中国典型大城市交通安全特征对比研究

裴莹莹 王雪松 杨敏明 高岩

摘 要：为提升城市交通安全管理水平，对我国12个典型大城市的交通事故变化趋势以及安全影响因素进行了纵向分析和横向对比。建立了多元线性回归模型，探讨路网特征、出行方式结构等重要影响因素的作用效应。结果表明：不同城市的交通安全发展呈现出规律性特征，科学紧凑的交通路网布局有利于提升交通系统的安全性能；增大集约型公交出行比例和慢行交通出行比例将有效降低城市交通事故死亡率。

关键词：道路交通安全；对比分析；路网特征；出行方式结构

基金项目：道路交通安全“十四五”规划（2020SJD06）；道路安全现状分析与对策建议研究

Comparative analysis of traffic safety characteristics of typical metropolis in China

PEI Yingying1，WANG Xuesong1，YANG Minming2，GAO Yan3

（1.Key Laboratory of Road and Traffic Engineering of the Ministry of Education， Tongji University， Shanghai 201804， China；2.China Academy of Urban Planning & Design，Hhanghai Branch，Shanghai 200335，China；3.Traffic Management Research Institute of the Ministry of Public Security，Wuxi 214151，China）

Abstract： To improve the urban traffic safety management， this study conducted city-level traffic safety comparison and analysis in 12 Chinese cities. Multivariate linear regression model was used to explore the potential impacts of several key factors on traffic safety， such as the road network characteristics and different travel mode shares. Modeling results showed that the development of traffic safety in different cities have regularity characteristics. Narrow roads and dense networks have potential strength in enhancing the traffic safety performance. Higher proportion of public transport and nonmotorized traffic were associated with less traffic fatality rate.

Keywords： Road traffic safety； comparison and analysis； road network； travel mode shares

道路交通安全水平是影响居民出行和城市发展的重要因素之一。提升道路交通安全水平，不仅是经济社会可持续发展的基本保障，也是交通强国“安全强本”的根本要求。近年来，我国大城市交通安全发展呈现出差异化的特征。2019年，北京、广州道路交通十万人死亡率分别为5.8和7.5，约为深圳、重庆等其它超大城市的2-3倍，交通安全状况不容乐观。

当前，我国城镇化已由单个城市主导转变为以大城市为核心、城市网络化的都市圈发展为主导的阶段，城市群一体化成为了未来创新发展的驱动力。各个城市扮演的角色不再是孤立静止的，应积极对标先进、互联共通，通过将不同城市置于同一维度，分析其交通安全特征的异同点，总结先进城市交通安全管理经验，形成交通安全改善对策，提升精细化交通治理能力。

1交通安全特征分析基础数据

相比于西方发达国家，我国现代化发展起步较晚。国内城市的交通安全发展阶段无法同国外城市相匹配，加之许多国外城市的人口-经济-社会指标以及交通出行环境显著与国内城市显著不同。因此，本文主要着眼于国内，选取12个代表性城市进行城市整体层面的交通安全特征对比与分析。

1.1样本城市选取

根据我国各个城市历年发布的统计年鉴，选取2018年经济总量（GDP）排名前十五位的11个城市：上海、北京、深圳、广州、重庆、天津、苏州、成都、武汉、青岛、宁波。考虑到這些城市均位于中东部地区，因而补充经济总量排位在全国第20名左右的西北部城市陕西西安，合计12个城市（见图1）。

可以看出，除了少数内陆省会城市，我国经济发达的城市大多位于东部沿海地区。这些城市人口数量较多，经济生产活跃，交通出行需求大。研究这些体量庞大的城市，能够反映出我国城市现代化进程中存在的主要矛盾与问题，有利于科学把握城市交通安全变化规律和阶段特征；并且，相关结论对中小城市未来的建设发展具有积极意义。

1.2交通事故数据对比

城市交通安全核心指标是交通事故的发生数以及由此造成的人员伤亡。由于统计口径的变更，以及部分城市事故数据记录缺失、漏报、误报情况严重，各城市统计年鉴中的事故总数和受伤人数波动较大、且真实性难以保证。相比之下，交通事故死亡人数更能反映城市交通安全状况。不同城市人口、汽车保有量差异较大，仅用绝对指标死亡人数进行比较显然是不全面的，因而选取相对指标交通事故十万人死亡率和万车死亡率表征各城市的安全性。

