賈雄文，章國鵬，夏亮

（1. 蘇交科集團股份有限公司 南京210000；2. 西南交通大學(xué)，交通運輸與物流學(xué)院，成都610031）

0 引 言

雙責(zé)事故是指雙方駕駛員均有過失，均對事故有責(zé)任這種特定狀態(tài)下的雙車事故。與單責(zé)事故或其他類型的雙車事故相比，雙責(zé)事故雖然占雙車事故總樣本的比例較低，卻往往會造成更嚴(yán)重的事故后果。2009年密歇根州的事故數(shù)據(jù)庫中，雙責(zé)事故是單責(zé)事故的二十分之一，但事故最大受傷嚴(yán)重程度中死亡所占比例是單責(zé)事故的9倍。因此，國內(nèi)外專家學(xué)者對于雙車事故進行了廣泛研究，如趙晨鷹[1]研究了雙車事故中青年駕駛員攻擊性駕駛行為的成因與該年齡段的心理、行為特征的聯(lián)系；唐友名[2]研究了汽車側(cè)面碰撞安全性、兼容性，降低側(cè)面碰撞事故車輛中所有乘員的損傷風(fēng)險；Paul Wasielewski，Leonard Evans[3]通過建立一個統(tǒng)計學(xué)模型來研究單車事故和雙車事故中駕駛員年齡分布對事故的影響以及雙車事故中的駕駛員與單車事故的駕駛員具有類似責(zé)任的概率；Xinguo Jiang[4]研究了兩車事故中除了風(fēng)險駕駛行為之外，對駕駛員定責(zé)起貢獻作用的因子，并應(yīng)用多元邏輯回歸模型來探索事故現(xiàn)場警方調(diào)查人員開罰單的行為；Yu-Chiun Chiou[5]利用Bivariate ordered probit（簡稱BOP）模型的衍生模型（Bivariate generalized ordered probit）對兩車事故中的雙方駕駛員同時建立受傷嚴(yán)重程度模型；Chris Lee[6]通過建立單車事故和不同類別雙車事故的異方差有序邏輯回歸模型（Heteroscedasiticity ordered logit），分析事故不同等級受傷嚴(yán)重程度的顯著影響因素及其影響規(guī)律。

綜上所述可知，目前缺乏對道路環(huán)境因素對雙責(zé)事故受傷嚴(yán)重程度影響作用的研究。我國道路事故分析表明，駕駛員分心是引發(fā)交通事故的常見且重要原因[7]，盡管道路環(huán)境是事故的外在因素，但不同的道路環(huán)境會給駕駛員帶來不同的直觀感受和心理影響，從而對交通事故的發(fā)生和受傷嚴(yán)重程度產(chǎn)生重要的影響[8]。鑒于此，本文對道路環(huán)境因素對雙責(zé)事故受傷嚴(yán)重程度的影響規(guī)律進行研究，以探尋道路環(huán)境因素對雙方駕駛員受傷嚴(yán)重程度的顯著影響因素，并根據(jù)此結(jié)果有針對性的提出建議或措施來減少事故中的人員傷亡及財產(chǎn)損失，為改善交通安全狀況提供一定參考。

1 數(shù)據(jù)及標(biāo)準(zhǔn)

本文基于美國密歇根州交通部（Michigan Department of Transportation）記錄的事故數(shù)據(jù)庫進行道路環(huán)境對雙責(zé)事故的影響分析，但事故數(shù)據(jù)庫中并未直接給出雙責(zé)事故的數(shù)據(jù)。傳統(tǒng)的事故定責(zé)方法通常是由交警到事故現(xiàn)場，通過了解現(xiàn)場環(huán)境、人員傷亡狀況、查看車輛軌跡線或采用其他技術(shù)方法來判定駕駛員是否有違規(guī)駕駛行為并為其開具罰單來判定事故責(zé)任的歸屬。然而，通過查閱文獻資料，整理國內(nèi)外相關(guān)研究成果表明，這種傳統(tǒng)的事故定責(zé)的方法存在主觀判斷、定責(zé)不準(zhǔn)確的問題[9-11]，而采用駕駛員事故貢獻行為來代替交通違規(guī)行為為事故判定責(zé)任歸屬的定責(zé)方式更加合理[12]。因此，本文采用駕駛員事故貢獻行為的定責(zé)原則。

