EN中文

热带地理 >

2025 , Vol. 45 >Issue 8: 1344 - 1357

DOI: https://doi.org/10.13284/j.cnki.rddl.20240777

交通地理

多尺度道路网络特征对交通事故的非线性效应研究

  • 周芳羽 ,
  • 谢波 ,
  • 肖扬谋
展开
  • 武汉大学 城市设计学院，武汉 430072
谢波（1983—），男，湖北石首人，博士，教授，博士生导师，主要从事城市交通安全与土地利用规划研究，（E-mail）。

周芳羽：数据整理、方法设计、图表绘制、初稿撰写；

谢 波：提出研究思路、研究指导、文稿审阅与修改；

肖扬谋：结果验证、文稿审阅与修改。

周芳羽（1999—），女，山东烟台人，硕士研究生，主要从事城市交通安全与土地利用规划研究，（E-mail）；

收稿日期: 2024-11-26

  修回日期: 2025-01-09

  网络出版日期: 2025-09-01

基金资助

国家自然科学基金项目(42371252)

国家自然科学基金项目(41971179)

收起

Nonlinear Effects of Multiscale Road Network Features on Traffic Accidents

  • Fangyu Zhou ,
  • Bo Xie ,
  • Yangmou Xiao
Expand
  • School of Urban Design, Wuhan University, Wuhan 430072, China

Received date: 2024-11-26

  Revised date: 2025-01-09

  Online published: 2025-09-01

Fold

摘要

机动交通快速发展背景下，城市道路交通安全问题日益严峻。道路网络作为道路交通系统的基础骨架，其特征对交通事故的发生具有重要影响。然而当前研究在探讨城市道路网络对交通事故的非线性影响及尺度效应方面有所不足。对此，文章以武汉市主城区为研究区，运用梯度提升决策树模型，分析多尺度道路网络的几何拓扑特征与交通事故的非线性关系，并鉴别土地利用与道路网络对交通事故的协同效应。研究发现，城市道路网络的几何拓扑特征与交通事故数量存在显著非线性关系和阈值效应，表现为平均测地距离、网状系数及整体集聚系数与交通事故数量呈非线性正相关，同配性指数呈“U型”关系，以及路网密度和交叉口密度呈非线性负相关。同时，接近中心性、中间中心性及绕行率与交通事故的非线性关系在不同空间尺度呈差异性。土地利用与道路网络在影响交通事故方面表现出复杂的协同效应，适度的土地利用混合度可降低交通事故风险，但过高的土地利用混合度和容积率可能带来负面效应。

关键词： 道路网络; 交通事故; 土地利用; 非线性关系; 尺度效应; 梯度提升决策树模型; 武汉市主城区

本文引用格式

周芳羽 , 谢波 , 肖扬谋 . 多尺度道路网络特征对交通事故的非线性效应研究[J]. 热带地理, 2025 , 45(8) : 1344 -1357 . DOI: 10.13284/j.cnki.rddl.20240777

Abstract

Amidst rapid motorization, urban road traffic safety has become increasingly critical. As a fundamental framework of traffic systems, road networks strongly influence the occurrence of traffic accidents. The impacts of urban road networks on traffic accidents exhibit considerable spatial heterogeneity. However, the nonlinear relationship between road networks and traffic accidents, and the moderating effect of land use, have been overlooked. We focused on the main urban area of Wuhan and used a Gradient Boosting Decision Tree model (GBDT) to explore the nonlinear relationships between road networks and traffic accidents, while also identifying the synergistic effects of land use and road networks on traffic accidents. The geometric and topological features of urban road networks generally have nonlinear and threshold effects on traffic accidents. The total contribution rate of road network characteristics to traffic accidents reached 51.2%, highlighting their key role in traffic accidents. Average geodesic distance, mesh density, and global clustering coefficient showed a nonlinear positive correlation with traffic accidents. Meanwhile, the density of the road network and the density of intersections showed a nonlinear negative correlation with traffic accidents. The assortativity index showed a nonlinear U-shaped relationship with traffic accidents. Closeness centrality, betweenness centrality, and detour rate have nonlinear effects on traffic accidents, with spatial scale differences observed at 400, 1 700, 3 000, and 7 500 m. The influence of the 7 500 m scale is greater. In terms of near centrality, there is a nonlinear positive correlation and threshold effect between near centrality at the 400 and 1 700 m scales and the number of traffic accidents. In contrast, the near-centrality at the 3 000 m scale has an approximate linear positive correlation with the number of traffic accidents. Meanwhile, the near-centrality at the 7 500 m scale has a right-biased U-shaped relationship. For the betweenness centrality, the betweenness centrality of 400, 1 700, and 3 000 m scales also showed a nonlinear positive correlation and threshold effect. However, the betweenness centrality of 7 500 m scale and the number of traffic accidents showed a U-shaped relationship. In terms of the detour rate, there is a nonlinear negative correlation and threshold effect between the detour rate at the 400 m and 7 500 m scales and the number of traffic accidents. There is a non-linear positive correlation and threshold effect between the detour rate of 1 700 and 3 000 m and the number of traffic accidents. Land use and road networks exhibit complex synergistic effects on traffic accidents. First, moderate land use mixing produces positive traffic safety benefits under the combined effects of road networks. However, when the land-use mixing degree exceeds a certain threshold, excessive mixing reduces the positive traffic safety benefits caused by road networks. Second, there was a positive correlation between floor area ratio and traffic flow. Increasing the floor area ratio may inhibit the positive effect of road network characteristics on traffic safety. However, on a global scale, traffic flow in a high plot ratio area may be more positively affected by the optimization of road network characteristics, thus reducing the risk of traffic accidents. This study used machine-learning methods to examine the nonlinear relationships between urban road network characteristics and traffic accidents. By identifying nonlinear, scale, and threshold effects, this study overcomes the limitations of traditional studies. It not only enriches the dimensions and depth of research on the relationships between road networks and traffic accidents, but also accurately identifies the thresholds of key road network indicators, providing strong support for the in-depth analysis of the driving mechanisms behind traffic accidents. This study further investigated the synergistic effects of urban land use and road networks on traffic accidents and proposed collaborative optimization strategies. These strategies offer theoretical guidance and technical support for urban road traffic planning and contribute to the enhancement of urban traffic safety.

