王甜甜 李 偉副教授

(首都經(jīng)濟貿(mào)易大學 管理工程學院，北京 100070)

0 引言

隨著中國城市體量不斷擴張，地鐵作為城市內重要交通工具，其通車里程也逐年攀升。與此同時，事故突發(fā)、受眾廣泛、危害多元、應急困難等地鐵風險特質都直接影響著地鐵安全。因此，切實提高地鐵運營安全刻不容緩。國內外學術界對其給予極大關注，主要表現(xiàn)在2個方面：一是從地鐵安全系統(tǒng)角度：2004年，李為為等最先提出應綜合考慮“人員—設備—管理—應急”的地鐵運營安全系統(tǒng)，為地鐵安全系統(tǒng)的定性分析奠定基礎；2007年，國外學者Beugin等首次將定量概率模型引入地鐵系統(tǒng)的安全評估中，具體模擬預測主要憑借蒙特卡羅模型的計算框架；李銘輝基于對地鐵運營系統(tǒng)中危險因素的辨識，結合定性和定量分析方法，探索適用于我國地鐵運營現(xiàn)狀的安全綜合評價程序；Azadeh A等結合AHP與數(shù)據(jù)包絡分析法得出地鐵運營集成模型，并將其應用于地鐵運營系統(tǒng)中的安全管理。二是從主要風險因素角度：2004年，Reilly等首次提出通過對關鍵風險因素的預測分析，探究其對事故傷害程度的影響機理，從而有針對性地研究這些關鍵危險有害因素的作用路徑；2005年，國內學者代寶乾等最先從地鐵事故內部和外部2大影響因素切入，并分別于內外部因素的定義、范圍及影響機理等方面著重進行了主要風險因素的危險度計算；李偉等研究發(fā)現(xiàn)地鐵事故幾乎都是各傷害特征之間相互交叉作用，提出采用系統(tǒng)聚類方法探索新的事故類別構成，并加以重點預防干預；萬欣等基于案例庫，運用Petri網(wǎng)構建由乘客異常行為導致地鐵運營事故的致因關系模型，進而識別出其作用的關鍵路徑。

上述研究成果對地鐵安全起到重要作用，但大多研究停留于不同傷害橫向層面的剖析與對策措施的提出，對于地鐵事故傷害程度的縱向研究卻存在不足。因此，本文將探尋地鐵運營事故中各致因因素對其不同傷害等級的影響規(guī)律，針對性地提出改善措施，以控制地鐵不安全事故的發(fā)生并提升地鐵管理部門的安全管控水平。

1 廣義有序Logit模型

依據(jù)現(xiàn)有地鐵事故數(shù)據(jù)因變量的有序特征，為探尋各影響因素與地鐵事故傷害嚴重程度的潛在規(guī)律，引入有序響應模型進行分析。常見的有序Logit模型是二項Logit模型的擴展，多用于有序的多分類離散型變量。其表達式如下：

P

(

Y

>

j

)=

g

(

X

β

)

(1)

式中：

P

(*)—事故傷害嚴重等級的發(fā)生概率；

j

—嚴重等級,

j

=1,2,…,

M

-1；

Y

—第

i

起事故的傷害嚴重等級；

X

—第

i

起事故的自變量；

β

—

X

的系數(shù)；

a

—第

j

個傷害等級的常數(shù)項。但傳統(tǒng)的有序Logit模型有顯著不足，即其自變量系數(shù)

β

在各有序等級中必須相同，因而局限了模型的適用。為此放寬成比例假設條件，引入其改進模型——廣義有序Logit(Generalized Ordered Logit，Gologit)模型，表達式如下：

P

(

Y

>

j

)=

gX

β

)

(2)

其中，

β

為第

j

等級的自變量系數(shù)，根據(jù)模型的劃分等級而變化。Gologit模型的不同事故傷害水平

Y

的概率計算如下：

P

(

Y

=

j

)=1-

g

(

X

β

),

j

=1

(3)

P

(

Y

=

j

)=

g

(

X

β

-1)-

g

(

X

β

),

j

=2,…,

M

-1

(4)

P

(

Y

=

j

)=

g

(

X

β

-1)，

j

=

M

(5)

Stata15.0是常用的數(shù)理統(tǒng)計分析軟件，這款軟件能夠實現(xiàn)數(shù)據(jù)分析、數(shù)據(jù)管理和繪制專業(yè)圖表等功能，本文運用該軟件分別對有序Logit模型和Gologit模型進行回歸分析，并進行邊際效應值計算。

