信号交叉口电动自行车多类别违规行为分析与建模

董春娇 陆育霄 马社强 李鹏辉 庄焱

（1.北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044；2.中国人民公安大学 交通管理学院，北京 100038）

电动自行车具有机动性好、灵活和操作简易等优点，是中短距离出行的首选方式，其广泛使用也导致了新的安全隐患。从全国道路交通事故的统计数据看，与非机动车有关的交通事故中，电动自行车骑行者伤亡人数接近非机动车伤亡人数的70%。根据工信部的数据统计结果，2021年全国共发生涉及电动自行车造成人员伤亡的交通事故19.88万起，造成1.99万人死亡。

尽管电动自行车具有较大的安全隐患，但持续增加的电动自行车出行是不可争辩的事实。因此，从电动自行车出行特征出发，揭示电动自行车违规行为致因机理，提出有效的干预机制和预防措施，降低电动自行车不安全骑行行为，实现多方式交通流协同运行，是目前亟待解决的科学问题。

目前国内外学者们对电动自行车的研究已取得了一些成果［1-7］，但针对信号交叉口电动自行车违规行为的研究较为缺乏，电动自行车违规行为对城市道路交通安全的影响尚不清晰。董春娇等［8-9］通过开展问卷调查分析电动自行车不安全骑行决策行为特征和致因因素，建立了基于Logistic 回归和Elman 神经网络的电动自行车不安全骑行决策行为模型。王涛等［10］根据探索性因子分析提取风险驾驶行为问卷的公共因子，研究电动自行车违规行为结构。覃国峰等［11］采用信度分析、因子分析和结构方程模型（SEM），对电动自行车骑行者的骑行安全知识、交通安全态度、风险感知与违规行为的关系进行研究。柏璐［12］从电动自行车影响下的通行能力、违规行为和交通冲突预测等方面，研究电动自行车影响下的城市信号交叉口和路段的安全性。Yang 等［13］提出了一种基于违规行为的持续时间模型，分析了车辆类型、性别、等待位置和过街交通量等因素对电动自行车骑行者闯红灯行为及其发生概率的影响。

虽然已有学者［14-15］对电动自行车骑行行为和事故风险进行了研究，但缺乏对电动自行车违规行为的探究，特别是针对信号交叉口处多类别违规行为微观机理的解析。文中对比分析了信号交叉口多类别违规行为特征，考虑了骑行者个人属性、信号交叉口特征和交通流特性，构建了基于多元Logistic回归的电动自行车多类别违规行为模型，以揭示信号交叉口电动自行车闯红灯、占用机动车道骑行、越线等待和逆向骑行行为机理。

1 信号交叉口电动自行车违规行为分析

为了分析电动自行车在信号交叉口的违规行为，选取两相位、三相位和四相位3种信号控制类型的十字形交叉口各两个进行调查，调查地点如图1所示。对选取的信号交叉口每个进口道拍摄早、晚高峰期各1 h，共拍摄视频48 h。以拍摄的视频为基础，提取电动自行车骑行者的交通行为、信号交叉口特征、交通流特性和违规骑行电动自行车交通冲突数据。

图1 调查及拍摄地点Fig.1 Survey and shooting locations

从视频中提取了9 726 辆非机动车骑行行为数据，包含电动自行车5 435辆（占55.88%）、传统自行车3 911 辆（占40.21%）和电动三轮380 辆（占3.91%），如表1 所示。从表中可知：3 类非机动车都是男性骑行者多于女性骑行者；电动自行车骑行者中，中老年多于青年，与传统自行车不一致。依据《中华人民共和国道路交通安全法》和《中华人民共和国道路交通安全法实施条例》的相关规定，研判信号交叉口内电动自行车违规行为主要有闯红灯、占用机动车道骑行、逆向骑行和越线等待。从表1中可知：电动自行车在信号交叉口的总体违规率为44.01%，是传统自行车的1.21 倍；电动自行车在信号交叉口的违规率从高到低依次为逆向骑行（占17.48%）、越线等待（占13.32%）、占用机动车道骑行（占7.12%）和闯红灯（占6.09%）；逆向骑行和越线等待危险程度较低，发生概率较高；占用机动车道骑行和闯红灯较为危险，发生概率相对较低。