Key words： road network; traffic accidents; land use; nonlinear relationship; scale effect; gradient boosting decision tree model; Wuhan main urban area

随着机动车交通的快速发展，交通安全已成为全球性重大挑战。2023年，中国机动车保有量达到4.35亿辆，与此同时人车矛盾持续加剧，交通事故频发，年发生量超25万起，死亡人数逾6万人，交通安全形势日益严峻。为了保障居民出行及生命财产安全，《“健康中国2030”规划纲要》（中共中央 国务院，2016）将交通安全列为公共安全体系建设的核心，提出“到2030年道路交通事故万车死亡率下降30%”的目标。因此，面对当前道路交通安全领域的突出问题和既定目标，亟需采取科学有效的措施予以应对。
道路网络作为道路交通系统的基础骨架，体现了其形态与结构特征，即布局形式与几何拓扑特征（谢波 等，2022）。布局形式在宏观层面揭示了特定空间范围内道路网络的整体形态模式，可细分为格网型、平行曲线型等多种类型（Rifaat et al., 2009）。几何拓扑特征深入到微观层面，不仅涵盖了路网密度、交叉口密度等基本几何属性（王雪松 等，2014），还涉及中心性、绕行性等复杂的拓扑结构特性（Boeing, 2019）。道路网络特征决定了出行者在交通环境中面临的岔口数、转弯换道次数以及出行可选择路径，是塑造区域交通流与居民出行行为的关键因素（Berrigan et al., 2010; Ewing & Cervero, 2010），同时也显著影响了城市道路交通事故的发生（Zhang et al., 2015）。
现有城市道路网络对交通事故的影响研究，聚焦于不同路网布局形式对交通事故的影响效应分析（Marshall & Garrick, 2010a）。近年来，路网的几何拓扑特征已成为揭示道路网络交通安全特性的重要维度，并在交通事故研究领域得到广泛探讨（Zhang et al., 2015; Kamel & Sayed, 2020）。然而，现有研究大多局限于探讨道路网络几何拓扑特征与交通事故之间的线性关系，所得结论不一致，表明道路网络对交通事故的影响可能呈现为复杂的非线性关系（邢璐 等，2018）。此外，不同空间尺度的道路网络几何拓扑特征对居民的出行方式选择具有差异化影响，进而导致交通事故风险分布的异质性（Cooper & Chiaradia, 2020）。因此，深入探究道路网络与交通事故的非线性关系及其尺度效应，对于全面理解道路网络多尺度特征下的交通安全特性，以及完善交通事故驱动机理的理论框架，具有重要的理论与实践意义。
交通需求与交通供给之间的长期矛盾是加剧城市交通安全风险的重要宏观背景（王成 等，2020）。在此背景下，土地利用与道路网络之间展现出紧密的耦合关系。一方面，土地利用作为交通需求的源头，不仅决定了城市交通流的生成、分布以及交通方式的选择（毛蒋兴 等，2002），还在一定程度上引导了城市道路网络的布局。因此，不同的土地利用模式产生了差异性交通需求，可能导致道路网络特征对交通事故的影响程度与关系呈现多样性。另一方面，道路网络作为城市交通供给的核心组成部分，对地方交通流具有基础性影响；同时，它通过引导城市空间结构与用地布局的形成，进而影响居民出行行为，并最终对交通事故的发生构成影响。因此，探讨道路网络与土地利用特征在影响交通事故方面的潜在协同作用，将有助于深入解析两者的相互作用机制，并提炼其协同优化模式，为改善城市交通安全水平提供理论支撑与实践依据。
因此，本研究以武汉市主城区为研究区域，在多维度、多尺度刻画城市道路网络几何拓扑特征的基础上，运用机器学习方法探究城市道路网络特征与交通事故的非线性关系，识别其非线性效应、尺度效应及影响阈值，并探究土地利用与道路网络特征对交通事故的协同作用。

1 区域概况、研究框架、数据与方法

1.1　区域概况

研究区域为武汉市主城区，作为中国中部地区的中心城市和综合交通枢纽，其道路网络布局兼具高密度、立体化与组团式特点，交通流量大且构成复杂，是中国大城市道路网络的典型范例。武汉市60%以上的居民集中在主城区，2013年12月至2015年12月，有13 341起发生于武汉市的严重交通事故位于研究区域，占武汉市总交通事故数的78.8%（图1）。
图1 武汉市主城区道路网络与交通事故点分布情况

Fig.1 Road network and traffic accident point distribution in Wuhan urban area

1.2　研究框架

本研究旨在深入剖析道路网络特征、土地利用特征以及其他相关影响因素对交通事故的影响，并聚焦于道路网络特征的影响及其与土地利用的潜在协同作用（图2）。道路网络作为“交通供给”载体，其几何拓扑特征对交通事故的影响存在非线性及阈值效应。同时，受到出行距离、方式以及驾驶者行为选择的影响，道路网络拓扑特征中间中心性、接近中心性以及绕行率对交通事故的影响在步行尺度、骑行尺度以及车行尺度存在尺度依赖性。而土地利用作为“交通需求”塑造者，通过调节出行距离、方式选择等途径影响交通速度、交通流量及交通冲突等交通流特征，与道路网络特征共同对交通事故风险产生协同效应。
图2 城市道路网络与交通事故的关系框架

Fig.2 Framework for the relationship between urban road networks and traffic accidents

1.3　研究数据

本研究以602个交通小区（Traffic analysis zone, TAZ）为分析单元，以交通事故数量为被解释变量，道路网络特征为核心解释变量。交通事故数据为2013年12月至2015年12月发生的严重交通事故，该数据来源于武汉市急救中心。协变量方面，土地利用、交通流量、交通速度、人口与道路网络基于2015年的数据进行测度，来源于武汉市国土资源与信息规划中心，房价数据来源于安居客网站 1。道路网络拓扑特征方面，首先，通过天地图卫星图校核与百度街景识别的方式对道路网进行完善，保留城市支路及以上级别道路，然后，采用NetworkX和sDNA测算道路网络的拓扑结构指标。本研究选取道路交通领域常用的道路网络指标，如中间中心性、绕行率、网络效率等，以400 m（步行尺度）、1 700 m（骑行尺度）、3 000 m（邻里尺度）和7 500 m（城市尺度）为搜索半径，计算各道路段的中间中心性、接近中心性和绕行率的空间尺度特征总值，并运用ArcGIS将道路段长度作为权重计算各TAZ单元内所有道路的拓扑特征平均值。道路网络特征的内涵及计算公式如表1所示，变量描述性统计如表2所示。
表1 道路网络变量名称、内涵及计算公式

Table 1 Road network variable names, connotations and calculation formulas

变量名称 变量内涵 计算公式
度中心性 度中心性反映网络中某一节点的重要程度（Kamel & Sayed， 2020），即与该节点相连接的路段数量，可用于体现交通小区内道路交叉口的平均岔口数。

         C D N i = ∑ J = 1 g x i j i ≠ j （5）

式中： C D N i表示节点i的度中心度，用于计算节点i与其他g-1个j节点之间的直接联系的数量； x i j表示i节点与j节点相连的路段数量。

接近

中心性

接近中心性体现网络中某一节点与其他节点的

邻近程度（Freeman, 1979），即从出发点到目的

地的难易程度。

         N Q P D x = ∑ y ∈ R x P ( y ) d θ ( x , y ) （6）

式中： d θ ( x , y )为链段x与链段y之间的最短路径距离； R x为链段x在搜索半径内的所能联系的链段数量； P ( y )为搜索半径与路段长度的之比。