2 實例分析

2.1 數(shù)據(jù)準備

2.1.1 數(shù)據(jù)來源

研究數(shù)據(jù)來源于某市地鐵安全生產(chǎn)責任保險案件報表，調取2017年11月1日-2018年10月31日期間的地鐵事故數(shù)據(jù)。該數(shù)據(jù)庫包含性別、年齡、季度、時間、線路、具體位置、事件原因、傷害類型及其嚴重程度等指標變量，在數(shù)據(jù)建模前首先對原始數(shù)據(jù)預處理，剔除有缺失項及無法認定的事故樣本，最終篩選出1 180起事故記錄。

2.1.2 研究因素的提取與分析

本事故記錄中，統(tǒng)計內容主要包含人員、人員行為、設備及環(huán)境等4類信息；事故傷害水平確定為4個等級：死亡、重傷、輕傷及無傷害。由于死亡事故的樣本量僅有2起，占比不足1%，因此在建模過程中將死亡和重傷一并考慮作重傷，即用作數(shù)據(jù)建模的事故傷害水平可分為3個等級：重傷(59起)、輕傷(472起)及無傷害(649起)。在建模分析中，事故傷害水平作為因變量，各致因因素作為備選自變量，變量解釋及描述性統(tǒng)計，見表1。

表1 模型變量的定義與描述性統(tǒng)計Tab.1 The definition and descriptive statistics of model variables

2.2 分析有序Logit模型

2.2.1 參數(shù)估計

借助計算機軟件Stata15.0對有序Logit模型進行回歸分析。自變量的篩選選取混合逐步選擇法，經(jīng)逐步回歸得出的性別、年齡、身體原因、扶穩(wěn)、行李原因、搶趕時間、與異物發(fā)生磕/壓、緊急制動、事件時間、事件地點、地面條件、人多擁擠和多種設備故障等變量與事故傷害程度呈顯著相關，見表2。

表2 有序Logit模型標定結果Tab.2 The calibration results of the Ordered Logit model

2.2.2 成比例假設檢驗

有序Logit模型是假設所有觀察值的隨機誤差項具有相同方差，也就是回歸系數(shù)保持一致，僅在臨界點出現(xiàn)變化，這種現(xiàn)象就是Logit模型的平行線假設?？赏ㄟ^卡方檢驗進行判定，檢驗結果若有顯著差異，則拒絕零假設，也就是有序Logit模型不適用。經(jīng)計算得到

X

=241.755，自由度為30，顯著性概率為0.000<0.05，可見不滿足成比例假設檢驗，則所建立的有序Logit模型無效。通過松弛所有變量的平行假設，進一步引出Gologit模型。平行假設檢驗結果，見表3。

表3 卡方檢驗結果Tab.3 Chi-square test results

2.3 Gologit模型

2.3.1 參數(shù)估計

選取混合逐步選擇法，提取出顯著變量，顯著性水平假定為0.05，具體應用Stata15.0外部命令Gologit2實現(xiàn)。根據(jù)表4的回歸結果得到性別、年齡、身體原因、扶穩(wěn)、行李原因、搶趕時間、事件時間、事件地點、地面條件、人多擁擠及多種設備故障等16個變量與事故傷害程度呈顯著相關，這與有序Logit模型中的一致。但Gologit模型能夠體現(xiàn)出相同變量對不同事故水平的影響有所不同，比如老幼群體會顯著增加事故水平為重傷的概率，檢驗值

P

=0.013，表明老幼群體對地鐵事故傷害程度有影響的置信度已經(jīng)達到99%，而對于輕傷或無傷害概率影響不大。

表4 Gologit模型標定結果Tab.4 The calibration results of the Gologit model

2.3.2 模型有效性檢驗

對比分析所建立的2種模型，并評估模型的有效性。利用偽

R

及赤池信息量準則(Akaike Information Criterion，AIC)值檢驗地鐵事故Gologit模型的擬合優(yōu)度。在回歸建模分析中，AIC值越小且偽

R

值越大，該模型的擬合優(yōu)度就更高。根據(jù)表5結果，Gologit模型的偽

R

值大于有序Logit模型的相應值，AIC值也更小，表明Gologit模型用于探索各致因要素對地鐵事故傷害水平的影響更具優(yōu)勢。因此，本文只進一步研究Gologit模型的回歸結果。