表1 信号交叉口非机动车骑行者交通行为数据Table 1 Data of non-motor vehicle riders traffic behavior at signalized intersections

采用Pearson 卡方检验和多重比较法对非机动车的违规率进行差异性分析，结果表明，电动自行车4种违规行为的概率与传统自行车差异显著，而闯红灯与逆向骑行的概率与电动三轮车具有共性。

提取的5 435 名电动自行车骑行者中，男女比例为2.83∶1，青年和中老年比例为1∶6.42。不同性别和年龄的电动自行车骑行者违规率如表2所示。从表中可知，在通过信号交叉口时，43.67%的男性和44.99%的女性电动自行车骑行者会发生违规行为，32.64%的青年和45.78%的中老年电动自行车骑行者会发生违规行为，即女性违规率略高于男性违规率，30 岁以上的违规率要高于30 岁以下的违规率。

表2 不同性别和年龄的电动自行车骑行者违规率Table 2 Violation rates of e-bike riders by gender and age group

采用Pearson卡方检验性别和年龄对电动自行车违规率的差异性，结果如表2 所示。从表中可知，在95%置信度下，男性和女性的闯红灯骑行、占用机动车道骑行和逆向骑行的概率具有显著差异，而总体违规率和越线等待无显著差异，青年和中老年骑行者的总违规率、占用机动车道骑行和逆向骑行的概率具有显著差异，而闯红灯和越线等待的行为无显著差异。

对电动自行车违规率的时空场景分布情况进行对比分析，结果如表3所示。信号交叉口晚高峰期的电动自行车流量高于早高峰期。违规率达到50%以上的信号交叉口占50%，说明信号交叉口电动自行车违规现象严重，且晚高峰期间电动自行车违规现象相对于早高峰期更加显著。

表3 时空场景下电动自行车的违规率对比Table 3 Comparison of e-bike violation rates in spatial-temporal scenarios

2 基于多元Logistic 的电动自行车多类别违规行为建模

为了深度剖析电动自行车骑行者的违规行为，选取传统自行车及电动三轮车作为对照，从骑行者个人属性、信号交叉口特征和交通流特性3方面选取电动自行车多类别违规行为模型的协变量，即电动自行车骑行者违规行为的影响因素。根据交通调查数据，分类影响因素如表4所示，连续影响因素如表5所示。

表4 电动自行车违规行为的分类影响因素Table 4 Categorical impact factors for e-bike violation behaviors

表5 电动自行车违规行为的连续影响因素Table 5 Continuous impact factors for e-bike violation behaviors

首先对选取的影响因素进行相关性检验，对分类变量进行卡方检验，对连续变量进行方差检验，去除未通过检验的影响因素；然后对候选影响因素进行多重共线性检验，依次去掉“信号交叉口与非机动车道宽度比值”和“信号相位”两个方差膨胀系数（VIF）值＞5的影响因素，最终选用剩余的14个影响因素进行建模。由于电动自行车骑行者可能同时出现4种违规行为中的多种行为，如占用机动车道骑行的同时还闯红灯。为了便于研究电动自行车骑行者的决策行为，按照违规行为影响严重程度，对每个电动自行车骑行者的交通行为进行划分。影响严重程度从大到小依次为闯红灯骑行、占用机动车道骑行、逆向骑行和越线等待，即当某个电动自行车骑行者同时有多种违规行为时，将影响最严重的违规行为作为违规行为。文中以电动自行车违规行为作为研究对象，因变量为正常骑行、闯红灯骑行、占用机动车道骑行、逆向骑行和越线等待5 个没有顺序关系的分类变量，适合使用多元Logistic 回归建立电动自行车多类别违规行为模型。将4 种违规行为与正常骑行行为作为因变量进行赋值，正常骑行为0，闯红灯为1，占用机动车道骑行为2，逆向骑行为3，越线等待为4。