中间

中心性

中间中心性反映网络中某一节点或连线的重要性，

在道路网络中体现为任意起讫点间的交通出行是否

将某些道路作为出行的必经之路（宋小冬 等，2020）。

         C i B = ∑ j n ∑ k n g j k ( i ) g j k ,   i ≠ j ≠ k （7）

式中： C i B是节点i的中间中心性； g j k ( i )是节点j和k经过节点i的最短路径的数量； g j k ( i ) g j k表示点i随机落在的节点j和k最短路径上的概率。

网状系数

网状系数为网络中实际圈数和最大圈数的比值，

可衡量道路网络的连通性。

         α = e - v + 1 2 v - 5 （8）

式中：e表示网络中的链段数；v表示节点数。

绕行性

绕行性为网络中某对起止点间的实际网络距离与

直线距离之比，常通过绕行率衡量，即测地距离与

欧几里得距离之比。

         A i j = L i j / D i j （9）

式中： A i j是节点i的绕行率； L i j是节点i和j之间的测地距离； D i j是节点i和j之间的欧几里得距离。

网络

效率

节点对的网络效率定义为节点间最短路径距离的

倒数（Hagberg et al., 2008）。

         E ( G ) = 1 N ( N - 1 ) ∑ i ≠ j ∈ G 1 d i j （10）

式中：N为网络节点数； d i j为节点i与j的最短路径距离。

平均测地

距离

平均测地距离即为网络中任意2个节点之间最短

路径的边数的平均值（Zhang et al., 2015）。

         L = 1 1 2 N ( N + 1 ) ∑ i ≥ j d i j （11）

式中：N为网络节点数； d i j为节点i与j的测地距离。

集聚

系数

集聚系数定义为网络中某一节点与相邻节点之间的

实际连接数目占最大可能连接边数的比例，区域内

所有节点集聚系数的平均值即为整体集聚系数，

反映集群性。

         C i = = 2 E i k i k i - 1 （12）

式中： C i为i节点的集聚系数； k i为i节点的节点度； E i为节点i的邻节点间实际存在的边数。

同配

指数

一个节点倾向于与具有相同度的其他节点相连

（Newman, 2002），这种特性被称为同配性，反之

则称为异配性，可通过同配指数衡量。

         r = ∑ i e i i - ∑ i a i b i 1 - ∑ i a i b i （13）

式中： e i j是元素为 e的矩阵； a i和 b i分别是连接到类型 i顶点的每条边的端点的比例。当不存在同配性时， r = 0；当完全相同时， r = 1，反之 r = - 1。

交叉口

密度

交叉口密度通过交通小区内的交叉口数量与交通

小区面积的比值所计算。

         C i = n i / a i （14）

式中： n i表示第i个交通小区的道路交叉口数量； a i表示第i个交通小区的面积。

路网

密度

路网密度通过交通小区内的道路长度与交通小区

面积的比值所计算。

         D i = l i / a i （15）

式中： l i和 a i分别表示第i个交通小区的道路长度和面积。

表2 变量特征

Table 2 Variable characteristics

类型 变量名称 最小值 最大值 平均值 标准差 变量描述
交通事故 严重交通事故数/起 0 231 22.16 20.12 TAZ内发生的严重交通事故数
道路网络特征 拓扑特征 度中心性 0 3.26 2.3 0.43 TAZ中各节点度的平均值
中间中心性 400 m 0 51.27 6.04 7.42 分别表示在400、1 700、3 000和7 500 m搜索半径下，TAZ中各路段中间中心性的平均值
1 700 m 0 3 403.18 380.29 455.35
3 000 m 0 11 666 1 989.12 1 951.43
7 500 m 0 150 935 31 394.29 28 500.94
接近中心性 400 m 0 0.08 0.02 0.01 分别表示在400、1 700、3 000和7 500 m搜索半径下，TAZ中某一节点与其他节点的邻近程度
1 700 m 0 0.9 0.23 0.14
3 000 m 0 1.68 0.59 0.31
7 500 m 0 4.52 2.59 1.04
绕行性 400 m绕行率 0 1.56 1.17 0.12 分别表示在400、1 700、3 000和7 500 m搜索半径下，TAZ中某对起止点之间的最短网络距离与欧几里得距离之比
1 700 m绕行率 0 1.93 1.39 0.11
3 000 m绕行率 0 1.73 1.49 0.92
7 500 m绕行率 0 1.83 1.49 0.19
网络效率 0 1 0.49 0.11 TAZ中任意节点之间最短路径距离的倒数的平均值
平均测地距离 0 5.39 1.71 3.52 TAZ中单一节点到另一节点最短链路数的平均值
同配指数 -0.66 0.61 -0.01 0.26 TAZ中节点度数的相似程度
网状系数 0 0.35 0.15 0.1 TAZ中实际圈数和最大圈数的比值
整体集聚系数 0 0.27 0.02 0.05 TAZ中单一节点与所有其他节点归一化链接数的平均值

几何

特征

 路网密度/（km·km-2） 0 20.42 7.37 3.14 道路总长度与TAZ面积的比值
交叉口密度/（个·km-2） 0 96 19.22 14.54 交叉口数量与TAZ面积的比值

土地利用

特征

 土地利用类型混合度 0 2.76 1.82 0.39 TAZ内土地利用的香农多样性指数
容积率 0 3 0.86 0.68 TAZ内地上建筑物的总建筑面积与基底面积的比值

交通流

特征

 交通流量/（辆·d-1） 0 352 628 95 000.21 62 658.18 武汉市2 015年TAZ内主要道路年平均日交通流量
交通速度/（km·h-1） 6.15 50 26.55 8.6 武汉市2 015年TAZ内主要道路机动车平均行驶速度

社会经济

特征

 房价/元 0 32 432 13 001.87 3 275.11 武汉市2 015年TAZ内房价均值
人口密度/（人·hm-2） 0 94 644 17 334 19 261 居住人口数量与TAZ面积的比值