1.2.1十万人死亡率

图1是12个城市2010—2018年交通事故十万人死亡率的趋势对比情况，几乎所有城市事故十万人死亡率均呈现稳定下降的趋势。12个城市中，广州降幅最大，重庆、武汉相对稳定。截至2018年底，深圳是所有城市十万人死亡率最低的，仅为2.19；北京、宁波依然处于高位，超过6.0。

1.2.2万车死亡率

图2是12个城市2010—2018年交通事故万车死亡率的趋势对比情况。12个城市中，深圳、青岛、西安等下降幅度较大；北京、成都总体相对稳定。截至2018年底，深圳依然是表现最佳的城市，万车死亡率仅为0.85；北京、广州、天津依然处于高位，万车死亡率在2.0以上。

1.3交通安全影响因素统计

城市交通安全影响因素众多，难以全面覆盖。并且，时间序列数据有时比较稀缺。例如，城市交通出行方式结构数据仅在少数年份调查采集。因此，仅使用2017年和2018年两年的数据，对城市形态、路网特征、交通出行方式结构、交通运行（拥堵）状况等重要影响因素进行解析，其描述性统计结果如表1所示。

之所以选取这些自变量，是因为它们能够反映城市交通系统最核心的运作机理。例如，路网特征决定了城市交通的出行路径和安全风险，不同类别的城市路网可能对应着不同的安全表现；又如，交通出行方式结构（集约型公交、个体机动、慢行交通）的安全表现也可能具有显著差异，城市可以根据自身特点倡导合理的交通出行方式结构。

2多元线性回归模型构建

本文利用Stata 13.0？软件进行多元线性模型参数估计。采用的估计方法为逐步回归法[1]（Stepwise Regression Method），即把可选择的解释变量逐个引入模型，每引入一个变量后进行F检验判别模型显著性，同时对已选入的解释变量逐个进行t检验，当原解释变量因新变量引入而变得不再显著时，则将其删除，确保每次引入新变量之前回归方程中只包含显著性变量。依照上述思想，最终模型中解释变量既是重要的，又不存在严重多重共线性。考虑到三类交通出行方式比例加起来等于100%，存在共线性问题，因此模型中仅纳入集约型公交和慢行交通出行比例两个变量。

3模型结果

3.1模型参数估计结果

运行Stata程序，将自变量剔除的显著性阈值设定为0.1，得到两个模型的参数估计结果如表2所示。

依据方差膨胀因子[1]（Variance Inflation Factor，VIF），对模型结果包含的变量进行多重共线性检验。VIF是将存在多重共线性时回归系数估计量的方差与不存在多重共线性时回归系数估计量的方差对比而得出的比值。当VIF<3，认为不存在多重共线性。计算结果显示，在因变量为十万人死亡率的模型中，三个自变量的VIF依次为1.62，1.60，1.05；在因变量为万车死亡率的模型中，两个自变量的VIF依次为1.59，1.59，可见上述两个模型均不存在多重共线性问题。

3.2模型结果分析

城市建成区路网密度、集约型公交出行比例、慢行交通出行比例为显著变量。其中，建成区路网密度在十万人死亡率模型中表现显著，而集约型公交出行比例和慢行交通出行比例在两个模型中均为显著变量。

3.2.1路网密度

路网密度的系数为负（β2=-0.3523），表明隨着城市建成区路网密度的增大，交通事故十万人死亡率将有所下降。道路网密度是反映城市交通网络十分重要的特征。既有研究表明，路网密度的增加有利于提高交通效率[2]，优化城市交通系统运行[3]。从交通安全角度考虑，高密度路网往往具有更高的通达性[4]，增加了交通组织的多样性，大量交通流需要在交叉口完成路径再选择，这在很大程度上降低了交通流的运行速度，削弱了交通事故发生时的严重程度，从而减少事故死亡人数。此外，路网密度高的城市，其主、次干路和支路的级配通常更为合理，提升了道路系统的灵活性和友好性，有利于减少道路总体风险[5]。

3.2.2交通出行方式结构

集约型公交出行比例、慢行交通出行比例在两个模型中的系数均为负（β3=-0.1973和-0.0590，β5=-0.2110和-0.0854），表明集约型公交出行比例和慢行交通出行比例的增大将有效减少降低城市交通事故死亡率。模型结果与当下倡导“公交优先”“绿色出行”的理念是相符的。城市居民选择公交、非机动车、步行方式出行，可以有效减少路网机动车流量以及小汽车交通周转量，降低了个体机动化出行强度[6]。对整个交通系统层面而言，个体机动化出行比例的降低，不仅可以减少机动化交通工具与弱势道路使用者（行人、非机动车骑行者等）的碰撞风险，还可以鼓励更多出行者选择非机动化出行方式，促进交通系统功能运转的良性循环[7]。