根據(jù)雙責(zé)事故的定責(zé)原則并結(jié)合既有事故數(shù)據(jù)庫條件，剔除事故數(shù)據(jù)中記錄不全、逃逸等事故數(shù)據(jù)，共得到5 197起兩車雙責(zé)事故數(shù)據(jù)。通過對既有數(shù)據(jù)庫數(shù)據(jù)變量進行歸納總結(jié)，道路環(huán)境因素自變量的選取主要包含道路區(qū)域類型、道路路面狀況、光線狀況、交通控制方式、道路功能等級以及小時分布等因素，并將小時分布歸成高峰小時時段（上午7點～9點，下午4點～6點）和非高峰小時時段兩類。同時，將駕駛員的受傷嚴(yán)重程度分為三個等級，即僅財產(chǎn)損失、輕傷或中傷、死亡或重傷。

2 模 型

2.1 Bivariate ordered probit回歸模型

常用的分析事故受傷嚴(yán)重程度的統(tǒng)計模型為Ordered probit模型，該模型已經(jīng)在交通安全領(lǐng)域廣泛應(yīng)用，但該模型的響應(yīng)變量是單項的，即只能是單個駕駛員或行人的受傷嚴(yán)重程度。而本文所研究的響應(yīng)變量的個數(shù)為2個，即雙方駕駛員的受傷嚴(yán)重程度，所以應(yīng)選擇Ordered probit模型的延伸模型——二項有序probit（BOP）模型。該模型中，響應(yīng)變量為兩個（二項），且可為非連續(xù)變量或有序分類變量。該性質(zhì)與本文所研究的兩名駕駛員受傷嚴(yán)重程度（兩個有序分類響應(yīng)變量）的數(shù)據(jù)結(jié)構(gòu)相契合，表達式如下[5]：

式中，y*為潛在變量；qn（n=1，2）分別代表在同一事故q中的駕駛員1和駕駛員2；Xqn為自變量組成的向量；βn為Xqn的參數(shù)向量；εqn為隨機擾動項，表示被模型忽略且對因變量產(chǎn)生影響的其他因素的總和，εqn對Xqn的條件分布假設(shè)為標(biāo)準(zhǔn)正態(tài)分布。

密歇根州的事故數(shù)據(jù)庫中實際觀測到的駕駛受傷嚴(yán)重程度是離散的有序分類變量，而潛在變量yq*n是連續(xù)的有序分類變量，故應(yīng)將連續(xù)有序分類變量yq*n與數(shù)據(jù)庫中的離散變量yqn進行轉(zhuǎn)換結(jié)合。設(shè)k（k=1，2，…，K）、l（l=1，2，…，L）分別是yq1、yq2的順序分類，則潛在變量y*qn與數(shù)據(jù)庫中雙方駕駛員受傷嚴(yán)重程度變量yqn間的關(guān)系式如下[5]：

式中，μn,k、μn,l為待估計的臨界值（閾值），分別有K-1個和L-1個，用于駕駛員1和駕駛員2受傷嚴(yán)重等級的劃分。

對于任何事故，雙方駕駛員分別處于某個受傷嚴(yán)重等級的概率就由潛變量y*和y*決定，如q1q2此，可得到雙方駕駛員分別處于受傷嚴(yán)重程度k和l時發(fā)生概率的計算方程組[5]：

式中，Φ2(.)是標(biāo)準(zhǔn)的二元正態(tài)累積分布函數(shù)，ρ是εq1和εq2間相互關(guān)系的估計參數(shù)。

2.2 邊際效應(yīng)計算

在BOP模型中，自變量系數(shù)βn的符號并不是都與受傷嚴(yán)重程度等級概率變化的方向相一致。某系數(shù)的正負值也只能反映該變量對某名駕駛員最高受傷程度等級（yq1=K或yq2=L）和最低受傷程度等級（yq1=1或yq2=1）的影響方向，而不能說明對中間其他受傷嚴(yán)重程度等級的影響方向。因此，變量的系數(shù)βn并不能直接解釋變量對結(jié)果選擇的影響。為進一步解釋說明影響因素對雙方駕駛員各受傷嚴(yán)重程度等級的影響大小和方向，還要計算自變量的邊際效應(yīng)[13]。在本文中，所研究的影響因素（自變量）多為離散分類變量，則其邊際效應(yīng)的計算原理為[13]：