1.4　方法

使用梯度提升决策树模型（Gradient Boosting Decision Tree, GBDT），探究城市道路网络特征与交通事故之间的复杂关系，以克服传统统计模型（如逻辑回归、负二项回归及广义线性回归）在处理零值过剩、数据特征分布失衡、非线性关系捕捉及变量间交互作用分析等方面存在的不足。
GBDT模型作为一种机器学习算法，以决策树为基模型，通过反复迭代训练最小化损失函数，并集成多个弱学习器构建最终的决策树集合。即使变量之间存在较强的相关性，GBDT模型通过树的分裂过程能自动地处理这些关系，从而避免了多重共线性问题，显著提升了模型对复杂非线性关系的拟合能力（Friedman, 2002）。同时，该模型无需对数据的基本概率分布与相关关系进行预先假设，有效应对了数据缺失、异常等问题，确保了分析结果的准确性和稳定性（Ding et al., 2018）。更为重要的是，GBDT模型能量化评估各自变量在回归模型中的相对重要性，直观反映其对因变量的影响程度。结合部分依赖图（Partial Dependence Plot, PDP）和双变量部分依赖图（bivariate PDPs, BPDPs）的可视化分析，不仅能深入剖析单一变量与交通事故之间的关系，还能揭示多个变量间的协同作用关系。
GBDT模型的目标是使损失函数 L y , F x最小化，本研究设x为道路网络、土地利用、交通流特征等自变量，设 F x为因变量y（交通事故数量）的近似函数，训练数据集设置为 T = x 1 , y 1 , x 2 , y 2 , … x N , y N。由于y为计数变量，因此设置损失函数为泊松分布函数：
L y , F x = ∑ i = 1 N F x i - y i l o g   F x i
GBDT模型的总体计算过程大致分为4个步骤。
1）将响应变量的近似函数初始化为常数：
F 0 x = a r g m i n γ ∑ i = 1 N L ( y i , γ )
式中： y i为第i个样本的真实值（交通事故数量）；N为训练样本总数； γ为待优化的常数（初始预测值）； F 0 x为初始弱学习器。
2）计算第m次迭代的负梯度为：
r i m = -   ∂ L ( y i , F x i ) ∂ F ( x i ) F x = F m - 1 ( x )
式中： r i m为第m轮迭代中第i个样本的伪残差； y i为第i个样本的真实值； F x i为当前模型对样本 x i的预测值； F m - 1 ( x )为前m-1轮迭代得到的模型。
3）使用回归树 g x = E r | x根据特征 x i拟合 r i m。假设回归树有j个节点，计算每个节点的最优步长：
γ i m = a r g m i n γ ∑ x i ∈ R m j L ( y i , F m - 1 x i + γ )
式中： R j m是用来定义节点j的样本，可从训练集中进行次采样，也可从整个训练集中进行抽样； γ j m为第m棵树第j个节点的输出值； γ为待优化的叶子节点输出值； F m - 1 ( x )为前m-1轮迭代得到的模型。
F m ( x )更新为：
         F m x = F m - 1 x + ∑ j = 1 J γ m j I ( x ∈ R m j )
式中： R m j是用来定义终端节点j的样本； F m x为第m轮更新后的模型； γ m j为第m棵树第j个节点的输出值； γ为待优化的叶子节点输出值； F m - 1 ( x )为前m-1轮迭代得到的模型； I x ∈ R m j为指示函数。
4）为了缓解欠拟合和过拟合的问题，在模型中引入学习率 ξ 0 ≤ ξ ≤ 1（Friedman, 2001）。因此，最终模型 F x更新为：
F x = F m - 1 x + ξ ∑ j = 1 J γ m j I x ∈ R m j ,   0 ≤ ξ ≤ 1
式中： F x为最终预测模型；m为总迭代次数； γ m j为第m棵树第j个节点的输出值； I x ∈ R m j为指示函数。
本研究应用R平台中的“Gbm”包进行模型开发（Ridgeway, 2024）。为提高模型的准确性、避免过拟合现象，采用5折交叉检验法（Five-fold Cross-validation）训练模型，确保模型不仅仅依赖于某一特定的训练数据集，减少因数据划分偶然性引起的评估偏差（Hastie et al., 2009）。同时，运用网格搜索法遍历训练所有可能的超参数组合，以获取适合样本数据的最优超参数组合（Saha et al., 2015）。首先，对数据集进行分割，随机选取样本的80%作为训练集，剩余20%作为测试集。其次，基于现有研究设置模型超参数的可能取值。最后，将均方根误差作为衡量模型性能的标准，采用网格搜索法对所有可能的参数组合循环并进行训练，找出最优的参数组合。本研究确定最佳模型性能的最优参数组合为：树个数6 518，学习率0.001，树复杂度18，最小训练集样本数2。模型的均方根误差达到最低（4.22），伪R方（pseudo-R 2s）为75.2%。

2 结果分析

2.1　自变量的相对重要性

表3为各自变量在预测交通事故发生量时的相对重要性。道路网络特征对交通事故发生量的总贡献率达到51.2%，凸显其在交通事故发生中的关键作用。在拓扑特征方面，度中心性的影响效应突出（5.9%），其后依次为7 500 m绕行率（4.8%）、网络效率（4.6%）、7 500 m接近中心性（4.6%）、400 m绕行率（3.6%）、平均测地距离（3.3%）及同配指数（3.1%）等。度中心性的显著影响表明，区域平均岔口数是影响交通事故的关键拓扑因素，这与多岔口区域交通冲突点的增加密切相关（Marshall & Garrick, 2011）。此外，不同拓扑指标对于交通事故的影响在空间尺度效应上存在差异，如绕行性和接近中心性指标在不同空间尺度上对交通事故的影响能力存在显著差异，进一步证实了拓扑结构的空间尺度特征对交通事故具有重要影响。在几何特征方面，路网密度的相对重要性（3.1%）高于交叉口密度（2.3%）。其他协变量方面，交通流量以10.3%的贡献度位居首位，其次是人口密度（9.4%）、土地利用混合度（7.5%）和容积率（6.5%）。上述结果不仅调强了机动车交通流量在影响交通事故发生的核心作用，还揭示了人口密度、土地利用混合度和容积率对交通出行行为（如出行频次、出行方式和出行距离）及交通事故的重要影响。
表3 自变量的相对重要性排名

Table 3 Ranking of relative importance of independent variables

变量 指标 相对重要性/% 排名 总贡献度/%

交通流

特征

 交通流量 10.3 1 13.5
交通速度 3.2 12

土地利用

特征

 土地利用混合度 7.5 3 14
容积率 6.5 4

社会经济

特征

 人口密度 9.4 2 15.9
房价 6.5 5
道路网络特征 拓扑特征 度中心性 5.9 6 51.2
7 500 m绕行率 4.8 7
网络效率 4.6 8
7 500 m接近中心性 4.6 9
400 m绕行率 3.6 10
平均测地距离 3.3 11
同配指数 3.1 13
1 700 m绕行率 2.9 15
3 000 m绕行率 2.8 16
7 500 m中间中心性 2.1 18
3 000 m接近中心性 2.1 19
网状系数 2 20
400 m接近中心性 1.7 21
整体集聚系数 1.6 22
1 700 m中间中心性 1.5 23
3 000 m中间中心性 1.5 24
400 m中间中心性 1.5 25
1 700 m接近中心性 1.4 26

