戢曉峰，吳亞欣，郝京京，房 銳，胡澄宇

(1.昆明理工大學(xué)交通工程學(xué)院，昆明650504；2.西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，成都610031；3.云南省交通規(guī)劃設(shè)計(jì)研究院陸地交通氣象災(zāi)害防治技術(shù)國(guó)家工程實(shí)驗(yàn)室，昆明650200)

0 引 言

平縱組合路段(Combined Horizontal and Vertical Alignments，CHVA)具有平曲線與縱坡組合的特點(diǎn)，是公路運(yùn)輸安全的瓶頸路段[1].尤其是山區(qū)公路，由于地形陡峭常出現(xiàn)彎道與長(zhǎng)大下坡或曲線組合的情況[2]，因線形參數(shù)對(duì)行車安全有顯著影響，其安全形勢(shì)更為嚴(yán)峻.相關(guān)統(tǒng)計(jì)表明，約15%的交通事故發(fā)生在CHVA.因此，對(duì)平縱組合路段事故嚴(yán)重程度(Severity of Traffic Accident on Combined Horizontal and Vertical Alignments，STACHVA)致因進(jìn)行辨識(shí)，可有效保障公路行車安全.

近年來，國(guó)內(nèi)外學(xué)者深入探索道路事故嚴(yán)重程度與人、車、路及環(huán)境之間的關(guān)系，但主要集中于高速公路，鮮有對(duì)STACHVA 的影響研究.Benlagha等[4]研究車輛、駕駛員等因素對(duì)事故嚴(yán)重性的差異性影響機(jī)制，馮忠祥等[5]發(fā)現(xiàn)時(shí)間和天氣是影響繞城高速事故嚴(yán)重程度的關(guān)鍵致因.上述研究均可為CHVA 的事故致因分析提供理論依據(jù)，但對(duì)于CHVA來說，數(shù)據(jù)獲取難度及其致因與高速公路存在顯著差異，故影響高速公路事故嚴(yán)重程度的關(guān)鍵因素并不能直接應(yīng)用于CHVA.此外，關(guān)于事故嚴(yán)重程度的致因研究多基于有序概率模型，該類模型的自變量選擇具有局限性，往往忽略了不滿足某些假設(shè)但對(duì)因變量有顯著效應(yīng)的自變量.Kalyani等[6]通過構(gòu)建有序Probit模型表明受害人性別、車輛類型等因素對(duì)3種嚴(yán)重程度等級(jí)事故的不同影響，王鵬等[7]應(yīng)用有序Probit 模型識(shí)別出道路線形、交通量等5個(gè)因素可顯著影響追尾事故嚴(yán)重程度.上述有序模型均進(jìn)行了比例優(yōu)勢(shì)假設(shè)(Proportional Odds Hypothesis，POH)，即相同自變量對(duì)因變量的影響不會(huì)隨著等級(jí)的不同而變化，但從交通事故的隨機(jī)性來看，部分自變量因違反該假設(shè)而被忽略，進(jìn)而影響模型整體擬合度和科學(xué)性.

綜上，針對(duì)傳統(tǒng)模型無法精準(zhǔn)識(shí)別及量化STACHVA 致因的不足，本文建立有序Logit 模型(OLM)選取影響事故嚴(yán)重程度的顯著自變量，通過構(gòu)建偏比例優(yōu)勢(shì)模型(PPOM)進(jìn)行優(yōu)化，形成STACHVA 致因辨識(shí)的TSM 模型，進(jìn)一步獲取各關(guān)鍵自變量對(duì)不同等級(jí)事故嚴(yán)重程度的邊際效應(yīng).最后，選取元雙公路元謀—牟定段進(jìn)行案例分析，旨在為交通安全部門制定針對(duì)性的管控政策提供理論依據(jù).

1 變量選取

1.1 因變量選取

根據(jù)公安部發(fā)布的《交通事故統(tǒng)計(jì)暫行規(guī)定》，我國(guó)按每起事故的傷亡人數(shù)及財(cái)產(chǎn)損失，將事故嚴(yán)重程度劃分為死亡、重傷、輕傷和財(cái)產(chǎn)損失事故4類.因此，本文結(jié)合實(shí)地監(jiān)測(cè)的事故數(shù)據(jù)，將事故嚴(yán)重程度劃分為輕微、一般及嚴(yán)重3類，如表1所示.

