53： 107-119.

[2]NISKA A， WENALL J， KARLSTROM J. Crash tests to evaluate the design of temporary traffic control devices for increased safety of cyclists at road works[J]. Accident Analysis & Prevention， 2022， 166： 106529.

[3]WANG Z Y， BAI Y F， ZHU R， et al. Impact analysis of extra traffic induced by project construction during planned special events[J]. Transportation Research Record Journal of the Transportation Research Board， 2019， 2673（7）： 402-412.

[4]MIRANDA-MORENO L， MORENCY P， EL-GENEIDY A. The link between built environment， pedestrian activity and pedestrian-vehicle collision occurrence at signalized intersections[J]. Accident Analysis & Prevention， 2011， 43（5）： 1624-1634.

[5]BRODIE L， BUGEJA L， IBRAHIM J E. Heavy vehicle driver fatalities： Learning's from fatal road crash investigations in Victoria[J]. Accident Analysis and Prevention， 2009， 41（3）： 557-564.

[6]LOMBARDI D A， HORREY W J， COURTNEY T K， et al. Age-related differences in fatal intersection crashes in the United States[J]. Accident Analysis and Prevention， 2017， 99： 20-29.

[7]COX A E， CICCHINO J B. Continued trends in older driver crash involve rates in the United States： Data through 2017-2018[J]. Journal of Safety Research， 2021， 77： 288-295.

[8]SULLIVAN M J. Visibility and rear-end collisions involving light vehicles and truck[D]. Michigan： The University of Michigan， 2004.

[9]王琦， 王宏雁， 陈君毅， 等. 上海市重型货车事故特征及其安全性研究[J]. 交通与运输（学术版）， 2016（2）： 187-191.

[10] OIKAWA S， MATSUI Y， KUBOTA N， et al. Features of fatal truck accidents compared with sedans[J]. International Journal of Automotive Technology， 2021， 22（4）： 931-939.

[11] 央美， 田华， 达瓦泽仁， 等. 那曲市公路交通事故不良天气高影响路段及其气象因素分析[J]. 气象与环境学报， 2023， 39（2）： 100-106.

[12] 陈治. 考虑天气和道路条件影响的道路交通事故严重程度分析及预测[D]. 北京： 北京交通大学， 2023.

[13] KIM S， SEYEDI M， KIM H K. Risk assessment of wind-induced vehicle accidents on long-span bridges using onsite wind and traffic data[J]. Journal of Structural Engineering， 2022， 148（10）： 04022155.

[14] BURKS R， SOLOKA K， CHIMBA D. Digesting factors influencing construction， maintenance and utility work zone traffic injury severities[C]// Transportation Research Board 96th Annual Meeting Compendium of Papers. Washington DC， 2017： 17-01449.

[15] MOU Z H， JIN C C， WANG H B， et al. Spatial influence of engineering construction on traffic accidents， a case study of Jinan[J]. Accident Analysis & Prevention， 2022， 177：106825.

[16] ULLMAN G L， IRAGAVARAPU V. Analysis of large truck overrepresentation in fatal work zone crashes[C]// Transportation Research Board 96th Annual Meeting Compendium of Papers. Washington DC， 2017： 17-06288.

[17] 李浩然， 彭理群， 吴超仲， 等. 基于聚类分析的重型载货车辆长大下坡路段交通事故分析[J]. 科技导报， 2016， 34（2）： 71-75.

[18] 张松林， 张昆. 空间自相关局部指标Moran指数和G系数研究[J]. 大地测量与地球动力学， 2007（3）： 31-34.

[19] ANSELIN L. Thirty years of spatial econometrics[J]. Regional Science， 2010， 89（1）： 3-25.

[20] 王亚运， 胡尧， 丁永兵. 基于SAR模型的交通流数据分析——以贵阳市交通数据为例[J]. 铜仁学院学报， 2017， 19（3）： 112-117.

[21] SRIRAM N， RAJESH P， CHANDRA R B. On accommodating spatial dependence in bicycle and pedestrian injury counts by severity level[J]. Transportation Research Part B： Methodological， 2013， 55： 245-264.

Research on the Influence of Engineering Construction on Traffic Accidents of

Engineering Transport Vehicles in Different Time Periods

PAN Jiang-shan1， JIN Cheng-cheng2， ZHENG Yuan-xi1，

WANG Yong-ming1， MOU Zhen-hua1

（1. School of Transportation Engineering， ShandongJianzhu University， Jinan 250101， China;

2.Quzhou Transportation Design Co.， LTD.， Quzhou 324000， China）

Abstract：

The difference of engineering construction time of urban projects has a certain impact on traffic accidents. In order to reduce the occurrence of traffic accidents， the influence of engineering construction on traffic accidents is analyzed from the perspective of time， and the most appropriate engineering construction time is selected. Based on the data of engineering construction projects and accidents in Licheng District， spatial statistics and metrology methods were used to conduct correlation tests between engineering transport vehicle accidents and engineering projects， explored the seasons and periods that have the most significant spatial impact under the condition of single and dual variables. The results show that spatial autocorrelation of construction vehicle accidents， the spatial correlation between engineering construction projects and accidents， and the spatial effect of engineering construction projects on accidents in Jinan are more significant in the third quarter and early morning. The increase in the number or area of projects is positively correlated with the number of traffic accidents， and the correlation between the two is the highest in the third quarter and the early morning.

Keywords：

traffic accidents; engineering construction; spatial autocorrelation; spatial Durbin model; time dimension