表5 模型擬合優(yōu)良性檢驗Tab.5 The model fitting goodness test

2.3.3 地鐵事故模型邊際效用分析

由于Gologit模型的回歸結果只反映各致因因素對不同事故傷害水平的作用趨勢，難以定量闡述其影響程度。對此，在上述估計的基礎上進一步分析各要素的邊際效應。Gologit模型的邊際效應是指：其他變量保持不變時，某自變量的變動對個體選擇某項特定類別概率的影響。通過邊際效應分析，能夠了解各致因因素如何改變事故傷害水平的概率。為簡化計算，本文應用MEMs(Marginal Effects at the Means)表示在其他變量取均值時自變量變化對因變量取值概率的影響，具體結果見表6。

In conclusion, pain in pancreatic cancer has a complex physiopathology. It eminently implies a neuronal invasion and a neurogenic inflammation.

表6 Gologit模型中因子的邊際效用Tab.6 The marginal utility of factors in the Gologit model

3 影響特性分析及建議措施

3.1 人員特性

根據(jù)回歸結果，人員的各項特征會顯著影響地鐵事故的傷害水平，包括性別、年齡等。首先，從性別來看，相較于女性，男性乘客遭遇地鐵不安全事故的概率更高。由邊際效應分析可以得出，男性發(fā)生輕傷、重傷事故概率均會增加，表明在地鐵事故中，女性行為較為謹慎，從而降低事故概率。從年齡來看，對于老幼群體來說，由于其自身身體素質欠缺，反應遲鈍，平衡協(xié)調性要比年輕人差很多，對于可能出現(xiàn)突發(fā)情況的警覺性大大降低，易受傷甚至重傷率較高。由邊際效應分析可以看出其發(fā)生重傷的概率比年輕人高出0.72%，而輕傷概率也要高出1.67%。由于身體原因導致地鐵事故概率顯著上漲，具體重傷、輕傷的事故概率分別增長1.43%與3.30%，主要不適原因包括受害者本身為病、殘、孕群體或者服用其他藥物(比如復方感冒藥，副作用就是致困)，所以較易發(fā)生事故。因此，這類弱勢群體應不斷加強事故防范意識，留心地鐵內外部狀況及相應的消防安全設備設施，如有必要應在家人陪同下出行，如遇身體不適，請勿獨自乘坐地鐵。

3.2 人員行為特性

由Gologit模型回歸結果顯示：第一，站好扶穩(wěn)能夠有效降低事故發(fā)生概率，其中重傷、輕傷事故概率分別可降低3.3%、5.5%，且很大一部分事故發(fā)生在自動扶梯位置，事故形態(tài)包括女乘客裙邊卷入運行中的電梯縫隙，推著購物車、行李箱，甚至是嬰兒車乘坐自動扶梯等，再加上安全意識薄弱，沒有扶穩(wěn)，最終釀成悲劇。第二，在地鐵運行過程，由于啟停或者急剎急停，若沒有扶穩(wěn)，易發(fā)生事故，因此應注意列車在運行中的循環(huán)公益廣播提示。第三，攜帶行李會使重傷事故概率增加1.15%，輕傷事故概率增加3.17%，因此應盡量避免攜帶大件行李以及飄帶過長的包、袋等，這不僅容易夾在閘機、屏蔽門、電梯等縫隙中，大件行李在移動過程還會影響他人行動，造成擁堵。第四，乘客搶趕時間會使重傷、輕傷事故概率分別增加1.44%、2.90%，這是因為在急躁狀態(tài)下，地鐵即將運行時乘客也會急沖上車，導致與屏蔽門發(fā)生擠壓或碰撞，也有部分大人小孩同時過閘機，會由于時間緊促而發(fā)生擠壓。因此，地鐵方應嚴格確保每日安檢，將異物、突出物等不安全因素排查到位，防止乘客與其產(chǎn)生碰、刮、擦等事故，還應大力倡導乘車道德，嚴格遵從地鐵乘坐規(guī)則，減少事故發(fā)生，乘客方也應冷靜出行，留意身邊環(huán)境的安全隱患。