表1 STACHVA劃分標(biāo)準(zhǔn)Table 1 Classification of STACHVA

1.2 自變量選取及測(cè)量

結(jié)合道路交通安全影響機(jī)制，本文從人[4]、車[6]、路[5]、環(huán)境[8]這4 個(gè)子系統(tǒng)中選取事故嚴(yán)重程度的影響變量，如圖1所示.首先，對(duì)選定的32 個(gè)變量進(jìn)行預(yù)處理，連續(xù)變量采用實(shí)際變量值進(jìn)行賦值；對(duì)于分類變量，二分類變量賦值為0 和1，多分類變量需引入啞變量，生成預(yù)處理后的自變量38 個(gè).其次，利用SPSS 對(duì)38 個(gè)自變量進(jìn)行多重共線性檢驗(yàn)，并采取逐步剔除、多次迭代的方式依次刪除小車平均小時(shí)交通量、空間占有率、總流量及V/C 等4 個(gè)VIF 大于10 的自變量，最終形成34 個(gè)自變量.

2 模型構(gòu)建

由于有序模型在自變量選擇上的局限性及參數(shù)估計(jì)上的粗放性，本文建立事故嚴(yán)重程度致因辨識(shí)的TSM模型，如圖2所示.第1階段構(gòu)建OLM獲取顯著影響STACHVA的自變量，為第2階段提供變量基礎(chǔ)，采用Brant 對(duì)關(guān)鍵變量進(jìn)行POH 檢驗(yàn)；第2 階段構(gòu)建PPOM，可運(yùn)用自動(dòng)擬合選項(xiàng)對(duì)未通過POH 檢驗(yàn)的自變量放寬比例優(yōu)勢(shì)，使模型擬合度更優(yōu).最終，通過TSM 精準(zhǔn)識(shí)別影響STACHVA的顯著自變量，進(jìn)一步獲取各自變量對(duì)因變量的邊際效應(yīng)[9].

圖1 STACHVA 致因Fig.1 Cause of STACHVA

圖2 STACHVA 致因辨識(shí)的TSM 模型Fig.2 TSM model for cause identification of STACHVA

2.1 模型定義

OLM是一種用于因變量有次序且多分類的回歸模型.交通事故第j等級(jí)嚴(yán)重程度的OLM為

本文3類事故嚴(yán)重程度對(duì)應(yīng)的OLM分別為

式中：Yi為第i起事故的嚴(yán)重程度；Xi為自變量向量；βi為相應(yīng)的參數(shù)估計(jì)向量；αj為第j等級(jí)事故嚴(yán)重程度的截距；J為事故嚴(yán)重程度等級(jí)數(shù)；K為自變量總數(shù)；xk為第k個(gè)自變量，k=1,2,…,K；βk為xk的估計(jì)參數(shù).

OLM 的前提條件是滿足POH，該假設(shè)因過于嚴(yán)格常常很難滿足，出現(xiàn)部分自變量違反POH 的情況.因此，在OLM 的基礎(chǔ)上運(yùn)用PPOM 進(jìn)行優(yōu)化，即

不同等級(jí)事故嚴(yán)重程度PPOM分別為

式中：Xi′，Ti′分別為滿足、違反POH 的自變量向量；βj，γj分別為第j等級(jí)中Xi′、Ti′對(duì)應(yīng)的參數(shù)估計(jì)向量.

OLM 中參數(shù)值估計(jì)采用最大似然法，似然函數(shù)ln(L)計(jì)算公式為

式中：N為事故數(shù)量；lij表示第i起事故嚴(yán)重程度為j時(shí)，lij為1，否則為0.PPOM 中運(yùn)用伽馬參數(shù)化對(duì)違反POH的自變量參數(shù)值重新估計(jì).

為進(jìn)一步反映Xi對(duì)Yi的影響方向和程度，計(jì)算二分類及連續(xù)變量的邊際效應(yīng)，即

式中：為影響第j等級(jí)事故的第k個(gè)自變量；a，b表示為二分類變量對(duì)應(yīng)的不同取值；為的邊際效應(yīng)值，表示從a到b或每單位變化時(shí)，對(duì)第j等級(jí)事故的影響.

2.2 模型檢驗(yàn)

本文用似然比指數(shù)表征似然比檢驗(yàn)結(jié)果，即比較最終模型對(duì)數(shù)似然函數(shù)值Lβ與基準(zhǔn)模型對(duì)數(shù)似然函數(shù)值L0的相對(duì)大小，越接近0，表示模型擬合程度越高，各參數(shù)顯著性采用t檢驗(yàn)方法.采用赤池信息量準(zhǔn)則(AIC)和貝葉斯信息準(zhǔn)則(BIC)檢驗(yàn)?zāi)Ｐ秃?jiǎn)約性與擬合數(shù)據(jù)優(yōu)良性.