建立基于多元Logistic 回归的电动自行车多类别违规行为模型：

式中，p（y=k|x）为电动自行车骑行者x的违规行为k的概率（k=1，2，…，n），K为对照组行为类型，αk为违规行为k与对照组对比结果的截距，m为影响因素个数，Xj为第j种影响因素的样本数据，βkj为第j种影响因素对违规行为k的回归系数。选择正常骑行作为参考，即K取0，则建立的模型为

式中，pk为违规行为k的概率。

在模型参数估计标定的基础上，可以获得影响因素优势比（OR 值），用以定量估计每个影响因素对电动自行车骑行者多类别违规行为的影响程度。

3 模型结果分析

以电动自行车多类别违规行为作为研究对象，因变量为正常骑行、闯红灯骑行、占用机动车道骑行、逆向骑行和越线等待5个没有顺序关系的分类变量，根据逐步变量选择原则，按照3个层面的影响因素设计了4个模型（模型a的协变量为信号交叉口特征，模型b 的协变量为骑行者个人属性+信号交叉口特征，模型c 的协变量为交通流特性+信号交叉口特征，模型d 的协变量为骑行者个人属性+交通流特性+信号交叉口特征）。

根据似然比检验，当P＜0.05时，模型是有效的。根据赤池信息准则（AIC）和贝叶斯信息准则（BIC）评价模型拟合度［16］，AIC 和BIC 的拟合结果越小，说明拟合效果越好。4 个模型的拟合结果如表6 所示，由表中可知，4 个模型均通过了似然比检验，模型d的拟合结果最优。

表6 4个模型的拟合结果Table 6 Fitting results of four models

模型d 的参数估计结果见表7。由表中可知，年龄、非机动车类型、有无协管员和组群规模（＞10和5～10 辆）对信号交叉口电动自行车4 种违规行为均具有显著影响。中老年（≥30 岁）发生闯红灯、占用机动车道骑行、逆向骑行和越线等待的可能性是青年（＜30 岁）的1.885、2.226、1.748 和1.485倍，可能是因为青年骑行者接受了更加良好的安全教育，具有更高的安全意识。传统自行车和电动自行车相比，电动自行车在闯红灯骑行、占用机动车道骑行和越线等待方面的违规率是传统自行车的1.675 倍；传统自行车逆向骑行违规率是电动自行车的1.276倍。电动自行车灵活、速度快和交叉口通过时间短等特点，加大了骑行者的冒险心理。无协管员的信号交叉口电动自行车闯红灯骑行、逆向骑行和越线等待的可能性是有协管员的2.044 倍。有协管员的信号交叉口电动自行车占用机动车道骑行的可能性是无协管员的2.280倍。协管员能有效抑制电动自行车在信号交叉口的闯红灯骑行、逆向骑行和越线等待行为。大量电动自行车滞留在停车区域等待通行，当绿灯亮时，因为电动自行车启动快，会导致等待的电动自行车占用机动车道骑行。组群规模是指在信号交叉口等待通行或通行的非机动车规模，分为3 个类别（车辆数＜5、车辆数为5～10、车辆数＞10），选取组群规模的目的在于研究违规行为受群体性的影响程度。与组群规模＜5相比，组群规模为5～10 和＞10 对4 种违规行为具有显著影响：组群规模为5～10和＞10的越线等待违规率高于组群规模＜5时；组群规模＜5的闯红灯和占用机动车道骑行的违规率高于组群规模为5～10和＞10时。由于电动自行车体积大于传统自行车，当等待的电动自行车过多且没有足够空间时，容易发生越线等待违规行为。与传统自行车从众心理不同，电动自行车越多，组群规模越大，发生闯红灯和占用机动车道骑行的可能性越小，而组群规模＜5时发生闯红灯和占用机动车道骑行的可能性越大。组群规模为5～10时的逆向骑行违规率均大于组群规模＜5和＞10时。

表7 信号交叉口电动自行车多类别违规行为模型结果Table 7 Model results of multi-class violation behaviors of e-bike at signalized intersections

