《Accident Analysis & Prevention》：Joint analysis of two nationwide crash databases to model transit bus stop-related pedestrian crash severity in the United States
编辑推荐：
本研究整合FARS和CRSS数据（2016-2023），分析巴士站相关行人事故的严重程度及风险因素。采用SMOTE-NC过采样解决类别不平衡，运用弹性网络逻辑回归模型，发现照明不足（OR=3.18）、中段位置及高速/宽道路面是主要风险，建议优化照明及交通设计。
作者：Allison Rewalt、Candace Brakewood、Asad J. Khattak
美国田纳西大学诺克斯维尔分校土木与环境工程系，田纳西州诺克斯维尔，邮编37916
摘要
死亡分析报告系统（FARS）和事故报告抽样系统（CRSS）记录了一种独特的“与公交车站相关的”行人交通事故类型。本研究合并了2016年至2023年间FARS和CRSS中所有与公交车站相关的致命和非致命行人交通事故数据，以分析行人的受伤严重程度并识别车站处的风险因素。为了解决数据严重不平衡问题（致命事故占比183%，非致命事故占比86%），对名义特征和连续特征应用了合成少数样本过采样技术（SMOTE-NC）。随后，使用弹性网络惩罚逻辑回归对原始样本和SMOTE-NC处理后的样本进行了分析，该模型比传统参数方法更能有效处理高维数据和多重共线性问题。分析结果显示，严重的与公交车站相关的行人事故与不良的照明条件、位于街道中段的公交车站以及速度更快、车道更宽的道路有关。SMOTE-NC模型中的某些预测因子在原始模型中未被选中，但在过采样后变得显著，这表明过采样可能有助于减轻因类别不平衡造成的偏差。这些研究结果为解决危险公交车站问题提供了实际可行的方案。改善街道照明或安装公交车站照明设施可能具有积极作用，因为与明亮条件下相比，黑暗无照明的环境导致行人受伤的风险更高（比值比OR = 3.18 vs OR = 1.69）。评估位于街道中段的公交车站附近的行人行为（如无标志的交叉口）可以进一步降低黑暗和多车道高速道路带来的风险。这些发现为交通机构和规划者基于数据制定政策及设计措施提供了依据。
引言
许多公共交通出行以步行开始或结束，与普通行人相比，公共交通使用者具有不同的暴露模式和风险因素（Rewalt等人，2025年）。行人通常需要步行四分之一英里才能到达公交车站（Goughnour等人，2022年），而这些车站可能位于对行人不安全的干道上（Hess等人，2004年；Pulugurtha和Vanapalli，2008年；Voorhes Transportation Center，2012年；Yu，2024年）。在典型的往返行程中，乘客至少需要一次过马路。在公交车站，行人可能需要等待较长时间，这增加了他们相对于其他行人的风险（Rewalt等人，2025年）。当行人进出公交车站时，他们与公共交通工具的互动频率可能更高。
在美国的本地、州级和国家级数据库中，关于这些风险因素（特别是乘客处于公交车辆外部时的阶段）的数据较为有限（Rewalt等人，2025年）。许多先前的研究使用行人事故与公交车站的接近程度作为替代指标，但如果公交车站与事故无直接关联，这种方法可能会导致结果偏差。或许最相关的先前研究是针对美国死亡分析报告系统（FARS）中记录的致命与公交车站相关的行人事故进行的。然而，仅限于致命事故的分析只能描述这些事故发生的情境，无法区分严重伤害和轻微伤害，因为缺乏对照组。基于这些研究，本研究的目的是通过整合FARS和事故报告抽样系统（CRSS）来分析美国所有与公交车站相关的致命和非致命行人事故。利用全国范围的事故数据库，本研究旨在为美国工程师、规划者和交通机构提供实证依据，以解决公交车站的行人安全问题。