3 實(shí)例分析

3.1 研究路段及數(shù)據(jù)來源

(1)研究路段概況.

相較于單一平曲線與豎曲線，CHVA的車輛運(yùn)行風(fēng)險(xiǎn)更高[3].為保證行車安全，應(yīng)合理規(guī)定CHVA線形參數(shù)，但現(xiàn)有公路設(shè)計(jì)規(guī)范對(duì)CHVA 線形參數(shù)的規(guī)定缺乏定量標(biāo)準(zhǔn)，易出現(xiàn)單一線形要素滿足規(guī)定而CHVA 事故居高不下的情況.本文以元雙公路元謀—牟定段為例，其全長(zhǎng)約77.8 km，設(shè)計(jì)速度60 km/h，為典型的山區(qū)二級(jí)公路，具體幾何特征如表2所示.

表2 研究路段的幾何特征Table 2 Geometric characteristics of investigative sections

由表2可知，部分CHVA平曲線半徑及縱坡坡長(zhǎng)的最小值未滿足單一線形規(guī)范要求；經(jīng)統(tǒng)計(jì)可知，不滿足縱坡坡長(zhǎng)及平曲線最小半徑要求的分別占14.38%、6.07%；通過調(diào)研可知，本文涉及的CHVA 約占元謀—牟定段全長(zhǎng)的42.3%.因此，該路段行車環(huán)境相對(duì)復(fù)雜，對(duì)行車安全極為不利，是公路運(yùn)輸?shù)母唢L(fēng)險(xiǎn)路段.

(2)數(shù)據(jù)來源.

本文獲取元謀—牟定段平縱組合路段2013—2017年的交通事故、道路屬性、歷史天氣及交通流數(shù)據(jù)，如表3所示.經(jīng)數(shù)據(jù)集匹配，初始數(shù)據(jù)共315條，剔除信息不全的數(shù)據(jù)，最終形成匹配數(shù)據(jù)集313條，數(shù)據(jù)有效率達(dá)99.4%.

3.2 模型估計(jì)結(jié)果

運(yùn)用STATA15.0 進(jìn)行求解，同時(shí)采用反向逐步選擇法，經(jīng)過13次迭代最終篩選出OLM中置信度大于95%的10 個(gè)自變量，分別為駕駛?cè)诵詣e(Fdg)、涉及車輛數(shù)(Fnv)、平曲線曲率(Fchc)、豎曲線曲率(Fcvc)、豎曲線長(zhǎng)度(Flvc)、縱坡坡度(Fdls)、接入口(Fas)、陰天(Fc)、大車比例(Frlv)及小車與無防護(hù)型車的平均車速差(Fsuv).經(jīng)Brant檢驗(yàn)發(fā)現(xiàn)Fnv、Fchc、Fcvc、Flvc及Fdls這5 個(gè)變量的p值均小于0.05，表明在95%置信水平下，這5 個(gè)自變量統(tǒng)計(jì)性并不顯著，違反了POH，故通過構(gòu)建PPOM進(jìn)行參數(shù)優(yōu)化，結(jié)果如表4所示.

表3 數(shù)據(jù)來源Table 3 Sources of data

表4 TSM 模型估計(jì)結(jié)果Table 4 Estimation results of TSM model

由表4可知，TSM 較OLM 而言，AIC、BIC、分別下降了14.924%、12.742%、17.500%，故模型更簡(jiǎn)約且擬合程度更優(yōu).對(duì)TSM 參數(shù)估計(jì)結(jié)果進(jìn)一步分析，可得10 個(gè)顯著自變量對(duì)事故嚴(yán)重程度的影響機(jī)制如圖3所示.

由圖3可知：

(1)除駕駛?cè)诵詣e、小車與無防護(hù)型車的平均車速差、接入口等對(duì)STACHVA 有顯著負(fù)效應(yīng)，其余變量對(duì)STACHVA均呈現(xiàn)正效應(yīng).

(2)如圖3(a)所示，從輕微事故對(duì)一般和嚴(yán)重事故的PPOM來看，大車比例、平曲線及豎曲線曲率對(duì)STACHVA的影響較大；如圖3(b)所示，從輕微和一般事故對(duì)嚴(yán)重事故的PPOM來看，大車比例、縱坡坡度及平曲線曲率對(duì)STACHVA的影響較大.

