楊文臣，謝碧珊,，房銳*，秦雅琴

(1.云南省交通規(guī)劃設(shè)計(jì)研究院有限公司，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；2.昆明理工大學(xué)，交通工程學(xué)院，昆明650504)

0 引言

具有集散功能的山區(qū)雙車(chē)道公路道路條件復(fù)雜、混合交通環(huán)境多變，交通違法行為突出，極易導(dǎo)致各種交通事故。當(dāng)前我國(guó)二級(jí)公路死亡人數(shù)絕對(duì)值最高[1]，掌握不同類(lèi)別機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度影響因素間復(fù)雜關(guān)聯(lián)關(guān)系，已成為交通安全風(fēng)險(xiǎn)管理亟待解決的問(wèn)題。

機(jī)動(dòng)車(chē)事故嚴(yán)重度的研究主要涉及事故形成機(jī)理、事故描述統(tǒng)計(jì)分布、事故嚴(yán)重度分析模型等方面。研究方法主要分為兩大類(lèi)：計(jì)量經(jīng)濟(jì)學(xué)的統(tǒng)計(jì)分析方法[2]、人工智能的分類(lèi)預(yù)測(cè)方法[3]，也有學(xué)者將兩種方法組合使用[4]。常用的計(jì)量經(jīng)濟(jì)模型有二元Logistic模型、多項(xiàng)Logit模型、有序Logit模型及混合Logit 模型等，這些模型在影響機(jī)理的可解釋性和預(yù)測(cè)模型的穩(wěn)健性上具有優(yōu)勢(shì)。隨著交通安全數(shù)據(jù)質(zhì)量的提高，支持向量機(jī)(SVM)、神經(jīng)網(wǎng)絡(luò)(BP)、隨機(jī)森林(RF)等人工智能方法被廣泛應(yīng)用于事故發(fā)生概率建模與事故嚴(yán)重度的分類(lèi)預(yù)測(cè)，研究發(fā)現(xiàn)，人工智能方法在預(yù)測(cè)精度上具有優(yōu)勢(shì)，但模型的可解釋性和穩(wěn)健性不強(qiáng)，需要較豐富的數(shù)據(jù)樣本及標(biāo)簽[5]。當(dāng)前研究仍存在以下不足：一是既有研究多以城市道路或高速公路為對(duì)象，對(duì)山區(qū)雙車(chē)道公路交通事故形成機(jī)理認(rèn)識(shí)不足；二是多數(shù)研究?jī)H分析事故數(shù)據(jù)的整體規(guī)律及特性，定量揭示不同類(lèi)型事故間影響因素差異的比較研究較少，其顯著影響因素會(huì)被弱化或隱藏[6]；再者，多分類(lèi)的事故嚴(yán)重度分析是當(dāng)前研究的重要方向，一般假設(shè)事故嚴(yán)重度是有序變化的變量和采用有序離散模型，但已有研究發(fā)現(xiàn)事故數(shù)據(jù)并不嚴(yán)格滿(mǎn)足成比例假設(shè)[7]。

為明晰山區(qū)雙車(chē)道公路不同類(lèi)別機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度的形成機(jī)理，以云南某山區(qū)二級(jí)公路的機(jī)動(dòng)車(chē)事故為研究對(duì)象，采用部分優(yōu)勢(shì)比模型分別建立3類(lèi)機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度的分析模型，并與有序Logit 模型對(duì)比，重點(diǎn)研究不同事故等級(jí)下其顯著自變量的影響程度差異和預(yù)測(cè)準(zhǔn)確性。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來(lái)源

研究數(shù)據(jù)源于云南省某典型山區(qū)雙車(chē)道二級(jí)公路，2011-2017年機(jī)動(dòng)車(chē)事故的案情描述數(shù)據(jù)(含涉事人員、涉事車(chē)輛、道路環(huán)境、日期、位置、事故傷亡及財(cái)產(chǎn)損失等信息)，項(xiàng)目竣工圖設(shè)計(jì)資料(含道路線(xiàn)形及安全設(shè)施等信息)，以及公路局交通調(diào)查站的日?qǐng)?bào)表數(shù)據(jù)(含日交通量信息)。根據(jù)涉事主體的交通方式，將1740 起事故數(shù)據(jù)劃分成機(jī)動(dòng)車(chē)與機(jī)動(dòng)車(chē)(機(jī)-機(jī))、機(jī)動(dòng)車(chē)與摩托車(chē)(機(jī)-摩)、機(jī)動(dòng)車(chē)與非機(jī)動(dòng)車(chē)(機(jī)-非)碰撞事故。采用2011-2016年事故數(shù)據(jù)樣本構(gòu)建嚴(yán)重度分析模型(1392 條)，采用2017年數(shù)據(jù)(348條)進(jìn)行模型檢驗(yàn)。