几何

特征

 路网密度 3.1 14 5.4
交叉口密度 2.3 17

2.2　道路网络特征与交通事故的非线性关系

图3揭示了道路网络拓扑特征中，不同空间尺度下的接近中心性、中间中心性及绕行率与交通事故数量之间的非线性关系。具体而言，接近中心性方面，400与1 700 m尺度的接近中心性与交通事故数量存在非线性正相关关系和阈值效应。在低值区域（400 m：0~0.03；1 700 m：0.04~0.22），交通事故数量相对较少。然而，一旦超过阈值，交通事故数量急剧上升，直至分别达到0.05和0.3后趋于稳定。这表明，适度增加小尺度区域的交通可达性，能促进地区交通微循环，从而有效降低交通事故风险。相比之下，3 000 m尺度的接近中心性与交通事故数量呈近似线性正相关，意味着3 000 m尺度下接近中心性越高，交叉口之间的连接道路越多，将加剧交通事故风险。而7 500 m尺度的接近中心性则呈右偏的“U型”关系，其最低点位于3.8；这表明在大尺度上，高接近中心性对区域交通流分布起优化作用，进而降低交通事故的发生率。而且，7 500 m尺度的拓扑特征对交通事故的影响更大，尤其是绕行率与接近中心性，说明大尺度的道路可达性对交通事故的影响效应相比小尺度更为突出。
图3 接近中心性、中间中心性、绕行率与交通事故的非线性关系

Fig.3 The nonlinear relationship between closeness centrality, betweenness centrality, detour rate and traffic accidents

对于中间中心性而言，400、1 700与3 000 m尺度的中间中心性同样表现出非线性正相关关系和阈值效应，与已有研究（Sarkar et al., 2018）结论基本一致。随着中间中心性的增加，交通事故数量呈上升趋势，并在特定区间（400 m：7.7~18.3，1 700 m：0~292；3 000 m：294~2 654）显著增长，之后趋于平稳。然而，7 500 m尺度的中间中心性与交通事故数量呈“U型”关系。这一结果揭示，低水平的400 m中间中心性能增加行人数量，进而促使机动车驾驶者提高驾驶注意力（Amoh-Gyimah et al., 2016），从而降低交通事故风险；1 700与3 000 m尺度中间中心性的增加意味着该区域内存在更多承载中长距离出行流的关键路径（Wang et al., 2018），这可能导致机动车交通流量在该区域集聚，从而加剧交通事故风险；7 500 m尺度的中间中心性与交通事故数量的“U型”关系可能是由于长距离出行区域的中间中心性增加使得驾驶者采取更为谨慎的驾驶行为，从而提升区域交通安全水平；但过高的中间中心性可能使得长距离出行的驾驶者更容易出现疲劳驾驶，从而提升交通事故风险。
在绕行率方面，400与7 500 m尺度的绕行率与交通事故数量存在非线性负相关及阈值效应。400 m尺度的绕行率在1.05~1.32时交通事故数量下降，随后急剧上升，超过1.44之后趋于稳定，表明适度提高400 m尺度绕行率将有助于降低交通事故风险。7 500 m尺度的绕行率增加至1.38时交通事故数量最多，随后显著下降，与已有研究（Sarkar et al., 2018）发现的线性负相关保持一致。1 700与3 000 m尺度的绕行率与交通事故数量呈非线性正相关及阈值效应，1 700 m尺度的绕行率在1.3~1.42时交通事故数量减少，之后显著增加，至1.7后稳定。3 000 m尺度的绕行率对交通事故的影响呈“波动式”曲线特征。适度提升小尺度区域（3 000 m尺度）的道路绕行率，能降低机动车的行驶速度，并促使行人、骑行者选择交通流量较少的支路出行（Sarkar et al., 2018），从而降低交通事故风险；然而，过高的道路绕行率会增加出行距离和机动车流量，进而提升交通事故风险。7 500 m尺度高绕行率代表区域高交叉口密度，这有助于降低长距离机动车出行的行驶速度（Sarkar et al., 2018），从而降低交通事故风险。
在探讨其他拓扑特征对交通事故数量的影响时，本研究发现平均测地距离、网状系数、整体集聚系数与交通事故数量之间存在显著的非线性正相关（图4）。其中，网状系数的结果与现有研究（肖扬谋 等，2023）采取线性分析方法得到的结果不一致。具体而言，网状系数在0.01~0.11的区间增加时，交通事故数量随之上升，随后保持稳定。这一现象可归因于随着网状系数的增加，相关的交通冲突点数量增多，进而提升了交通事故风险。然而，当网状系数超过某一阈值时，道路连通性的增强有助于优化交通流量的分布，促进了绿色出行的比例（Berrigan et al., 2010），从而部分抵消了交通冲突增加所带来的负面影响。
图4 度中心性、网状系数、整体集聚系数、平均测地距离、网络效率、同配指数与交通事故的非线性关系

Fig.4 The nonlinear relationships between degree centrality, mesh density, global clustering coefficient, average geodesic distance, network efficiency, assortativity coefficient, and traffic accidents

类似地，整体集聚系数在0~0.1的范围增长时，交通事故数量也呈上升趋势。整体集聚系数的增大意味着道路子网络之间的联系道路承载了更大的交通流量，提升了区域交通事故风险。然而，当交通流量超过一定水平后，车辆平均行驶速度下降，使严重交通事故数量保持相对稳定（Saha & Dumbaugh, 2021）。
平均测地距离在1~3.2范围增长时，交通事故数量呈上升趋势；而当平均测地距离超过4后，交通事故数量有所下降。较大的平均测地距离意味着区域内交通出行需要面对更多的交叉口，增加了交通冲突点，从而提升了交通事故风险（Zeng et al., 2014）。然而，随着交叉口数量的增加，车辆平均行驶速度下降，导致严重交通事故数量有所减少（Zhang et al., 2015）。
此外，度中心性与交通事故数量呈近似的线性正相关，而与网络效率则呈近似线性负相关。高度中心性意味着区域平均岔口数较大且交通环境复杂，增加了交通冲突点数量（Ewing & Dumbaugh, 2009），进而提升交通事故风险。相反，较高的网络效率意味着区域内任意起讫点的出行距离越短，交通风险暴露越小，从而降低了交通事故风险。
最后，同配型指数与交通事故数量之间呈“U型”关系，拐点左右两侧分别为异配型路网（同配指数<0）及同配型路网（同配指数>0），而且同配型路网的交通安全水平略高于异配型路网。过高的同配性表现为大量四岔及以上路口的聚集，交通冲突点数量多；而过高的异配性意味着司机出行需面对更多岔口数的交叉口以及更为复杂的出行环境，交通事故风险提升。适度的同配性表明某一区域存在大量相同岔口数的交叉口，使驾驶者能在相似的出行环境行车，从而降低错误驾驶行为发生的可能性（Ewing & Dumbaugh, 2009）。
在道路网络几何特征方面，路网密度与交叉口密度均与交通事故数量之间存在非线性负相关（图5-a）。当路网密度达到14.58 km/km2、交叉口密度达到31个/km2时，交通事故数量趋于稳定。路网密度和交叉口密度的提升导致区域机动车平均行驶速度下降，有效降低了严重交通事故风险。高密度的路网不仅为居民提供了更多样化的出行路径选择，还促进了步行和骑行等积极出行方式比例的提升。由此，区域机动车的交通流量减少，降低了交通事故的整体风险（Marshall & Garrick, 2010b）。然而，也有研究（Moeinaddini et al., 2014）表明，当路网密度或交叉口密度过高时，司机需面临更多的交叉口冲突，并在行驶过程中出现更多的超车、换道以及加速制动行为，在一定程度上抵消了由于交通速度降低所带来的安全效益。
图5 道路网络几何特征（a）、土地利用特征（b）、交通流特征（c）和社会经济特征（d）与交通事故的非线性关系