該公式表示在所有其他變量都取定值時，當(dāng)變量xn的取值狀態(tài)從b變化到a時，對受傷等級i的影響。

3 分析與討論

將道路、環(huán)境自變量帶入BOP模型和邊際效應(yīng)的公式中，再采用最大似然估計的方法求解模型βn和μn,k、μn,l等參數(shù)[14]，分別計算出道路、環(huán)境影響因素模型的參數(shù)估計表和邊際效應(yīng)表，得到表1和表2所示結(jié)果。由于最大似然估計的計算量巨大，本文利用Stata 12.0和SPSS 19.0軟件結(jié)合的方式來進行模型的參數(shù)估計。

表1 道路環(huán)境影響因素模型參數(shù)估計Tab.1 Parameter estimation of road environment related factors

表2 道路環(huán)境影響因素模型邊際效應(yīng)計算Tab.2 Marginal effect of the road environment related factors

續(xù)表2

根據(jù)以上BOP模型的回歸結(jié)果和邊際效應(yīng)的計算結(jié)果，我們可以得到：

（1）道路功能等級

當(dāng)?shù)缆饭δ艿燃墢霓r(nóng)村道路或無等級道路變?yōu)槌鞘兄?、次干道或城市其他道路（集散道路、洲際道路或支路）時，雙方駕駛員發(fā)生死亡或重傷的概率將有所下降。

（2）道路區(qū)域類型

當(dāng)?shù)缆穮^(qū)域類型為“直線段區(qū)域”時，駕駛員1和駕駛員2發(fā)生死亡或重傷的概率分別提高了3.8%和3.5%。當(dāng)?shù)缆穮^(qū)域類型是“交匯處相關(guān)（交匯處區(qū)域內(nèi)、近交匯處附近）”時，駕駛員1和駕駛員2發(fā)生死亡或重傷的概率均提升了近5%。

（3）道路路面狀況

相比于道路干燥的路面狀況，當(dāng)“道路濕滑（路面潮濕、結(jié)冰、或泥濘積雪）”時，兩名駕駛員發(fā)生死亡或重傷的概率均略有降低，即濕滑的路面狀況會降低雙責(zé)事故中雙方駕駛員的受傷嚴(yán)重性。此結(jié)論與以往單責(zé)事故中濕滑的路面狀況會加重駕駛員受傷嚴(yán)重程度的結(jié)論截然不同。

（4）交通控制方式

相比于“無交通控制方式”，當(dāng)交通控制方式為“信號控制”或“停車、讓行警示控制”時，雙方駕駛員發(fā)生中等程度傷害或死亡重傷的概率均有所提高。

（5）光線狀況

相比于“白天、黎明以及黃昏”的狀況，當(dāng)光線狀況變?yōu)椤耙雇碛姓彰鳌睍r，雙方駕駛員受中等程度傷害的概率分別增加了3%和3.8%，受死亡或重傷的概率分別增加了2.2%和2.5%。而當(dāng)光線狀況變?yōu)椤耙雇頍o照明”時，雙方駕駛員受中等程度傷害的概率分別增加了4.5%和3.8%，受死亡重傷的概率則均增加了3.3%。這說明夜晚有照明和夜晚無照明比白天更易對駕駛員造成嚴(yán)重的傷害。

4 結(jié) 論

本文利用BOP回歸模型，結(jié)合邊際效應(yīng)，分析了道路環(huán)境因素對雙責(zé)事故受傷嚴(yán)重程度的影響作用，得到以下結(jié)論，并提出相應(yīng)建議及措施：