3.3各城市交通安全特征讨论

多元线性回归结果表明，科学紧凑的交通路网布局和良好的交通出行方式结构有利于提升交通系统的安全性能。结合样本城市自身特点，对比各个城市的安全表现，可以挖掘出更多的信息。

图3显示了各个城市2019年中心城区建成区路网密度。可以看到，深圳市路网密度最高，位列12个样本城市之首。与之相对应的是，以十万人死亡率为标准进行安全表现排名，深圳也是位列第一。与深圳类似，上海、重庆等城市的安全表现与路网密度也有较大的正相关性。相反地，北京、苏州等城市路网密度较低，交通安全总体表现也比较一般。

尽管一些城市的路网密度与交通安全表现并没有很强的相关性，但尺度适宜、级配合理的高密度依然是值得推崇的。根據2016年国务院发布的《关于进一步加强城市规划建设管理工作的若干意见》，到2020年，我国城市建成区平均道路网密度要提高到8公里/平方公里。然而，至2019年底，样本城市中仅深圳、成都两个达到这一指标，大部分城市距离达标还有较大差距。因此，我国城市必须加强街区规划和建设，努力解决交通路网布局问题，尽快实现“窄马路、密路网”的要求。

图4显示了各个城市2019年三类交通出行方式占比情况。深圳市慢行交通出行比例最高，以十万人死亡率和万车死亡率为指标的平均安全排名也最好。相比较而言，诸如北京、宁波、广州等城市，个体机动化出行比例较高，总体交通安全情况也不容乐观。

公共交通和慢行交通是现代城市交通倡导的出行方式。公共交通可以节约道路交通资源，缓解交通拥堵局面，为交通安全提升创造了十分有利的条件；而慢行交通强调了各类出行方式的公平性，是城市建设“以人为本”的良好体现，保障了弱势道路使用者的安全性，对降低交通事故死亡有着直接效益。如果城市形成了“以人为本、公交优先保障”的交通出行方式结构，那么不同交通方式之间的协调衔接性将有效增强，而城市交通系统调度调控的灵活性和鲁棒性也将有所提升。较高且适宜的公共交通和慢行交通出行比例，正是保持交通系统高效、安全运行的稳定剂。

4结语

本文选取了12个中国典型大城市，进行交通安全特征对比与分析。采用交通事故十万人死亡率和万车死亡率两个指标，探究样本城市近年来的交通安全状况。利用12个城市2年的横截面数据，建立了多元线性回归模型，分析了路网特征和交通出行方式结构等因素的作用效应。建模结果同近年来各地倡导的“窄马路、密路网”“公交优先”和“绿色出行”等交通发展内涵相吻合。城市应该继续秉持这些科学合理的交通建设理念，不断提升交通安全水平。

参考文献

[1] 冷建飞，高旭，朱嘉平. 多元线性回归统计预测模型的应用 [J]. 统计与决策，2016（07）： 82-85.

[2] WANG X， ZHOU Q， YANG J， et al. Macro-level traffic safety analysis in Shanghai， China [J]. Accident Analysis & Prevention， 2019（125）： 249-256.

[3] MOHAN D， BANGDIWALA S I， VILLAVECES A. Urban street structure and traffic safety [J]. Journal of Safety Research. 2017（62）：63-71.

[4] WANG X， YUAN J， SCHULTZ G G. Investigating the safety impact of roadway network features of suburban arterials in Shanghai [J]. Accident Analysis& Prevention. 2018（113）： 137-148.

[ 5 ] W A N G X ， W U X ， T R E M O N T P ， e t a l . Investigation of Road Network Features and Safety Performance [J]. Accident Analysis & Prevention， 2013（56）： 22-31.

[6] 卓健. 城乡交通与市政基础设施 [J]. 城市规划学刊，2020（04）： 120-121.

[7] TIWARI G， JAIN D， RAO K R. Impact of public transport and non-motorized transport infrastructure on travel mode shares， energy， emissions and safety： case of Indian cities [J]. Transportation Research Part D： Transport and Environment. 2015（44）： 277-291.