Fig.5 The nonlinear relationships between road network geometric characteristics (a), land use characteristics (b), traffic flow characteristics (c), socio-economic characteristics (d) and traffic accidents

a）道路网络几何特征 b）土地利用特征

土地利用特征方面，土地利用混合度与交通事故数量之间呈非线性“U型”关系（图5-b），即适度的土地混合开发可以降低居民出行距离，促进慢行交通出行，从而提升区域交通安全水平；但过高的用地混合会带来异质交通流的冲突性交汇，从而提升交通事故风险。容积率与交通事故数量呈近似线性正相关，且在容积率达到2.46后趋于稳定，反映高容积率区域因人流、车流的高密度而面临较高交通事故风险，与已有研究（庞哲 等，2023）基本一致。交通流特征方面（图5-c），交通流量与交通事故数量呈近似的线性正相关，即交通流量的增加伴随着交通事故风险的上升，但这一关系存在阈值效应。在交通流量过大导致拥堵的情况下，车速减慢，严重交通事故的发生概率相对较低。值得注意的是，交通速度与交通事故数量之间的关系呈复杂变化，这可能是由于高速区域多为快速路、主干道等高等级城市道路，行人与机动车的直接接触较少，从而交通速度高值区间的严重交通事故发生率降低。社会经济特征方面，人口密度与交通事故数量呈正相关（图5-d）。然而，当人口密度持续上升时，交通事故数量趋于稳定，原因可能是，驾驶者在人口密集区域的驾驶行为更谨慎（Bhatia et al., 2011）。对于房价而言，低值区域与高值区域的交通事故数量较高，这可能源于不同房价区域建成环境与个体交通出行行为特征的差异：房价低值区域的公共交通设施与交通稳健措施较少，而房价高值区域的机动车出行频次高，从而导致两类区域的交通事故高发。

2.3　土地利用与道路网络特征对交通事故的协同作用

选取相对重要性排名前5的道路网络指标，将其与土地利用指标展开协同效应分析。双变量部分依赖图的结果表明，道路网络特征与土地利用混合度及容积率存在非线性协同作用。具体而言，当度中心性增加时，交通事故数量随之上升。然而，适度的土地利用混合度在1.41~1.43区间能显著抑制这种增加。已有研究表明，合理的土地利用混合度有助于提升慢行交通比例，减少出行距离（Ewing & Cervero, 2010），印证了土地利用混合度抑制度中心性增加对于交通事故数量的提升作用（图6-a）。相反，容积率在0~1.32区间增加，会加剧度中心性提升带来的交通事故风险（图6-b）。这可能是由于容积率提高导致交通流量增大，度中心性提升则与道路交叉口平均岔口数增加相关，二者共同加剧了交通事故风险。
图6 土地利用混合度及容积率与道路网络指标的协同作用

Fig.6 The interaction effects of land use mix and floor area ratio with road network characteristics

其次，网络效率由0.22增长至0.66时，交通事故数量逐渐降低。然而，当土地利用混合度在一定区间（1.41~2.76）时，会抑制网络效率提升对于交通事故数量的降低作用（图6-c）。主要原因在于，网络效率高值区域的路网间距较小，土地利用混合度过高时，吸引了多股不同出行目的交通流，导致交叉口冲突增加，提高了交通事故风险（Weichenthal et al., 2015）。容积率对网络效率与交通事故关系的影响呈先促进后抑制的趋势，其阈值为0.65（图6-d）。网络效率较高的区域具有出行距离短的显著优势，但其表征的高路网密度增加了交叉口数量，因此，在容积率超0.65后增加加剧了交通事故风险。
在涉及空间尺度的道路网络拓扑特征方面，其与土地利用指标在影响交通事故上具有复杂的协同效应。具体而言，对于7 500 m尺度的绕行率，当其在1.35~1.53时，且土地利用混合度处于1.47~1.71时，交通事故的减少量达到最大（图6-e）。这一发现强调了适度绕行率与土地利用混合度的协同作用在提升交通安全方面的重要性。然而，当容积率在0~1.71时，却抑制了绕行率提升对于交通事故减少的积极作用（图6-f），表明容积率的增加可能带来额外的交通压力，从而部分抵消了绕行率的正面效应。
其次，7 500 m尺度的接近中心性在0.5~3.9增加时，交通事故数量逐渐减少。然而，当土地利用混合度超过1.31后，这种减少作用被显著抑制（图6-g），可能是由于高混合度区域交通流的复杂性增加所致（Amoh-Gyimah et al., 2016）。相反，容积率在0~1.26时，促进了接近中心性对交通事故的降低作用（图6-h），表明在此范围内，容积率的增加与接近中心性的提升共同促进了交通安全的改善。
对于400 m尺度的绕行率，其由1.05增长至1.32时，交通事故数量呈下降趋势。然而，当土地利用混合度在1.29~2.76，且容积率在0.21~0.73时，该降低作用被显著抑制（图6-i、j）。这表明，尽管短距离绕行通常与交通事故数量降低相关，但土地利用混合度和容积率的提高可能通过增加交通流的复杂性和冲突点，从而抵消绕行率的正面影响。
综上，适度的土地利用混合度被证明能优化交通流分布，在与高绕行率相结合后，产生积极的交通安全效益；而过高的土地利用混合度减弱了接近中心性对交通流的优化作用，并增加慢行出行者的交通事故风险（潘海啸 等，2009）。此外，容积率还可能抑制绕行率提升带来的交通安全效益，而7 500 m尺度的高接近中心性展现了全局尺度的交通流优化能力，特别是在高容积率区域，能有效降低交通事故风险。

