人口老龄化是一个日益严重的全球现象，对公共卫生、社会政策和城市流动性提出了紧迫挑战（世界经济论坛，2023年）。随着预期寿命的增加和出生率的下降，发达国家和发展中国家的老年人比例都在迅速上升。根据联合国2022年世界人口展望报告，目前全球超过10%的人口年龄在65岁及以上，预计到2030年这一比例将上升至11.7%，到2050年将超过16.4%。这种人口结构变化在高收入国家尤为明显。例如，美国的老年人比例约为17%，预计到2050年将上升至21%。同样，意大利、葡萄牙和希腊等欧洲国家的老年人比例分别为23.7%、22.6%和22.5%，预计到本世纪中叶这些比例将超过总人口的三分之一。亚洲也面临着加速老龄化的问题。在日本，老年人已经占人口的30%，而中国和韩国的比例分别为15%和19%（世界银行，2024年）。这三个国家预计到2050年都将出现显著增长（联合国，2022年）。
台湾是世界上老龄化最快的国家之一。由于低生育率和医疗条件的改善，其老年人口比例在2022年达到了17.5%，预计到2030年将上升至24.1%，到2050年将上升至37.5%（台湾国家发展委员会，2024年）。这些人口变化伴随着出行挑战的增加。例如，16.5%的残疾人士年龄在65岁及以上（Chiu等人，2021年）。这种人口转型正在重塑社会和经济结构，表明迫切需要调整城市设计、交通系统和行人安全政策，以确保老年人的包容性和可及性（Lee等人，2020年）。
人口老龄化对道路安全有直接影响。全球每年约有135万人死于交通事故，其中超过一半的死亡者是弱势道路使用者，如行人、骑自行车者和摩托车手（世界卫生组织，2015年）。在亚洲，行人占所有道路死亡人数的23%。在香港等城市，行人占所有交通事故死亡人数的56%，老年人受到的影响尤为严重（Zhu等人，2023年）。老龄化与行人风险之间的联系已有充分记录。然而，其严重程度因地区而异，取决于当地基础设施和安全政策的质量。例如，在美国，2009年至2018年间行人死亡人数增加了53%，而老年人行人死亡人数增加了65%，尽管总体老年人口仅略有增长（Tefft等人，2021年）。相比之下，尽管日本是人口老龄化最严重的国家，但由于实施了全面的安全措施（包括全区域的交通缓和、适合老年人的行人和交叉口设计（如减速带、人行道延伸、改善照明）以及针对老年道路使用者的针对性项目，交通事故死亡人数减少了38.9%（CAO，2024年；经合组织，2023年）。这些措施降低了车辆速度，提高了能见度和穿越安全性，并直接针对涉及老年人行人和骑自行车者的常见事故情况，日本政府报告称这些措施使得处理区域的致命和严重伤害事故有所减少（CAO，2024年）。
尽管如此，关于老年人行人安全的担忧仍然存在。在韩国，2012年至2016年间涉及老年人的行人事故数量增加了20.3%（Lee等人，2020年）。同样，在台湾（特别是本研究关注的台北），这些风险更为突出。尽管2022年老年人仅占人口的17.5%，但他们占所有行人受伤人数的35.5%和所有行人死亡人数的68.8%（Kuo等人，2025年）。这些统计数据表明，在人口老龄化加速的情况下，迫切需要采取有针对性的干预措施来提高老年人行人的安全状况。
了解导致老年人行人受伤和致命事故的因素对于设计有效的干预措施至关重要。现有研究强调了多种影响因素，包括与行人相关的特征（如行动能力和视力限制）、与车辆相关的因素（如速度和大小）、环境条件（如照明和天气）以及空间特征（如交叉口设计、交通流量和土地利用）（Kuo等人，2025年；Lee等人，2020年）。虽然这些客观评估很重要，但结合人们对城市环境的感知（包括适步行性、骑行便利性、愉悦度和安全性）（Danish等人，2025年）也可以更好地理解老年人行人如何在城市空间中互动和移动。鉴于涉及老年人行人的事故往往更为严重，特别是在具有复杂交叉口和繁忙交通的地区，这一视角尤为重要。因此，进行综合考虑空间异质性和局部环境条件的全面分析对于识别高风险地点并相应地改进安全措施至关重要。
近年来，由于机器学习和人工智能在模拟复杂非线性关系和高效处理高维数据方面的能力，它们越来越多地应用于交通安全研究。在可解释人工智能（XAI）方法中，SHAP（Shapley Additive Explanations）因其博弈论方法而脱颖而出，通过将每个特征视为合作游戏中的参与者来分配权重，从而清晰地洞察单个特征如何影响模型预测，提供了特征重要性的透明分解（Yang等人，2021年）。SHAP已被用于评估事故严重程度因素（Sun等人，2024年）、解释交通拥堵模式（Dong等人，2024年）以及分析驾驶员行为和安全合规性（Wang等人，2025年）。然而，大多数在交通研究中的SHAP应用并未明确考虑空间因素，限制了它们捕捉不同地点模型输出的空间依赖性和变化的能力。因此，人们越来越关注开发能够超越全局解释的解释技术，以考虑结果的空间变异性（Sun等人，2024年）。
GeoShapley是一种新兴的空间机器学习框架，通过结合空间结构和拓扑信息扩展了SHAP（Li，2024年）。它使研究人员能够计算解释变量的位置特定重要性值，从而更细致地解释空间异质性效应。与传统假设变量效应在空间上均匀分布的模型不同，GeoShapley揭示了环境特征、交通条件和感知质量的影响如何在地理上有所不同（Chen等人，2025年；Foroutan等人，2025年）。这在城市安全研究中特别有利，因为在控制了兴趣点、交通流量等因素后，不同社区的碰撞风险往往存在显著差异（Putra等人，2024年；Kuo等人，2025年）。
本研究应用GeoShapley来分析台北（台湾）223个有信号灯的交叉口中老年人行人受伤和致命事故的主要决定因素。将GeoShapley的性能和可解释性与另外两种建模框架——全局负二项回归（NBR）和地理加权负二项回归（GWNBR）进行比较，以评估当地环境和交通特征如何影响老年人的事故结果。通过整合空间显式的统计和机器学习模型，该研究识别出系统性地增加致命和受伤事故频率的地点特定风险因素和空间模式。尽管致命事件发生频率较低，但它们仍可能表现出系统的空间模式。因此，我们的目标是考察某些特定背景因素（如高风险土地利用、复杂的交叉口设计或适步行性条件）是否在不同地点始终与更高的致命事故频率相关，以及这些模式与受伤事故频率的模式有何不同。这些发现为空间事故分析的研究提供了宝贵的见解，并为希望改善老年人行人安全的城市政策制定者提供了可操作的参考。