（1）道路等級的提高將降低雙方駕駛員的受傷嚴(yán)重性。因此，道路因素改善的重點應(yīng)放在農(nóng)村道路以及無等級道路上。

（2）當(dāng)車輛行駛在直線段區(qū)域和交匯處相關(guān)區(qū)域時，會加重了雙方駕駛員的受傷嚴(yán)重程度。因此，應(yīng)該在道路線型設(shè)計的時候應(yīng)避免過長距離的直線段出現(xiàn)，同時在道路交匯處相關(guān)區(qū)域設(shè)置提醒標(biāo)志，對于視距三角形內(nèi)有障礙物的要及時進行清理以改善駕駛員視距。

（3）濕滑的道路雖然能減輕雙方駕駛員的受傷嚴(yán)重程度，但卻增加了財產(chǎn)損失，同樣需要引起重視。

（4）發(fā)生在信號控制以及停車、讓行警示控制條件下的雙責(zé)事故均加重了駕駛員的受傷嚴(yán)重程度。對于此，可采取蔣賢才[15]等人的研究結(jié)論進行改善，即在交通控制條件下的交叉口，當(dāng)有電子執(zhí)法系統(tǒng)并配合齊全的交叉口標(biāo)線或?qū)Я骶€時，能最大程度地減少交叉口的交通違法行為，降低發(fā)生嚴(yán)重事故的概率。

（5）較差的光線狀況，如夜晚有照明和夜晚無照明對雙方駕駛員的受傷嚴(yán)重程度造成了較大的影響，對于此，應(yīng)改善夜間照明條件以擴大駕駛員的視距范圍，縮短其躲避事故的反應(yīng)時間，降低其碰撞速度，避免駕駛員受重傷。

[1] 趙晨鷹. 青年攻擊性駕駛行為的成因研究[J]. 青年研究，2003（12）：27-31.

[2] 唐友名. 乘用車兩車側(cè)面碰撞的兼容性研究[D]. 長沙：湖南大學(xué)，2010.

[3] WASIELEWSKI P，EVANS L. A statistical approach to estimating driver responsibility in two-car crashes[J].Journal of Safety Research，1985，16（1）：37-48.

[4] JIANG X，QIU Y，LYLES R W，et al. Issues with using police citations to assign responsibility in quasi-induced exposure[J]. Safety Science，2012，50（4）：1133-1140.

[5] CHIOU Y C，HWANG C C，CHANG C C，et al. Modeling two-vehicle crash severity by a bivariate generalized ordered probit approach[J]. Accident Analysis &Prevention，2013，51：175-184.

[6] LEE C，LI X. Analysis of injury severity of drivers involved in single-and two-vehicle crashes on highways in Ontario[J]. Accident Analysis & Prevention，2014，71：286-295.

[7] 唐智慧，黨珊，鄭偉皓. 打車軟件的使用對駕駛安全的影響[J]. 交通運輸工程與信息學(xué)報，2017，15（1）：22-27.

[8] 劉昕宇. 基于數(shù)據(jù)挖掘的道路交通事故序列模式與嚴(yán)重程度預(yù)測研究[D]. 北京：北京交通大學(xué)，2016.

[9] KEALL M，NEWSTEAD S. Selection of comparison crash types for quasi-induced exposure risk estimation[J].Traffic Injury Prevention，2009，10（1）：23-29.

[10] KEALL M，NEWSTEAD S. Induced exposure estimates of rollover risk for different types of passenger vehicles[J]. Traffic Injury Prevention，2009，10（1）：30-36.

[11] YAN X，RADWAN E，ABDEL-ATY M. Characteristics of rear-end accidents at signalized intersections using multiple logistic regression model[J]. Accident Analysis& Prevention，2005，37（6）：983-995.

[12] ALDRIDGE B，HIMMLER M，AULTMAN-HALL L，et al. Impact of passengers on young driver safety[J].Transportation Research Record：Journal of the Transportation Research Board，1999（1693）：25-30.

[13] 章國鵬. 信號交叉口左彎待轉(zhuǎn)區(qū)的安全研究[D]. 成都：西南交通大學(xué)，2015.

[14] GREENE W H. Econometric analysis[J]. Contributions to Management Science，2000，89（89）：182-197.

[15] 蔣賢才，黃科，汪貝，等. 電子執(zhí)法環(huán)境下交通違法行為影響因素分析[J]. 哈爾濱工業(yè)大學(xué)學(xué)報，2013，45（8）：84-89.