3 结论与讨论

本研究运用梯度提升决策树模型，深入剖析了多尺度道路网络特征与交通事故之间的非线性关系，识别了道路网络特征的相对重要性、非线性效应、尺度效应及影响阈值。结果表明，道路网络特征与交通事故数量之间普遍存在复杂的非线性关系和阈值效应。并且，不同尺度下，TAZ单元的交通方式、交通流量、交通速度、出行环境与驾驶行为等因素存在不同，致使道路网络拓扑特征与交通事故数量之间的非线性关系在400、1 700、3 500、7 500 m尺度下存在显著差异，并且在7 500 m尺度的影响更大。
本研究揭示了土地利用与道路网络特征在影响交通事故上的协同效应。首先，适度的土地利用混合有助于提升居民慢行出行占比、减少出行距离、优化交通流分布（Ewing &Cervero, 2010），在与道路网络特征共同作用下，产生积极的交通安全效益。然而，当土地利用混合度超过一定阈值后，过高的混合度会吸引多股不同出行目的交通流量，加剧交通冲突，从而降低道路网络特征带来的交通安全效益。其次，容积率与交通流量之间呈正相关，提高容积率可能会抑制道路网络特征对交通安全的积极作用；但在全局尺度，高容积率区域的交通流能更多地受到道路网络特征优化带来的积极影响，从而降低交通事故风险。
基于以上发现，本研究建议在甄别不同尺度道路网络特征非线性效应的基础上，协同优化道路网络与土地利用指标。首先，在中小尺度适度加强路网均质化，促进交通微循环，从而提升道路交通安全水平。在大尺度上，适度提高道路流通性与可达性，并适度提升路网绕行性，合理分流交通，避免单一集聚，有效降低交通事故风险。此外，降低道路多岔口数量、减少道路冲突点与加强道路连通性，以提升路网的网络效率。特别地，对于同配型以及大尺度路网的接近中心性与中间中心性指标，建议通过路网优化，将其数值控制在阈值范围内并适当提升，以避免超出临界值后风险再度提升。其次，适度提高土地利用混合度，并降低容积率，促进居民积极出行、缩短出行距离，同时避免过高的土地利用混合度和开发强度削弱道路网络拓扑特征对于交通安全的积极效益。
本研究的主要贡献体现在两方面。首先，在多尺度、多维度上刻画了城市道路网络特征，并运用机器学习方法深入探究了城市道路网络特征与交通事故之间的非线性关系。本研究识别了关键道路网络指标的影响阈值，为深入解析交通事故的驱动机理提供了支持。其次，从建成环境视角出发，深入探究了城市土地利用与道路网络特征在影响交通事故方面的协同效应，并提出了相应的协同优化策略，为城市道路交通规划提供了理论指导与技术支持，有助于提升城市交通安全水平。
本研究也存在一定局限性。首先，尽管识别了道路网络特征与交通事故的非线性关联，但道路网络特征通过影响交通出行行为并作用于事故的中介机制仍未被揭示。相同自变量的非线性效应受到数据分布和模型训练过程的影响，可能并不总是保持一致；未来可结合特征选择技术以及非线性作用机制模型，更深入地探讨，验证结果的稳定性。其次，由于分析单元为TAZ，结果在一定程度上受到可变面状单元问题的影响。未来将采用更精细的分析单元展开研究，如道路段等，进一步提升结果的科学性。此外，由于受交通事故类型数据的限制，本研究仅关注严重交通事故，未来将考虑不同严重程度的交通事故，以有助于全面解析交通事故的驱动机理。同时，由于交通流数据仅限于机动车类型，缺乏其他交通类型数据，限制了对交通事故驱动机理的深入探讨。最后，在道路网络指标选取方面，虽然已选取常用指标，但考虑到道路网络指标体系的多样性，未来可尝试纳入更多道路网络指标以完善研究。

1 https://wuhan.anjuke.com/

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Amoh-Gyimah R, Saberi M, and Sarvi M. 2016. Macroscopic Modeling of Pedestrian and Bicycle Crashes: A Cross-Comparison of Estimation Methods. Accident Analysis and Prevention, 93: 147-159.

Berrigan D, Pickle L, and Dill J. 2010. Associations between Street Connectivity and Active Transportation. International Journal of Health Geographics, 9: 20.

Bhatia R and Wier M. 2011. "Safety in Numbers" Re-Examined: Can We Make Valid or Practical Inferences from Available Evidence? Accident Analysis and Prevention, 43: 235-240.

Boeing G. 2019. The Morphology and Circuity of Walkable and Drivable Street Networks. In: Luca D'Acci. The Mathematics of Urban Morphology. Cham: Springer International Publishing, 271-287.

Cooper C and Chiaradia A. 2020. SDNA: 3-d Spatial Network Analysis for GIS, CAD, Command Line & Python. SoftwareX, 12: 100525.

Ding C, Chen P, and Jiao J. 2018. Non-Linear Effects of the Built Environment on Automobile-Involved Pedestrian Crash Frequency: A Machine Learning Approach. Accident Analysis and Prevention, 112: 116-126.

Ewing R and Dumbaugh E. 2009. The Built Environment and Traffic Safety: A Review of Empirical Evidence. Journal of Planning Literature, 23: 347-367.

Ewing R and Cervero R. 2010. Travel and the Built Environment. Journal of the American Planning Association, 76: 265-294.

Freeman L. 1979. Centrality in Social Networks Conceptual Clarification. Social Networks, 1: 215-239.

Friedman J. 2001. Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29: 1189-1232.

Friedman J. 2002. Stochastic Gradient Boosting. Computational Statistics & Data Analysis, 38: 367-378.

Hagberg A, Schult D, and Swart P. 2008. Exploring Network Structure, Dynamics, and Function Using Networkx. (2008-09-22) [2024-02-25]. http://pdfs.semanticscholar.org/0621/4a0cf38875da38586e81539890f7ad8aeb1c.pdf.

Hastie T, Tibshirani R, and Friedman J. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Cham: Springer International Publishing.

Kamel M and Sayed T. 2020. The Impact of Bike Network Indicators on Bike Kilometers Traveled and Bike Safety: A Network Theory Approach. Environment and Planning B-Urban Analytics and City Science, 48: 2055-2072.

毛蒋兴，阎小培. 2002. 我国城市交通系统与土地利用互动关系研究述评. 城市规划汇刊，（4）：34-37，79.

Mao Jiangxing and Yan Xiaopei. 2002. Review on the Interaction between Urban Transport System and Land Use in China. Urban Planning Review, (4): 34-37, 79.

Marshall W and Garrick N. 2010a. Street Network Types and Road Safety: A Study of 24 California Cities. Urban Design International, 15: 133-147.

Marshall W and Garrick N. 2010b. Effect of Street Network Design on Walking and Biking. Transportation Research Record, 2198: 103-115.

Marshall W and Garrick N. 2011. Does Street Network Design Affect Traffic Safety? Accident Analysis and Prevention, 43: 769-781.