1.2 分析方法

常用的有序Logit等事故分析模型存在比例優(yōu)勢(shì)假定，其自變量系數(shù)不會(huì)隨事故等級(jí)的變化而不同。但交通事故的發(fā)生具有強(qiáng)隨機(jī)性和區(qū)域差異性，通常是部分自變量滿(mǎn)足比例優(yōu)勢(shì)假定，而其他自變量違反。分別采用有序Logit模型和部分優(yōu)勢(shì)比模型分析3類(lèi)機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度。

(1)有序Logit模型

有序Logit模型的表達(dá)為

式中：Y為事故嚴(yán)重度等級(jí)；X為自變量向量；P(Y≤j|X)為第j事故等級(jí)的累積概率；βk為第k個(gè)自變量的回歸系數(shù)；K為自變量的總數(shù)；αj為第j事故等級(jí)的常數(shù)項(xiàng)；xk為第k個(gè)自變量，k=1,2,…,K。

無(wú)論模型中因變量分割點(diǎn)在什么位置，自變量回歸系數(shù)向量β保持不變，即存在比例優(yōu)勢(shì)假定(Proportional Odds Assumption)。

(2)部分優(yōu)勢(shì)比模型

部分優(yōu)勢(shì)比模型松弛了有序Logit模型的比例優(yōu)勢(shì)假定，部分自變量的系數(shù)隨事故等級(jí)的不同而變化，模型表達(dá)式為

式中：g(·)為第j事故等級(jí)的累積分布函數(shù)；βj為第j事故等級(jí)的回歸系數(shù)向量；T為不滿(mǎn)足比例優(yōu)勢(shì)假設(shè)的自變量向量；γj為第j等級(jí)中不滿(mǎn)足比例優(yōu)勢(shì)假設(shè)的回歸系數(shù)向量。

部分優(yōu)勢(shì)比的概率模型表達(dá)式為

(3)自變量邊際效應(yīng)

邊際效應(yīng)是指當(dāng)其他變量取定值時(shí)，該變量取值變化對(duì)因變量取值所產(chǎn)生的影響，可用于定量分析各顯著因素對(duì)事故嚴(yán)重度的影響大小與趨勢(shì)，模型為

式中：ΔP(Y=j|xk)為與第j個(gè)事故等級(jí)的相關(guān)自變量xk的邊際效應(yīng)；Yi為第i個(gè)事故嚴(yán)重度等級(jí)。對(duì)離散型變量，常用AME(Average Maginal Effects)法求解，即在其他變量取定值條件下，對(duì)顯著自變量的全部取值。當(dāng)自變量xk的取值狀態(tài)從b變化到a時(shí)，嚴(yán)重度等級(jí)j的累積概率變化的平均值為

式中：m為自變量xk的離散取值總數(shù)；αn+1、bn分別表征該自變量相鄰的第n+1 個(gè)和第n個(gè)離散值。

2 模型建立與分析

2.1 變量定義

既有事故嚴(yán)重度研究使用頻率較高的影響因素包括駕駛?cè)诵詣e、年齡、車(chē)輛類(lèi)型、路段線(xiàn)形、事故發(fā)生時(shí)間、日期、交通量和事故形態(tài)等。根據(jù)山區(qū)雙車(chē)道公路的事故數(shù)據(jù)條件及描述統(tǒng)計(jì)特征，研究以機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度為因變量，從人、車(chē)、路和環(huán)境等方面選取10 個(gè)候選自變量，如表1所示。道路條件考慮交叉口和彎坡組合，車(chē)輛類(lèi)型考慮摩托車(chē)和非機(jī)動(dòng)車(chē)，事故形態(tài)考慮正面碰撞和側(cè)面碰撞(對(duì)向)等因素，盡可能準(zhǔn)確地表征山區(qū)雙車(chē)道公路的道路、交通及事故的基本特征。同時(shí)，不同交通運(yùn)行條件直接影響駕駛?cè)私煌ㄐ袨榧败?chē)輛行駛特性等，將日交通量Qi與年平均日交通量QAADT之比值定義為日交通量系數(shù)ci，以表征不同交通量水平對(duì)交通事故的影響。

表1 變量的分類(lèi)與編碼Table 1 Classification and coding of variables

2.2 參數(shù)估計(jì)

