中低收入国家混合交通环境下运行车速预测模型研究：基于多国数据的多层线性回归与多水平建模分析

《Results in Engineering》：Developing Operating Speed Prediction Models in Mixed Traffic Environments Using Multiple Linear Regression and Multilevel Modeling Approaches: Evidence from Five Low- and Middle-Income Countries

　　为解决中低收入国家（LMICs）因交通组成复杂、驾驶行为差异大导致传统高收入国家车速预测模型不适用的问题，研究人员开展了针对五国混合交通环境的运行车速预测模型研究。通过多元线性回归（MLR）和多水平建模技术，分析了64个地点39,413辆车的点速度数据，发现农村和城市区域存在显著速度差异，农村模型R2达0.78，验证误差RMSE为4.96 km/h。研究构建了可转移的通用模型，强调了考虑国家层级效应的重要性，为LMICs的道路安全管理和车速限制制定提供了可靠工具。

　　

在道路安全管理中，准确预测车辆运行速度至关重要，尤其是在低中收入国家（LMICs）。这些国家交通环境复杂，车辆类型多样，驾驶行为差异大，传统基于高收入国家数据开发的模型往往难以适用。据统计，超速在LMICs导致的交通事故死亡占比高达57%，远高于高收入国家的28%。因此，开发适用于LMICs的、可转移的车速预测模型成为迫切需求。然而，现有研究多局限于特定国家或地区，模型变量和形式各异，缺乏普遍适用性，且未能充分考虑数据的分层结构（如国家、地点、驾驶员层级）。为此，研究人员在《Results in Engineering》上发表论文，利用来自阿根廷、哥伦比亚、厄瓜多尔、肯尼亚和乌干达五个LMICs的64个地点数据，开展了针对混合交通环境的运行车速预测模型研究。

研究团队收集了39,413辆车的点速度数据和道路属性数据，采用多元线性回归（MLR）和多水平建模（Multilevel Modeling）技术，分别构建了农村、城市以及农村城市组合模型。关键技术方法包括：使用Bushnell速度枪采集现场速度数据；通过ANOVA（方差分析）和Tukey HSD（诚实显著差异）检验分析车辆类型间速度差异；采用前向、后向和逐步回归进行变量筛选；利用限制性最大似然估计（REML）拟合多水平模型；并通过R2、RMSE（均方根误差）、MAE（平均绝对误差）等指标进行模型验证。

研究结果首先揭示了速度分布的显著特征。农村地区车辆平均速度较高，汽车均值达80.4 km/h，且速度变异性大（标准差17.9 km/h），而城市地区汽车均值仅为51.6 km/h，但公交车速度最低（41.4 km/h）。通过ANOVA和Tukey检验，车辆类型被划分为不同同质子集，农村地区卡车和汽车速度差异显著，而摩托车和公交车速度相近；城市地区则呈现不同分类，凸显了交通混合性对速度的影响。

多元线性回归模型显示，农村模型具有高解释力（R2=0.913），显著预测变量包括限速标志速度（PSL）、总接入点密度（Total APD）、车道宽度（CLW-LW）及土地利用类型。PSL和居住用地、教育用地等与速度正相关，而CLW-LW（临界车道宽度与实际宽度差）与速度负相关，即车道越窄，速度越低。城市模型仅PSL和CLW-LW两个变量显著，R2为0.729，表明城市环境下车速受更多复杂因素影响。验证结果表明，农村模型误差更低（RMSE=4.96 km/h），预测精度优于城市模型（RMSE=7.47 km/h）。

多水平模型分析揭示了数据分层结构的重要性。三水平模型（驾驶员-地点-国家）表明，地点差异解释了60.1%的速度变异，国家层级虽仅占0.4%，但在引入固定效应后，国家随机效应方差增至16.166，似然比检验（LRT）证实国家效应显著（p=0.002）。这表明国家特有的因素（如执法文化、驾驶员风险感知）显著影响个体驾驶员速度，而使用聚合数据（如V85）的二水平模型则未能检测到国家效应，体现了生态学谬误（Ecological Fallacy）问题。多水平模型验证性能优于单水平MLR模型（RMSE=11.344 vs. 12.11），强调了考虑层级结构的必要性。

组合农村城市模型虽呈现高R2（0.878–0.889），但验证误差较大（RMSE=9.84–10.59），表明为追求精度应优先使用单独模型。所有车辆模型均优于仅含汽车的模型，凸显了LMICs混合交通建模中全车型包容的重要性。

研究结论强调，LMICs中运行速度受道路几何、交通条件和国家层级因素共同影响。开发的可转移模型为道路安全审计、设计一致性检查及限速设置提供了实用工具。多水平建模有效解决了数据分层问题，避免了单一水平模型的偏差。未来研究需扩展至曲线段速度预测、单车道道路及更多区域验证，以进一步增强模型普适性。此研究为LMICs定制化交通安全解决方案奠定了方法论基础，对降低交通事故伤亡具有重要实践意义。