街道设计与驾驶行为：来自米兰和阿姆斯特丹大规模研究的证据

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Street design and driving behavior: Evidence from a large-scale study in Milan and Amsterdam

降低城市道路限速至30 km/h对车速合规性影响有限，需结合道路设计与环境优化。通过米兰和阿姆斯特丹的实证研究，发现狭窄街道、高密度建筑和低可视度环境能有效抑制车速。利用街景图像语义分割和车辆telemetry数据，建立了基于机器学习的车速预测模型，为城市规划提供决策支持。

　　

作者名单：Giacomo Orsi、Titus Venverloo、Andrea La Grotteria、Umberto Fugiglando、Fábio Duarte、Paolo Santi、Carlo Ratti

机构：美国马萨诸塞理工学院城市研究与规划系，Senseable City实验室，剑桥，马萨诸塞州

摘要

1. 近年来，许多城市将限速从50公里/小时降至30公里/小时，以提高道路安全、减少噪音污染，并促进步行和骑行等可持续交通方式的发展。然而，确保驾驶员遵守这些新规定仍然是城市规划者面临的关键挑战，因为严格遵守限速对于实现预期效果至关重要。
2. 本研究调查了米兰驾驶员对30公里/小时限速的遵守情况，并探讨了街道特征如何影响驾驶行为。通过分析来自车辆的5100万个遥测数据点，我们分析了整个城市的速度分布，并采用观察性研究方法来评估限速调整的因果效应。研究发现，在限速为30公里/小时的街道上，车辆平均行驶速度仅比限速为50公里/小时的街道低2.29公里/小时。这表明，仅仅降低限速并不足以有效减少车速，因此需要了解街道设计如何提高驾驶员的限速遵守率。为此，我们利用基于计算机视觉的语义分割模型对米兰街道的Google Street View图像进行了分析。大规模分析显示，较窄的街道和密集的建筑环境与较低的车速相关，而视野开阔、天空可见度高的道路则更有利于快速驾驶。
3. 为了评估当地环境对驾驶员限速遵守行为的影响，我们将该方法应用于阿姆斯特丹市。与米兰类似，阿姆斯特丹也是一座最初并非为汽车设计的欧洲历史城市。分析结果在很大程度上证实了本文提出的道路设计指南对驾驶员限速遵守率的普遍适用性。
4. 最后，我们开发了一个机器学习模型，根据街道特征预测车辆速度。通过模拟如果整个米兰实施30公里/小时限速时的情况，展示了该模型的预测能力。这一工具为城市规划者提供了可操作的见解，有助于制定干预措施，以提高限速遵守率、优化交通管理策略并创造更安全的城市环境。

引言

1. 近几十年来，城市限速降低举措受到了广泛关注。全球各地的城市都在努力提高道路安全、减少交通相关伤害、降低噪音和空气污染水平，并鼓励采用更可持续的交通方式（Yannis和Michelaraki，2024）。实现这些目标的关键策略之一是在城市区域实施更低的限速。
2. 在欧洲，越来越多城市开始全面采用30公里/小时的限速标准， Zurich（自1991年起）、Madrid（2018年）、London（2020年）、Barcelona（2020年）、Brussels（2021年）、Lyon（2022年）和Amsterdam（2023年）等大城市处于领先地位。多项研究强调了限速降低对道路安全的积极影响。例如，Grundy等人（2009）发现，在伦敦实施20英里/小时（约30公里/小时）的限速区后，道路事故减少了41.9%。
3. 后续的多项研究采用多种方法证实了限速降低对道路安全的积极效果。Yannis和Michelaraki（2024）的综述全面总结了欧洲范围内限速降低的测量结果。除了明显的安全效益外，该综述还指出限速降低带来了环境方面的积极影响，包括排放量平均减少18%、噪音污染水平降低2.5分贝以及燃油消耗减少7%。然而，空气质量方面的益处仍需进一步研究，因为其他研究表明，在较低车速下，内燃机的效率会降低，可能导致排放量增加（Gressai等人，2021年；Int Panis等人，2011年；Tang等人，2019年）。
4. 尽管如此，Yannis和Michelaraki（2024）指出，全面实施30公里/小时的限速有助于推动向步行和骑行等更可持续交通方式的转变，并减少汽车使用，从而可能抵消因速度降低而导致的排放增加。
5. 这些举措的成功取决于多种因素，包括公众接受度、执法力度以及人行道、自行车道和公共交通等配套基础设施的完善程度。不同城市之间的成功率差异表明，在实施限速降低措施时，需要全面了解当地实际情况。
6. 虽然大量研究集中在道路安全上，但较少关注其背后的因果机制，特别是城市为确保驾驶员遵守限速而需要采取的干预措施。例如，速度摄像头和交通警察等执法手段在这方面起着重要作用。然而，这些措施的有效性可能受到处罚力度和技术限制的影响（如资源可用性和持续监控的需求）。此外，执法措施本身并不能保证驾驶员一定会遵守限速，因为驾驶员在意识到被监控时可能会调整行为（Mountain等人，2004年）。此外，执法措施有时会被公众视为惩罚性而非预防性的（Blincoe等人，2006年）。在意大利，30公里/小时的速度摄像头也受到了批评，意大利政府最近甚至禁止了它们的使用，以避免人们认为城市降低限速是为了增加罚款收入（意大利交通部，2024年）。尽管如此，城市仍可以通过交通警察执行30公里/小时的限速，罚款金额根据超速幅度不同而有所不同（超过限速5公里/小时以下罚款42欧元，超过11公里/小时以上罚款173欧元（《道路法典》，2021年）。
7. 这凸显了需要采取其他策略来确保驾驶员降低车速并遵守更严格的限速规定。这些策略包括宣传活动和街道设计干预，以鼓励驾驶员减速行驶。
8. 本研究重点关注后者，通过在意大利米兰进行的大规模研究，分析街道设计如何影响驾驶员行为和限速遵守情况。迄今为止，尚无针对整个城市范围内的限速遵守情况的公开大规模研究，尤其是那些将限速降至30公里/小时的城市。大多数研究仅在受控或模拟环境中探讨了街道设计与驾驶员速度或限速之间的关系（Theeuwes等人，2024年；Yao等人，2020年）。虽然其他研究利用Street View图像分析了建成环境及其与各种城市现象的关联（Salazar Miranda等人，2021年；Goel等人，2018年；Law等人，2019年；He等人，2017年；Chacra和Zelek，2017年），但我们首次利用Street View图像来评估限速降低对驾驶速度的影响，并探讨街道设计如何影响驾驶员行为和限速遵守情况。
9. 本研究的贡献有四方面：
1. 1. 通过2023年限速降低的两个区域的案例研究，测量了限速降低对米兰的影响（第3.2.1节）。
2. 2. 提出了一种准实验方法，用于在城市范围内评估将限速从50公里/小时降至30公里/小时的效果。该方法通过匹配布局相似但限速不同的街道段落，并比较车辆速度的观察差异来实现（第3.2.2节）。
3. 3. 分析了物理道路特征与从Google Street View图像中提取的视觉环境线索之间的关联，以及这些特征与驾驶员遵守30公里/小时限速之间的关系。
4. 4. 开发了一个机器学习模型，根据街道特征和建成环境特征预测车辆速度，并展示了此类模型如何帮助城市规划者识别需要额外干预措施以确保遵守30公里/小时限速的街道。