采用多重共線(xiàn)性進(jìn)行相關(guān)性分析，結(jié)果表明，自變量間不具相關(guān)性。采用Stata15.0 構(gòu)建3 類(lèi)機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度的部分優(yōu)勢(shì)比分析模型和有序Logit 模型，顯著自變量的選取采用混合逐步選擇法，保留顯著性水平小于0.05 的自變量，兩種模型的參數(shù)估計(jì)結(jié)果如表2所示。

在部分優(yōu)勢(shì)比模型中：機(jī)-機(jī)事故嚴(yán)重度與涉事車(chē)輛車(chē)型、事故路段類(lèi)型、季節(jié)、事故形態(tài)和肇事駕駛?cè)四挲g(不滿(mǎn)足比例優(yōu)勢(shì)假設(shè))顯著相關(guān)；機(jī)-摩事故嚴(yán)重度受肇事駕駛?cè)四挲g、駕駛?cè)塑?chē)型、時(shí)間、日交通量系數(shù)和季節(jié)(不滿(mǎn)足比例優(yōu)勢(shì)假設(shè))顯著影響；機(jī)-非事故嚴(yán)重度則受肇事駕駛?cè)四挲g、時(shí)間、日期、事故形態(tài)和日交通量系數(shù)(不滿(mǎn)足比例優(yōu)勢(shì)假設(shè))的顯著影響。

相比有序Logit 分析模型，部分優(yōu)勢(shì)比模型增加了對(duì)不滿(mǎn)足比例優(yōu)勢(shì)假設(shè)的自變量定量刻畫(huà)，其考慮變量更多，解釋能力更強(qiáng)。在影響因素差異方面，機(jī)-機(jī)事故的顯著變量比部分優(yōu)勢(shì)比分析模型減少了不滿(mǎn)足成比例假設(shè)的肇事駕駛?cè)四挲g變量，機(jī)-摩事故則增加了事故形態(tài)，減少了不滿(mǎn)足成比例假設(shè)的季節(jié)，機(jī)-非事故僅與事故路段類(lèi)型、日期和事故形態(tài)相關(guān)。

2.3 模型有效性檢驗(yàn)

采用AIC信息準(zhǔn)則和偽R2檢驗(yàn)部分優(yōu)勢(shì)比模型和有序Logit模型的擬合有效性，AIC值越小、偽R2越大，模型的擬合效果越好，結(jié)果如表3所示，部分優(yōu)勢(shì)比分析模型的擬合效果總體更優(yōu)。

2.4 模型預(yù)測(cè)

山區(qū)雙車(chē)道公路事故嚴(yán)重度的部分優(yōu)勢(shì)比模型和有序Logit模型的預(yù)測(cè)準(zhǔn)確率結(jié)果如表4所示。

表2 3類(lèi)機(jī)動(dòng)車(chē)事故嚴(yán)重度分析模型的參數(shù)估計(jì)Table 2 Parameter estimation of severity prediction models for three types of motor vehicle crash

由表4可知：

(1)機(jī)-機(jī)、機(jī)-摩和機(jī)-非這3類(lèi)機(jī)動(dòng)車(chē)碰撞事故中，部分優(yōu)勢(shì)比模型預(yù)測(cè)的平均準(zhǔn)確率比有序Logit模型分別提高了14.54%、5.65%和3.32%。

(2)對(duì)不同交通方式下3個(gè)等級(jí)的碰撞事故，兩種模型的最優(yōu)適用對(duì)象相同，分別對(duì)機(jī)-機(jī)的僅財(cái)產(chǎn)損失事故，機(jī)-摩的重傷或死亡事故，以及機(jī)-非的重傷或死亡事故的預(yù)測(cè)準(zhǔn)測(cè)率最好，但有序Logit模型的預(yù)測(cè)準(zhǔn)確性降低約10%。

表3 擬合優(yōu)度檢驗(yàn)Table 3 Test of goodness-of-fit

(3)部分優(yōu)勢(shì)比模型對(duì)機(jī)-機(jī)、機(jī)-摩和機(jī)-非這3 類(lèi)碰撞事故嚴(yán)重度的預(yù)測(cè)準(zhǔn)確率基本在70%以上，具有一定的工程適用性，而有序Logit模型不適用于預(yù)測(cè)機(jī)-機(jī)碰撞事故的輕傷事故、重傷或死亡事故，機(jī)-摩碰撞事故的輕傷事故，以及機(jī)-非碰撞事故的僅財(cái)產(chǎn)損失事故，在相應(yīng)事故情景下其預(yù)測(cè)準(zhǔn)確率低于60%。