Moeinaddini M, Asadi-Shekari Z, and Zaly Shan M. 2014. The Relationship between Urban Street Networks and the Number of Transport Fatalities at the City Level. Safety Science, 62: 114-120.

Newman M. 2002. Assortative Mixing in Networks. Physical Review Letters, 89: 208701.

潘海啸，沈青，张明. 2009. 城市形态对居民出行的影响——上海实例研究. 城市交通，7（6）：28-32，49.

Pan Haixiao, Shen Qing, and Zhang Ming. 2009. Impacts of Urban Forms on Travel Behavior: Case Studies in Shanghai. Urban Transport of China, 7(6): 28-32, 49.

庞哲，谢波. 2023. 城市土地利用对交通事故的作用机制研究——以武汉市为例//中国城市规划学会. 人民城市，规划赋能——2023中国城市规划年会论文集（06城市交通规划）. 武汉：武汉大学城市设计学院，175-187.

Pang Zhe and Xie Bo. 2023. Research on the Mechanism of Urban Land Use on Traffic Accidents—A Case Study of Wuhan City. In: Urban Planning Society of China. People's Cities, Planning Empowerment—Proceedings of the 2023 China Urban Planning Annual Conference(06 Urban Transport Planning). Wuhan: School of Urban Design of Wuhan University, 175-187.

Ridgeway G. 2024. Generalized Boosted Models: A Guide to the Gbm Package. (2024-06-26) [2024-07-01]. https://cran.r-project.org/web/packages/gbm/vignettes/gbm.pdf.

Rifaat S, Tay R, Perez A, and Barros A. 2009. Effects of Neighborhood Street Patterns on Traffic Collision Frequency. Journal of Transportation Safety & Security, 1: 241-253.

Saha D, Alluri P, and Gan A. 2015. Prioritizing Highway Safety Manual's Crash Prediction Variables Using Boosted Regression Trees. Accident Analysis & Prevention, 79: 133-144.

Saha D and Dumbaugh E. 2021. Use of a Model-Based Gradient Boosting Framework to Assess Spatial and Non-Linear Effects of Variables on Pedestrian Crash Frequency at Macro-Level. Journal of Transportation Safety & Security, 14: 1419-1450.

Sarkar C, Webster C, and Kumari S. 2018. Street Morphology and Severity of Road Casualties: A 5-Year Study of Greater London. International Journal of Sustainable Transportation, 12: 510-525.

宋小冬，陶颖，潘洁雯，肖扬. 2020. 城市街道网络分析方法比较研究：以Space Syntax、sDNA和UNA为例. 城市规划学刊，（2）：19-24.

Song Xiaodong, Tao Ying, Pan Jiewen, and Xiao Yang. 2020. A Comparison of Analytical Methods for Urban Street Network: Taking Space Syntax, sDNA and UNA as Examples. Urban Planning Forum, (2): 19-24.

王成，谢波. 2020. 土地利用视角下城市交通事故驱动机理的研究进展. 地理科学进展，39（9）：1597-1606.

Wang Cheng and Xie Bo. 2020. Research Progress on the Driving Mechanism of Traffic Accidents from the Perspective of Land Use. Progress in Geography, 39(9): 1597-1606.

王雪松，游世凯. 2014. 基于多项罗吉特模型的路网形态判别. 同济大学学报（自然科学版），42（1）：64-70.

Wang Xuesong and You Shikai. 2014. Street Patterns Distinction Based on Logit Model. Journal of Tongji University(Natural Science), 42(1): 64-70.

Wang X, Yuan J, Schultz G, and Fang S. 2018. Investigating the Safety Impact of Roadway Network Features of Suburban Arterials in Shanghai. Accident Analysis & Prevention, 113: 137-148.

Weichenthal S, Ryswyk VK, Kulka R, Sun L, Wallace L, and Joseph L. 2015. In-Vehicle Exposures to Particulate Air Pollution in Canadian Metropolitan Areas: the Urban Transportation Exposure Study. Environmental Science & Technology, 49: 597-605.

肖扬谋，谢波，庞哲. 2023. 城市道路网络特征对交通事故的作用机理研究. 南方建筑，（4）：61-68.

Xiao Yangmou, Xie Bo, and Pang Zhe. 2023. Urban Road Network Characteristics and Their Influence on Traffic Accidents. South Architecture, (4): 61-68.

谢波，南贤淑. 2018. 城市土地利用对交通事故的影响与规划调控——以武汉市为例//中国城市规划年会. 共享与品质——2018中国城市规划年会论文集（05城市规划新技术应用）. 武汉：武汉大学，1262-1279.

Xie Bo and Nan Xianshu. 2018. The Influence of Urban Land-Use on Traffic Crashes—A Case of Wuhan. In: Urban Planning Society of China. Sharing and Quality—Proceedings of 2018 China Urban Planning Annual Conference(05 Application of New Technologies in Urban Planning). Wuhan: Wuhan University, 1262-1279.

谢波，肖扬谋. 2022. 城市道路网络特征对交通事故作用机理的研究进展. 地理科学进展，41（10）：1956-1968.

Xie Bo and Xiao Yangmou. 2022. Progress of Research on the Mechanism of Impact of Urban Road Network Characteristics on Traffic Accidents. Progress in Geography, 41(10): 1956-1968.

邢璐，孙健敏，尹奎，王震. 2018. “过犹不及”效应及其作用机制. 心理科学进展，26（4）：719-730.

Xing Lu, Sun Jianmin, Yin Kui, and Wang Zhen. 2018. The Too-Much-of-a-Good-Thing Effect and Its Mechanisms. Advances in Psychological Science, 26(4): 719-730.

Zeng Q and Huang H. 2014. Bayesian Spatial Joint Modeling of Traffic Crashes on an Urban Road Network. Accident Analysis & Prevention, 67: 105-112.

Zhang Y, Bigham J, Ragland D, and Chen X. 2015. Investigating the Associations between Road Network Structure and Non-Motorist Accidents. Journal of Transport Geography, 42: 34-47.

郑依玲，谢波，南贤淑，安子豪. 2020. 城市土地利用对交通事故的影响因素与作用机制研究——以武汉市为例. 现代城市研究，（2）：42-49.

Zheng Yiling, Xie Bo, Nan Xianshu, and An Zihao. 2020. The Impact Factor and Mechanism of Urban Land Use on Traffic Accidents: A Case Study of Wuhan City. Modern Urban Research, (2): 42-49.

中共中央 国务院. 2016. “健康中国2030”规划纲要. （2016-10-25）[2024-02-25]. https://www.sport.gov.cn/gdnps/files/c25531179/25531211.pdf.

The State Council of the People's Republic of China. 2016. "Healthy China 2030" Plan Outline. (2016-10-25) [2024-02-25]. https://www.sport.gov.cn/gdnps/files/c25531179/25531211.pdf.

Options
文章导航

/

〈 〉