研究部分细节

车辆速度数据
我们使用了UnipolTech收集的数据集，该公司在意大利约420万辆车上安装了OBU（车载单元）（UnipolTech，2024年），在非控制环境下收集行驶数据。数据已由UnipolTech进行匿名处理。数据包括车辆的速度和航向角，以及通过GNSS接收器获得的车辆位置信息，数据采集间隔为2分钟。本研究使用的数据来自米兰地区的速度观测数据。
限速遵守情况
图1a显示了米兰地区速度分布的85百分位数。
通过分析限速为30公里/小时的街道，我们发现这些区域的平均速度85百分位数为38.26公里/小时，而平均速度为26.98公里/小时。这表明总体上存在不遵守限速的情况，我们在图3中展示了这一现象，分析了一天中不同时间段的速度分布。数据显示，夜间车速普遍较高，尤其是在凌晨2:00至3:00之间达到峰值。
街道特征与速度的关联
为了制定促进30公里/小时限速区遵守情况的城市规划策略，我们分析了街道设计特征与车辆速度之间的关系。我们根据观测到的速度85百分位数的中位数，将当前限速为30公里/小时的街道段落分为两组。
基于街道特征预测限速遵守情况
开发机器学习模型来预测限速遵守情况在科学和实践上都具有重要意义。从科学角度来看，这加深了我们对城市特征与驾驶员行为之间相互作用的理解；从实践角度来看，它有助于城市规划，特别是在有效实施全市范围内的30公里/小时限速区方面。通过识别可能无法实现预期遵守率的区域，城市规划者可以做出更明智的决策。
与阿姆斯特丹的比较
对于阿姆斯特丹，我们使用了TomTom Traffic的数据，获取了2023年同一时期的每条道路的速度分布。与米兰类似，限速遵守情况是通过分析速度分布的85百分位数来确定的。
图12显示了阿姆斯特丹限速为30公里/小时街道的每小时速度分布。从图中可以看出，除了夜间时段外，大部分时间驾驶员都遵守了限速规定。
讨论
本研究首先估计了将限速从50公里/小时降至30公里/小时的因果效应，分析了街道特征与限速遵守情况之间的关系，并开发了一个基于街道特征的机器学习模型来预测驾驶速度。
我们的因果估计通过对比限速降低前后的两个区域的数据，以及将限速为30公里/小时的街道段与对照段进行全市范围的观察性研究来完成。
CRediT作者贡献声明
Giacomo Orsi：撰写、审稿与编辑、初稿撰写、可视化、软件开发、方法论设计、数据分析、概念构建。 Titus Venverloo：撰写、审稿与编辑、方法论设计、概念构建。 Andrea La Grotteria：撰写、审稿与编辑、初稿撰写、正式分析、数据管理。 Umberto Fugiglando：撰写、审稿与编辑、资金筹集、概念构建。 Fábio Duarte：撰写、审稿与编辑、概念构建。
利益冲突声明
无。