圖3 STACHVA 影響機(jī)制Fig.3 Influence mechanism of STACHVA

(3)總之，大車比例對(duì)STACHVA的影響最大，主要是大車在特定速度下具有更大的動(dòng)量，使發(fā)生嚴(yán)重事故概率更高；而線形因素對(duì)STACHVA的影響較大，說明CHVA 因降低了駕駛員的可見度和機(jī)動(dòng)性，使行車風(fēng)險(xiǎn)性增加.

3.3 邊際效應(yīng)分析

根據(jù)3.2節(jié)的分析，計(jì)算顯著自變量對(duì)因變量的邊際效應(yīng)，說明各自變量對(duì)STACHVA的影響方向和程度，如表5所示.

表5 顯著自變量對(duì)因變量的邊際效應(yīng)Table 5 Marginal effect of significant independent variables on dependent variable

由表5可以看出：

(1)從駕駛?cè)藢用鎭砜矗c女性相比，男性駕駛員發(fā)生一般和嚴(yán)重事故的概率分別減少10.181%和0.400%，說明男性較女性駕駛情緒穩(wěn)定及身體承受創(chuàng)傷力強(qiáng).

(2)從車輛層面來看，與單車事故相比，多車事故由于涉及車型各異、事故形態(tài)復(fù)雜，發(fā)生一般和嚴(yán)重事故的概率分別增加5.183%和0.465%.

(3)從道路屬性層面來看，接入口使一般和嚴(yán)重事故的發(fā)生概率分別減少10.855%和3.611%，說明駕駛員對(duì)接入口的危險(xiǎn)感知較敏感，行車較謹(jǐn)慎，故事故嚴(yán)重程度減輕；平曲線曲率、豎曲線曲率、豎曲線長(zhǎng)度及縱坡坡度等4個(gè)變量每增大一個(gè)單位，發(fā)生一般和嚴(yán)重事故的概率均會(huì)不同程度地增加，說明線形條件較差顯著加重事故后果，從而驗(yàn)證了線形對(duì)STACHVA影響重大，改善道路線形是減輕事故嚴(yán)重程度的關(guān)鍵舉措.

(4)從環(huán)境層面來看，陰天較晴、雨天發(fā)生一般和嚴(yán)重事故的概率分別增加2.899%和1.212%，這主要是因?yàn)榍缣鞂?duì)較高嚴(yán)重程度的事故影響較小，而雨天等惡劣天氣下駕駛員警惕性高，一定程度上可減輕事故嚴(yán)重程度；大車比例每增加一個(gè)單位，車輛間車頭時(shí)距減小，發(fā)生一般和嚴(yán)重事故的概率分別增加3.788%和1.374%；小車與無防護(hù)型車的平均車速差每增加一個(gè)單位，發(fā)生一般和嚴(yán)重事故的概率分別減少0.604%和0.021%，主要是由于車速差異性較大，車輛間相互影響小，可減少惡性交通事故的發(fā)生.

4 結(jié) 論

CHVA交通安全一直是痛點(diǎn)問題，本文通過構(gòu)建STACHVA致因辨識(shí)的TSM模型，對(duì)STACHVA致因的影響方向和程度進(jìn)行精準(zhǔn)識(shí)別和定量解析.研究發(fā)現(xiàn)：所構(gòu)建的TSM 模型相比傳統(tǒng)的有序概率模型擬合度更優(yōu)；駕駛?cè)诵詣e、小車與無防護(hù)型車的平均車速差、接入口對(duì)一般及以上事故嚴(yán)重程度具有負(fù)效應(yīng)，涉及車輛數(shù)、平曲線曲率、豎曲線曲率、豎曲線長(zhǎng)度、縱坡坡度、天氣、大車比例對(duì)一般及以上事故嚴(yán)重程度具有正效應(yīng)；就影響程度來看，從高到低依次是接入口、駕駛?cè)诵詣e、豎曲線曲率、平曲線曲率、涉及車輛數(shù)、大車比例、縱坡坡度、天氣、小車與無防護(hù)型車的平均車速差、豎曲線長(zhǎng)度.本研究可為交通安全部門開展CHVA風(fēng)險(xiǎn)監(jiān)管工作提供決策參考.本文僅分析了單一變量對(duì)STACHVA的影響，未來將進(jìn)一步探究多變量間的耦合作用對(duì)STACHVA的影響機(jī)理.