《Accident Analysis & Prevention》：Disparities in pedestrian crossing and driver yielding behaviors: evidence from a large-scale observational study at urban intersections
编辑推荐：
行人安全中的社会行为与交通环境交互研究。通过分析休斯顿大学采集的1000余小时视频数据，发现男性、黑人、住房不安全者及独行者违规穿越概率显著提高，驾驶员未让行行为与行人违规率呈强正相关，早间及私家车驾驶时段未让行率最高。研究揭示基础设施之外的社会经济因素对安全的影响，提出教育宣传、偏见减少和社区参与的综合干预策略。
安娜·E·贝利沃（Anna E. Beliveau）| 安吉拉·J·哈达德（Angela J. Haddad）| 艾米丽·A·波德纳（Emily A. Podnar）| 德维娜·夏尔玛（Devina Sharma）| 查德拉·R·巴特（Chandra R. Bhat）
德克萨斯大学奥斯汀分校，土木、建筑与环境工程系，301 E. Dean Keeton St，Stop C1761，奥斯汀，德克萨斯州78712，美国
摘要
行人安全在城市环境中仍然是一个严峻的挑战，表现为死亡人数的增加以及不同社会人口群体之间的持续差异。要揭示这些差异的根源，需要更深入地了解行人和驾驶员的行为。本研究探讨了个人属性、社会环境以及时间/天气条件如何影响行人的过街行为和驾驶员的让行决策。我们分析了德克萨斯州奥斯汀两个交叉口的1000多小时视频录像，记录了20,995次行人过街事件和3,124次行人-车辆互动。通过对这些录像的手动标注，我们建立了两个二元逻辑模型：一个用于预测不遵守规则的行人过街行为（NCPC），另一个用于预测驾驶员不让行的行为（DUY，即驾驶员未能给行人让路）。研究结果表明，男性行人、黑人行人、表现出住房不安全迹象的行人（VHI）以及独自过街的行人更有可能不遵守规则，并且遇到驾驶员不让行的情况也更少。跑步者的NCPC率也高于步行者，尤其是在深夜和黎明时分。在驾驶员方面，行人的NCPC行为是不让行的最强预测因素。DUY行为在早晨更为常见，尤其是在驾驶私人车辆（非商业车辆）的驾驶员中，以及当行人年龄较大、是黑人或棕色人种，并且表现出住房不安全迹象时。这些发现强调了在行人安全干预措施中考虑社会和行为因素的重要性。通过揭示边缘化和环境如何相互作用影响风险，本研究为交通公平性研究做出了贡献，并支持了超越基础设施的干预措施，例如教育宣传活动、减少偏见以及社区主导的安全倡议。
引言
行人安全在交通研究和实践中一直是一个紧迫的问题，这主要是由于受伤和死亡率的持续高企以及这些风险在社区间的不公平分配。对美国国家公路交通安全管理局（NHTSA）记录的分析显示，自2009年死亡人数达到历史低点以来，行人安全状况一直在恶化。2022年，行人死亡人数达到7,593人，比前一年增加了1.6%，是自1981年以来的最高年度死亡人数（NHTSA，2024a）。尽管2023年死亡人数略有下降至7,314人，但非致命行人事故的数量比2022年增加了1.34%，达到68,244起（NHTSA，2024b）。总体而言，行人事故和死亡人数的长期上升趋势与其他发达国家的情况形成对比，在那些国家，行人死亡率通常在下降（Naumann等人，2025年）。此外，相对于其他道路使用者，行人变得越来越脆弱，这体现在行人死亡比例的上升上——从2009年的所有交通死亡人数的12.1%上升到2023年的17.9%（NHTSA，2024b），尽管同期步行率相对稳定（McGuckin等人，2018年）。
人口统计和社会经济特征进一步加剧了行人安全方面的差异。男性行人占行人死亡人数的大约70%（NHTSA，2024a），这可能反映了性别在出行行为和风险承担方面的差异，例如更频繁地违反交通法规（Guo等人，2011年；Brosseau等人，2013年；Dommes等人，2015年；Baker等人，2022年）。老年人也面临更高的风险，因为他们的行动能力有限，反应时间较慢，且在发生事故时受伤的严重程度更高（Smart Growth America，2024年）。少数族裔，特别是黑人和美洲原住民行人，遭遇严重和致命事故的比例异常高，每次出行和人均死亡率显著高于白人行人（Hamann等人，2020年；Sanders和Schneider，2022年；Smart Growth America，2024年）。这些差异通常归因于基础设施质量的差异以及暴露于高风险交通环境中的程度（参见Dadashova等人（2024年）关于行人种族与事故倾向之间关联的综述）。无家可归者面临在交通事故中严重受伤或死亡的风险增加，这可能是由于他们更依赖步行和公共交通，经常出现在高速、交通繁忙的道路附近，以及存在健康相关的问题，包括身体残疾、心理健康挑战和药物滥用（USDOT，2024年）。收入也是一个关键因素。家庭收入中位数低于15,000美元的普查区域的行人死亡率几乎是高收入区域的五倍（Smart Growth America，2024年），这种差异通常与较高的步行率和不足的行人基础设施有关，如人行横道、行人信号灯和照明设施不足（Morency等人，2012年；Lee等人，2019年；Yu等人，2022年）。
