歩行者の安全性に対する道路ネットワークパターンの影響：ゾーンベースのベイジアン空間モデリングアプローチ

歩行者の安全性は、主要な公衆衛生上の懸念としてますます認識されています。歩行者と車両の衝突の発生に対する複数の変数の影響を調べるために、広範な安全研究が実施されています。ただし、歩行者の安全性と道路網の特性との明示的な関係は不明のままです。この研究は、特に歩行者が関与するクラッシュの発生におけるさまざまな道路ネットワークパターンの役割に焦点を当てていました。道路ネットワークのトポロジ構造を定量化するために、スペース構文を介したグローバル統合インデックスが導入されました。次に、条件付き自己回帰（CAR）を備えたベイジアンポアソン - ログナル（PLN）モデルを、次に、連続性、ジオメトリセントロイド距離、道路ネットワーク接続の3つの異なる近接構造を介して開発されました。モデルは、空間相関効果なしのPLN対応物とも比較されました。分析は、香港の131の選択されたトラフィック分析ゾーンの包括的なクラッシュデータセットに基づいていました。結果は、より高いグローバル統合が歩行者と車両のcrash落に関連していることを示しています。不規則なパターンネットワークは、歩行者のcrash落の発生に関して最も安全であることが証明されましたが、グリッドパターンは最も安全ではありませんでした。道路ネットワークの接続性に基づいた近隣構造を持つCARモデルは、モデルの良さでアウトパフォームすることがわかっており、空間的に集約されたクラッシュデータをモデル化する際の空間相関を正確に考慮することの重要性を意味します。

Pedestrian safety is increasingly recognized as a major public health concern. Extensive safety studies have been conducted to examine the influence of multiple variables on the occurrence of pedestrian-vehicle crashes. However, the explicit relationship between pedestrian safety and road network characteristics remains unknown. This study particularly focused on the role of different road network patterns on the occurrence of crashes involving pedestrians. A global integration index via space syntax was introduced to quantify the topological structures of road networks. The Bayesian Poisson-lognormal (PLN) models with conditional autoregressive (CAR) prior were then developed via three different proximity structures: contiguity, geometry-centroid distance, and road network connectivity. The models were also compared with the PLN counterpart without spatial correlation effects. The analysis was based on a comprehensive crash dataset from 131 selected traffic analysis zones in Hong Kong. The results indicated that higher global integration was associated with more pedestrian-vehicle crashes; the irregular pattern network was proved to be safest in terms of pedestrian crash occurrences, whereas the grid pattern was the least safe; the CAR model with a neighborhood structure based on road network connectivity was found to outperform in model goodness-of-fit, implying the importance of accurately accounting for spatial correlation when modeling spatially aggregated crash data.