性别、左转专用相位、右侧进口道宽度及非机动车交通量4个变量对3种违规行为具有显著影响。性别和左转专用相位两个分类变量对占用机动车道骑行、逆向骑行和越线等待具有显著影响。男性占用机动车道骑行的违规率高于女性，女性逆向骑行及越线等待的违规率高于男性。无左转专用相位时占用机动车道骑行、逆向骑行和越线等待的违规率高于有左转专用相位时。右侧进口道宽度对闯红灯具有显著负影响，对逆向骑行和越线等待具有显著正影响，即增加右侧进口道宽度能有效地减少电动自行车闯红灯行为，但同时也会增加逆向骑行和越线等待的可能性。非机动车交通量对闯红灯骑行、占用机动车道骑行和逆向骑行具有显著正效应，即每5 min增加1辆非机动车，该进口道电动自行车闯红灯骑行、占用机动车道骑行和逆向骑行的可能性分别增加1.01%、1.01%和1.00%。

机非隔离方式、非机动车道宽度、信号交叉口宽度、机动车交通量和非机动车与机动车交通量比值5个变量仅对两种违规行为具有显著影响。物理机非隔离方式对占用机动车道骑行具有显著负影响，对越线等待具有显著正影响，即相对于地面划线，物理机非隔离方式能有效地减少电动自行车占用机动车道骑行，增加电动自行车越线等待骑行。非机动车道宽度和信号交叉口宽度都对占用机动车道骑行和逆向骑行具有显著影响，但是作用相反。增加非机动车道宽度能减少电动自行车占用机动车道骑行和逆向骑行的可能性，增加信号交叉口宽度则能增加电动自行车占用机动车道骑行和逆向骑行的可能性。机动车交通量对闯红灯骑行和占用机动车道骑行具有显著负效应，即增加机动车交通量能减少电动自行车闯红灯骑行和占用机动车道骑行的可能性。非机动车与机动车交通量比值的增加会减少电动自行车闯红灯骑行的可能性，增加越线等待的可能性。

电动三轮车和高峰时段2个变量仅对1种电动自行车违规行为有显著影响：相对于电动三轮车，电动自行车更易发生越线等待行为；晚高峰相对于早高峰仅对闯红灯骑行有显著正影响，即晚高峰期间电动自行车闯红灯骑行的可能性要高于早高峰期间。

4 结论

基于视频录像调查法获得的信号交叉口9 726辆非机动车数据，深入分析骑行者个人属性和时空场景下的非机动车违规行为特性。调查结果表明：电动自行车在信号交叉口的总体违规率为44.01%，是传统自行车的1.21 倍；5 435 辆电动自行车违规率从高到低依次为逆向骑行（占17.48%）、越线等待（占13.32%）、占用机动车道骑行（占7.12%）和闯红灯骑行（6.09%）。

以骑行者个人属性、信号交叉口特征和交通流特性3方面共14个因素作为协变量，构建基于多元Logistic 回归的电动自行车多类别违规行为模型，以揭示信号交叉口电动自行车闯红灯、占用机动车道骑行、越线等待和逆向骑行行为机理。模型研究结果表明：电动自行车在晚高峰期发生闯红灯骑行行为是早高峰期的2.091倍；增设协管员、增加右侧进口道宽度、增加非机动车组群规模能有效减少电动自行车闯红灯行为；中老年发生占用机动车道骑行的可能性是青年的2.226倍；有协管员的交叉口发生电动自行车占用机动车道骑行的可能性是没有协管员的2.280倍；采用物理机非隔离措施、设置左转专用相位和增加非机动车道宽度能有效减少电动自行车占用机动车道骑行行为；增设左转专用相位和增加右侧进口道宽度能有效减少电动自行车越线等待行为；增设协管员和左转专用相位及增加非机动车道宽度能有效减少电动自行车逆向骑行行为。后续研究可考虑增加问卷调查，以获得骑行者偏好和习惯等主观因素对违规行为的影响。