尽管如上所述的基础设施和暴露因素长期以来一直主导着行人安全研究，但它们并不能完全解释事故结果中持续存在的人口统计差异。例如，研究表明，即使在控制了基础设施和暴露变量之后，种族和收入相关的行人受伤和死亡差异仍然存在（Roll和McNeil，2022年；Dumbaugh等人，2023年；Haddad等人，2023年），这表明还有其他行为和情境因素在起作用。这些差异可能与行人违反过街规则的行为或驾驶员不给行人让行的行为有关，或者两者兼而有之，而这些因素本身可能不仅取决于交通/行为特征，还取决于不同种族/收入水平的个体在不同环境中的行为差异。在这方面，一些早期研究关注了交通/行为因素和人口统计特征对行人违反过街规则的影响（例如，参见Ghomi和Hussein，2022年及其综述）。其他研究则考察了驾驶员是否给行人让行的行为，主要考虑了行人的年龄/性别，以及行人是否独自过街或成群过街，还有周围社区的社会经济特征（例如，Coughenour等人，2017年；Schneider等人，2018年）。仍需要大量的研究和理解来探讨种族、收入、行人感知的住房状况（无论是否看似住房安全）以及时间对行人违反过街规则和驾驶员是否让行行为的影响。
上述讨论激发了本文的研究，旨在揭示行人安全中常常被忽视的社会和行为模式，并有助于更全面地理解行人安全风险。具体来说，我们关注两个核心问题：（1）个人行人属性、社会环境和时间/天气条件如何相互作用影响行人的过街行为，特别是不遵守规则的过街行为？（2）哪些因素影响驾驶员的让行行为，以及行人特征、群体动态和时间条件的组合如何影响驾驶员的让行决策？
为了解决这些问题，我们分析了德克萨斯州奥斯汀两个地点的1000多小时交叉口视频录像。经过培训的分析人员对20,995次行人过街事件进行了编码，并记录了3,124次行人-车辆互动。这些数据用于分析两个结果：（a）不遵守规则的行人过街行为（NCPC）和（b）驾驶员不给行人让行的行为（DUY，即驾驶员在法律要求必须给行人让行的情况下未能让行）。通过捕捉不同情境下的真实行为，本研究通过探讨个体和社会因素对行人安全的影响，为交通研究做出了贡献。研究结果对城市规划和政策具有重要意义，强调了需要采取超越基础设施的干预措施，以解决街道安全的更广泛的社会和行为方面问题。
章节片段
相关文献
关于行人安全的文献非常丰富，大多数研究依赖于历史事故数据来考察宏观和微观层面的模式，例如识别高风险群体和地点，或分析个别行人特征如何影响事故的严重程度（Mirhashemi等人，2022年；Shrinivas等人，2023年；Kumar等人，2025年）。这些研究对于识别安全结果的模式和差异很有价值；然而，仍然需要进一步揭示……
研究地点和背景
为了在自然环境中研究行人-驾驶员互动，我们从德克萨斯州奥斯汀的两个有信号灯的交叉口收集了视频录像。图1和图2展示了详细的站点特征，包括标注的交叉口布局，显示了交通流量模式和行人基础设施，以及现场照片，展示了物理设计特点和运营条件。
第一个交叉口（以下简称MB交叉口）位于奥斯汀北部
基于copula的二元逻辑模型
本研究采用二元逻辑离散结果模型来分析两种不同的行为：（1）行人过街行为（合规行人过街（CPC）与不合规行人过街（NCPC）；（2）驾驶员让行行为（驾驶员正确给行人让路（DYP）与驾驶员不给行人让路（DUY）。二元逻辑模型（有时也称为逻辑回归）基于潜在变量框架，其中观察到的二元结果是……
模型估计结果
最终模型规格的估计结果呈现在表4中。前三列“不合规行人过街模型”显示了二元NCPC逻辑模型的结果。最后三列“驾驶员不给行模型”显示了二元DUY逻辑模型的结果。对于每个模型，我们报告了估计系数、相应的t统计量以及外生变量的平均处理效应百分比（%ATE）。
结论和未来方向
本研究通过探讨社会人口统计、活动、环境和时间/天气因素如何影响现实世界中的行人过街合规性和驾驶员让行行为，加深了我们对行人安全差异的理解。通过对17,374次行人过街事件和2,890次行人-车辆互动的系统性分析，我们的发现揭示了超出个体行为选择的复杂风险模式，反映了更广泛的结构和社会因素
CRediT作者贡献声明
安娜·E·贝利沃（Anna E. Beliveau）：撰写——原始草稿，可视化，调查，正式分析，数据管理。安吉拉·J·哈达德（Angela J. Haddad）：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，监督，项目管理，方法论，调查，正式分析，数据管理，概念化。艾米丽·A·波德纳（Emily A. Podnar）：撰写——原始草稿，可视化，调查，数据管理。德维娜·夏尔玛（Devina Sharma）：调查，数据管理。查德拉·R·巴特（Chandra R. Bhat）：撰写——审阅与编辑
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究部分得到了UT Good Systems Grand Challenge的支持，该计划通过Good Systems Core Research Project“Designing AI to for Social Fairness”实施，以及美国交通部（USDOT）在Grant 69A3552348327下的支持，用于自动化车辆研究与多模式辅助导航中心（CARMEN+）大学交通中心。作者感谢Kenneth A. Perrine和Jan C. Rubio在设计和实施视频数据方面的协助