(4)相較于機(jī)-機(jī)事故和機(jī)-摩事故，機(jī)-非事故嚴(yán)重度的樣本量較少(占比7%)，模型預(yù)測(cè)率低。

2.5 邊際效應(yīng)分析

部分優(yōu)勢(shì)比模型顯著變量的邊際效應(yīng)值如表5所示。

表4 3類(lèi)機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度分析模型的預(yù)測(cè)準(zhǔn)確率Table 4 Prediction accuracy of severity prediction models for three types of motor vehicle crash

表5 部分優(yōu)勢(shì)比模型的自變量邊際效應(yīng)值Table 5 Marginal effect value of significant variables in partial proportional odds model

由表5可知：

(1)在機(jī)-機(jī)事故中，季節(jié)和事故形態(tài)的影響最為顯著，由于高原山區(qū)公路夏季多雨，發(fā)生輕傷事故、重傷或死亡事故的概率分別增加6.3%和3.0%；當(dāng)發(fā)生追尾事故時(shí)，輕傷、重傷或死亡的概率分別下降4.4%和2.1%，這表明追尾事故的嚴(yán)重度相對(duì)較低。

(2)在機(jī)-摩事故中，30～40 歲的肇事駕駛?cè)嗽斐芍貍蛩劳鍪鹿拾l(fā)生的概率增加16.0%，這是因?yàn)樵撃挲g段的駕駛?cè)藬?shù)量多且駕駛安全意識(shí)淡薄，存在超速行駛、違章超車(chē)等不良交通行為；白天比夜間發(fā)生重傷或死亡事故的概率增加5.7%，這是因?yàn)榘滋焐絽^(qū)雙車(chē)道公路車(chē)輛較多；日交通量系數(shù)對(duì)機(jī)-非事故嚴(yán)重度存在一定影響，隨著交通量的增加，重傷或死亡的機(jī)-摩事故概率增加4.2%。

(3)在機(jī)-非事故中，側(cè)翻導(dǎo)致輕傷、重傷或死亡事故的概率分別增大8.4%、1.4%，這說(shuō)明涉事非機(jī)動(dòng)車(chē)等弱勢(shì)群體更易發(fā)生嚴(yán)重的事故后果，工作日比非工作日更易發(fā)生僅財(cái)產(chǎn)損失事故，而在非工作日發(fā)生輕傷、重傷或死亡事故的概率增加，兩者的概率變化約為10%。

3 結(jié)論

(1)相比有序Logit模型，部分優(yōu)勢(shì)比模型可準(zhǔn)確揭示不滿(mǎn)足比例優(yōu)勢(shì)假設(shè)的事故自變量。機(jī)-機(jī)事故嚴(yán)重度與肇事車(chē)輛車(chē)型、季節(jié)、路段類(lèi)型、事故形態(tài)和肇事駕駛?cè)四挲g顯著相關(guān)，而肇事駕駛?cè)四挲g不滿(mǎn)足比例優(yōu)勢(shì)假設(shè)；機(jī)-摩事故嚴(yán)重度與肇事駕駛?cè)说哪挲g、車(chē)型、事故路段類(lèi)型、發(fā)生時(shí)間、日交通量系數(shù)和季節(jié)顯著相關(guān)，而季節(jié)不滿(mǎn)足比例優(yōu)勢(shì)假設(shè)；機(jī)-非事故嚴(yán)重度受肇事駕駛?cè)四挲g、時(shí)間、日期、事故形態(tài)和日交通量系數(shù)顯著影響，而日交通量系數(shù)不滿(mǎn)足比例假設(shè)。

(2)有序Logit 分析模型不能刻畫(huà)不滿(mǎn)足成比例約束條件的特征變量，模型的預(yù)測(cè)準(zhǔn)確率和可移值性一般。部分優(yōu)勢(shì)比分析模型的平均預(yù)測(cè)率約75%，對(duì)比有序Logit模型，機(jī)-機(jī)事故、機(jī)-非事故、機(jī)-非事故的平均準(zhǔn)確率分別提高了14.54%、5.65%和3.32%，驗(yàn)證了事故分析模型中放寬成比例假設(shè)條件的有效性。

(3)交通事故數(shù)據(jù)具有異質(zhì)性，不同涉事交通方式下機(jī)動(dòng)車(chē)碰撞事故嚴(yán)重度影響因素及作用方向存在顯著差異，通過(guò)合理的事故分類(lèi)可增強(qiáng)事故數(shù)據(jù)的同質(zhì)性，提高預(yù)測(cè)模型的精度。隨著數(shù)據(jù)類(lèi)型豐富，可進(jìn)一步探究交通流特征參數(shù)與事故嚴(yán)重度的關(guān)系，分析事故模型的時(shí)空移值性。