3.3 設備特性

本文所指設備包括列車、電梯、站臺屏蔽門以及閘機等。第一，列車在緊急制動情況下，會導致重傷事故概率上升6.84%，輕傷事故概率上升2.85%，引起列車緊急制動的情況諸多，如信號故障、誤動駕駛模式開關、軌旁設備影響等。通常，列車通過緊急制動以保障危急境況下的順利運行，但仍易引發(fā)大規(guī)模晚點，甚至導致乘客身體嚴重搖晃而摔傷，更嚴重可能導致重傷事故。第二，電梯故障導致重傷和輕傷的事故概率分別增加7.77%、4.26%，表明電梯故障是地鐵事故中常見且致傷率較高的安全影響因素，因此應加強機電等設備的日常維保，增強文明乘梯意識。第三，站臺屏蔽門故障導致重傷和輕傷的事故概率分別增加1.92%、6.77%，更易導致輕傷事故的發(fā)生，其主要原因是在屏蔽門處發(fā)生衣物、包袋等的夾帶，重傷則是人體部位的不慎擠壓。第四，乘客違規(guī)攀爬、穿越、擅自進入違禁區(qū)的設備設施易導致傷害案件，且多發(fā)生于早晚客流高峰期，除乘客規(guī)則意識淡薄、客流量上升等原因外，部分自動化裝置的使用失當也是一個潛在風險。綜上，列車故障導致重、輕傷的事故概率會增加4.70%、2.17%，尤其在乘客過量，列車出現(xiàn)故障容易引起群傷事件。由邊際效應分析可知，設備因素導致的地鐵乘客人身損害事故相對多發(fā)，更多是由于乘客自身原因，其事故嚴重程度也較低；而地鐵運營方引發(fā)的傷害，更易導致重傷事故的發(fā)生，這也是近年客運服務糾紛增多的一個主要原因。

3.4 環(huán)境特性

環(huán)境特性包含事件時間、事件地點、地面條件、人流是否擁擠等影響因素，在此逐一分析。首先，相比其他時間段，在上下班高峰期會導致重、輕傷事故概率分別增加3.86%、7.97%，分析得出：由于這2個時間段人們上班心急、回家心切，造成上下班高峰期地鐵流量的驟然增長，電梯負荷過重，列車內擁擠等極易引起事故，因此地鐵運營方應加強這2個時間段的乘客引流工作。其次，地鐵事故更易發(fā)生在電梯，包括自動扶梯和升降直梯，與其他事故地點相比，乘梯傷害會導致重、輕傷事故概率分別增長3.56%、6.26%，因此地鐵運營方要進一步加強安全乘梯宣傳和服務改進。再次，地面是否干燥整潔、有無異物也對地鐵事故有著顯著影響，濕滑地面容易引起摔傷事故，地鐵運營方應加強衛(wèi)生巡檢與地面整理工作。最后，地鐵內擁擠情況下會導致重、輕傷事故概率分別增加1.80%、2.87%，擁擠狀態(tài)下地鐵內幾近飽和狀態(tài)，容易出現(xiàn)擁擠致傷、進出車廂時擠傷，甚至發(fā)生因擁擠導致站內乘客吵架斗毆等第三方責任損害的事件。對此，建議乘客尤其在早高峰時期勿空腹擠地鐵，容易產(chǎn)生低血糖頭暈等現(xiàn)象；在擁擠時盡量做到排隊謙讓，避免引發(fā)踩踏等惡性事故。

4 結論

利用既有事故數(shù)據(jù)庫，從人員、人員行為、設備因素和環(huán)境因素4個方面中選出16個變量，構建傳統(tǒng)有序Logit和Gologit 2種反應模型，探尋影響地鐵事故嚴重水平的致因因素，得到如下結論：

(1)Gologit模型結果表明：老幼群體、上下班雙峰期、是否扶穩(wěn)、緊急制動、電梯故障、閘機故障及列車故障顯著影響地鐵事故嚴重程度，且各顯著因素對不同等級事故嚴重水平的影響有差別。

(2)依據(jù)模型的有效性檢驗和擬合優(yōu)度，Gologit模型優(yōu)于傳統(tǒng)有序Logit模型；與傳統(tǒng)有序模型相比，Gologit模型放松了傳統(tǒng)有序模型須滿足平行線假設這一條件，對現(xiàn)有事故數(shù)據(jù)有更大的適用性。

(3)本文基于國內某地鐵事故數(shù)據(jù)庫，對研究我國地鐵事故傷害的致因因素具有一定借鑒意義?？紤]到部分致因要素可能未代入模型中，例如時段客流量、出行工具選擇意愿等，因此下一步研究應完善和精確相關數(shù)據(jù)，將變量更加詳細地分類，并試用更多的計算及檢驗方法優(yōu)化模型。