这些风险在美国尤为突出，因为以汽车为主的开发模式导致了郊区化。与其他许多铁路交通占主导地位的国家不同，美国的公共交通出行主要以公交车为主（美国公共交通协会，2025年），尤其是在郊区地区。郊区的公交服务通常沿速度更快的干道运行，车站之间的间距也更大（Goughnour等人，2022年；Nuworsoo，2011年）。最近的研究表明，行人死亡事件从市中心地区转移到了郊区地区（Sanchez Rodriguez和Ferenchak，2024a）。因此，美国是研究与公交车站相关的行人事故的理想对象。
本研究的结构如下：首先，文献综述总结了关于公交车站行人安全的现有研究结果，并介绍了整合FARS和CRSS的方法。接着介绍了数据来源（FARS和CRSS）及数据处理方法，包括数据合并过程。在建模之前，对FARS-CRSS样本应用了过采样技术以解决伤害严重程度类别不平衡的问题。然后通过描述性分析和交叉制表来探讨与公交车站相关行人事故严重程度相关的因素。最后，使用弹性网络惩罚逻辑回归模型来估计严重伤害的可能性。研究以主要发现和未来研究方向作为结论。
文献综述
本文献综述分为两部分。第2.1节总结了以往关于公交车站行人安全影响因素的研究结果。第2.2节重点介绍了以往用于整合FARS和CRSS的方法（NHTSA，死亡分析报告系统（FARS），2023年；NHTSA，事故报告抽样系统（CRSS），2023年）。综述最后讨论了本研究旨在解决的研究空白。
FARS和CRSS中的与公交车站相关的行人事故
分析使用了FARS和CRSS的数据，这两个系统都记录了一种独特的与公交车站相关的行人事故类型（NHTSA，死亡分析报告系统（FARS），2023年；NHTSA，事故报告抽样系统（CRSS），2023年）。文档中对这种事故类型的定义如下：
“与公交车站相关”是指在事故发生时，该公交车站有公交车（城市公交车）停靠。这一属性适用于与公交车相关的行人交互情况。
统计分析
分析框架采用了描述性统计、伤害严重程度交叉制表和弹性网络惩罚逻辑回归模型来评估与公交车站相关的行人事故的严重程度。描述性和交叉制表结果提供了与公交车站相关行人事故的整体概况，而惩罚回归模型量化了各种事故特征与行人安全之间的关联（见图1）。
描述性统计和伤害严重程度交叉制表
本节提供了2016年至2023年间FARS和CRSS中与公交车站相关的行人事故的描述性统计和伤害严重程度交叉制表结果（见表4）。统计结果涵盖了原始样本和SMOTE-NC处理后的样本。描述性统计对应于表4中的“总计”列，而伤害严重程度交叉制表显示在“致命事故”（KA）和“非致命事故”（BCO）列中。讨论主要基于原始数据集，同时提供了SMOTE-NC处理后的结果以供对比。
研究贡献
通过整合两个全国性的行人事故数据库（FARS和CRSS），本研究创建了一个独特的全国性数据库，用于分析与公交车站相关的行人事故。这种事故类型此前仅在一项研究中被研究过，且仅限于致命事故（Rewalt等人，2025b）。这种方法克服了单独分析FARS和CRSS时出现的样本量小的问题，从而提高了统计功效。
在手册编写过程中使用生成式AI的声明
在撰写过程中，作者使用了ChatGPt工具来编辑和校对手册内容。此外，ChatGPT还协助开发了用于分析和制作图表的RStudio脚本。使用该工具后，作者对内容进行了审查和编辑，并对最终发表的文章内容负全责。
CRediT作者贡献声明
Allison Rewalt：撰写 – 审稿与编辑、初稿撰写、可视化、软件开发、项目管理、方法论设计、数据整理、概念构建。
Candace Brakewood：撰写 – 审稿与编辑、监督工作、方法论设计、资金筹集、概念构建。
Asad J. Khattak：撰写 – 审稿与编辑、监督工作、方法论设计。
资助
本研究得到了行人及自行车骑行者安全中心（资助编号24UTK01）和Dwight D. Eisenhower交通奖学金计划（资助编号693JJ32545013）的支持。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
