國內(nèi)外對于危險地點及易事故地點相關(guān)研究很多，其目的大都致力于降低其潛在危險性及事故嚴重程度。本文主要介紹國外以及港臺學者對于平面交叉路口的一些看法和研究，節(jié)選自劉正揚的碩士畢業(yè)論文，修改了部分術(shù)語和內(nèi)容以方便閱讀。

　　1.平面交叉路口交通事故特性分析
　　有關(guān)平面交叉路口交通事故特性分析的研究文獻，其目的主要在于了解發(fā)生事故時，事故地點交通環(huán)境與事故型態(tài)的間的關(guān)系，以期能了解在幾何及交通環(huán)境上較危險的因子，并挑選危險因子作為變量，應用數(shù)學模式以分析各因子的影響程度。
　　Gupta與Mann指出交通事故的發(fā)生雖是由人、車、路及環(huán)境四大因素共同作用所影響，且道路因素與交通事故之間有統(tǒng)計關(guān)系的存在。采用多元回歸分析方法構(gòu)建事故模型，據(jù)以探討道路幾何設(shè)計因素與事故率間的關(guān)系。結(jié)果發(fā)現(xiàn)，車道數(shù)、路肩寬及交通量的增加均使事故率明顯增加。
　　Zegeer構(gòu)建回歸模式分析二車道公路事故與交通特性及公路幾何間的關(guān)系，且依不同交通量水平構(gòu)建子模式。研究結(jié)果發(fā)現(xiàn)影響事故的重要變量有平均每日交通量、彎曲路段百分比、道路寬度、平面交叉路口數(shù)、溝渠數(shù)及地形為丘陵或平地。
　　KingandGoldblatt為了解平面交叉路口的變化以及事故型態(tài)的間的關(guān)系，經(jīng)由變異數(shù)及回歸分析對改變前后的資料加以分析計算。作者指出，事故平面交叉路口與平面交叉路口控制方式之間存在一復雜的模式，但卻無明顯的證據(jù)能指出交通標志標線能將與車禍相關(guān)的因素降低。最后作者提出結(jié)論：（1）增設(shè)反光標記對降低事故是有效的；（2）交通標志標線化的平面交叉路口將減低側(cè)撞但卻會增加追撞的事故次數(shù)；（3）交通標志標線平面交叉路口將會有較高的事故率，但整體的損害并未有顯著的增加。
　　為能了解各因子對于事故的影響程度，相關(guān)研究引用了不同的數(shù)學模式，以分析可能的事故因子對于事故的影響。然由于事故資料有著偶發(fā)性的性質(zhì)，若沒有良好的實驗設(shè)計來搜集數(shù)據(jù)，恐無法得到接近常態(tài)的事故數(shù)據(jù)。因此，學者采用三種模式進行相關(guān)研究：(1)傳統(tǒng)回歸模式(2)泊松分布回歸模式(3)負二項式回歸模式。
　　NicholsonandWong采用兩種常見的統(tǒng)計方法，對于“事故次數(shù)視為Poisson分布”假設(shè)做評估，加以敘述與比較并指出，當事故次數(shù)不大時，采用組合分析(CombinatorialAnalysis)是較x檢驗法(AlternativeChi-squareTest)為佳。根據(jù)實際事故資料的驗證，正確的統(tǒng)計分析可用來重新解釋事故資料的變異性。最后，結(jié)果指向泊松分布（PoissonDistribution）是較適合作為單一地點的事故分析。換言的，事故件數(shù)為泊松分布的假設(shè)要較常態(tài)分布的假設(shè)為佳。
　　Hamerslag,Roos,andKwakernaak視交通事故的發(fā)生為泊松分布，基于事故的偶發(fā)性，采用概似法理論以替代對數(shù)轉(zhuǎn)換之后的線性模式無法描述事故件數(shù)為零的缺陷。經(jīng)由實證知道影響因素如下：（a）汽車、自行車的車流（b）車道以及分隔島的寬度（c）連接路旁房屋的道路（d）道路鋪面及車道的形式（e）停車帶及巴士站牌。在不同的平面交叉路口、交叉、穿越型態(tài)的下，日常交通車流為最重要的因素
　　Ali基于事故的發(fā)生屬于泊松分布的假設(shè)的下，發(fā)展出一種比較不同類交通設(shè)施（如平面交叉路口、交流道等）間的事故率的統(tǒng)計方法；使用概似率統(tǒng)計技術(shù)（LikelihoodRatioStatisticalTechnique），可在極少資料的情形下，仍能檢定一個交通系統(tǒng)中不同地點的事故率是否有顯著不同。作者并以O(shè)hio事故資料實證結(jié)果發(fā)現(xiàn)該統(tǒng)計方法確可應用。
　　Maher與Summersgill指出普通線性模式（GLM）雖以普遍用于事故分析及預測，然仍存在幾個問題必須利用一些技術(shù)予以克服；故以基礎(chǔ)模式作不同的修改及擴充，以個別解決下列六項問題：（1）平均值過低；（2）資料過度離散；（3）不同時間的事故資料具有其個體化特性；（4）車流量估計時所存在的隨機誤差；（5）不同型態(tài)事故預測的加總；（6）模式預測值與實際觀察值的結(jié)合。