行人安全已经成为交通安全领域的重要问题之一。每年全球道路交通死亡人数中行人占23％左右，并且这一比例在逐年递增。由于没有任何保护措施，行人是所有道路交通事故中最脆弱的受害者。行人的卷入会使交通事故的死亡率增加若干倍。更令人担忧的是，世界上每年的道路交通事故约70％发生在发展中国家，其中65％的事故包含行人。中国作为最大的发展中国家，近几年的行人事故数量也呈加速上升的态势。考虑到行人安全问题的紧迫性，世界各国政府都在积极开展道路交通安全的项目。历史交通事故数据是分析事故风险致因、优化道路安全属性的第一手资料。在大数据的背景下，越来越多用于事故分析的工具、方法得以实现，为行人交通安全研究奠定基础。本文利用北京市道路交通事故数据，分析行人事故的时空分布规律，以及事故中的各类风险致因，并在此基础上，提出行人安全改善的建议和措施。
　　首先，提取行人事故数据，描述数据的总体情况。根据行人的伤害严重程度，划分事故类型，发现75％是轻微事故，25％是严重事故。基于划分结果，对事故中的12个风险变量进行统计分析，其中10个分类变量，2个连续变量。描述不同尺度下行人事故的地理位置分布，发现北京市东南片区的行人事故较多，事故数量最多的交通小区一年有65起。探究不同时间单元下行人事故数量的变化规律，发现行人事故在春夏季、工作日都有明显的高峰现象。
　　其次，融合多源数据，研究行人事故的空间效应。根据全局莫兰指数检验结果，发现北京市内的行人事故在空间上呈聚类分布。采用共点共边邻接矩阵作为空间权重矩阵，分别构建空间滞后模型和空间误差模型，分析行人事故的空间自相关性，发现空间误差模型表现较好，并且公交站密度、药店密度、餐饮密度、大厦密度、道路密度和居住人口密度对行人事故数有显著的正向影响。采用高斯函数作为空间权重函数，构建地理加权回归模型，分析行人事故的空间异质性，发现单一变量对于不同交通小区的行人事故影响程度不同，不同变量对于整个研究区域的空间影响分布不同。
　　最后，运用逻辑回归，分析行人事故的风险致因。基于12个风险变量，构建二项逻辑回归基本模型，发现导致严重行人事故概率增加的影响因素包括非建成区、双向分离道路、路段、机动车道、夜间无路灯、夜间有路灯、重型车、男性、道路限速和行人年龄。计算显著风险因素的比值比，讨论并提出行人交通安全的改善建议。拓展基本模型，构建考虑变量之间交互作用的逻辑回归模型，发现显著的交互作用项是行人性别和行人年龄，以及道路类型和路口路段类型。