顧宏艷，沈金星，于 淼，鄭長江

(河海大學(xué)土木與交通學(xué)院，南京 210098)

公交出行被認(rèn)為是一種綠色可持續(xù)且環(huán)境友好的出行方式。近年來，隨著各種公交優(yōu)先策略的實(shí)施，公交出行比例在不斷提高，人們對公共交通的依賴程度不斷提高。然而，對公交安全性的研究卻并沒有引起特別的關(guān)注。特別是與其他交通方式(如私家車、大貨車、非機(jī)動車和行人等)相比，針對公交安全的研究成果相對較少。一般情況下，由于公交車速度較低，會直觀地認(rèn)為這是一種比較安全的交通方式。此外，由于公交車也是機(jī)動車的一種，部分研究者認(rèn)為針對機(jī)動車的研究成果也可以用于改善公交車的安全。實(shí)際上公交車事故率遠(yuǎn)高于其他交通方式。根據(jù)英國交通運(yùn)輸部公開的數(shù)據(jù)顯示，2019年公交車保有量為3.23萬輛，發(fā)生4 305起事故，公交車事故率達(dá)到13.33%，這一比例遠(yuǎn)高于小汽車的事故率。與一般機(jī)動車相比，公交車有固定路線、固定運(yùn)營時(shí)間，以及擁有公交專用道[1]，但作為大運(yùn)量的交通工具，發(fā)生交通事故后造成的財(cái)產(chǎn)損失和社會影響更加嚴(yán)重[2]。此外，由于公交車速度較慢，車體較大，其駕駛行為與普通機(jī)動車差別很大[3]，因此非常有必要專門針對公交車的事故嚴(yán)重性進(jìn)行分析。

迄今為止，中外學(xué)者針對交叉口范圍內(nèi)機(jī)動車(私家車、貨車等)、非機(jī)動車和行人事故影響因素分析方面已進(jìn)行大量研究，并使用了多種計(jì)量經(jīng)濟(jì)模型來分析事故影響程度[3-8]。近年來，公交車安全性問題也開始引起研究者的關(guān)注。Sam等[3]研究發(fā)現(xiàn)處于周末和夜間、惡劣的道路地形、碰撞行人和酒后駕駛會導(dǎo)致更嚴(yán)重的公共汽車事故。林慶豐等[9]建立Logistic模型分析了人、車、路和環(huán)境等因素對公交車事故嚴(yán)重程度的影響，結(jié)果表明行駛狀態(tài)、道路類型、區(qū)域和時(shí)段、道路線形對事故嚴(yán)重程度具有顯著影響。在公交車車速方面，Nasri等[10]通過估算二元Logistic模型研究公交車事故嚴(yán)重程度相關(guān)的風(fēng)險(xiǎn)因素，得出事故嚴(yán)重程度與車速限制存在正相關(guān)。Prato等[11]使用丹麥公交車事故數(shù)據(jù)，通過廣義有序Logit模型分析影響公共汽車事故嚴(yán)重程度的因素，其中高車速與事故嚴(yán)重程度呈正相關(guān)。通常情況下，高車速會導(dǎo)致嚴(yán)重的交通事故，但也有一些情況結(jié)果與之相反。Kaplan等[12]研究駕駛員和碰撞對象的特征和行為、基礎(chǔ)設(shè)施特征和環(huán)境條件，發(fā)現(xiàn)低限速會導(dǎo)致嚴(yán)重程度增加。

綜上所述，學(xué)者們在涉及機(jī)動車(私家車、大貨車等)、非機(jī)動車和行人等事故分析方面取得很多成果，然而，專門針對公交車事故嚴(yán)重程度進(jìn)行分析的論文卻偏少，且較少研究事故當(dāng)事人僅公交車一方的事故。在涉及公交車車速影響方面的研究表明，大多數(shù)研究認(rèn)為公交車事故嚴(yán)重程度與高車速成正相關(guān)[10-11]，卻容易忽視在低速情況下也會發(fā)生嚴(yán)重事故[12]，所以將公交車低車速作為前提條件研究低速狀態(tài)下的公交車事故嚴(yán)重性影響因素的研究就較少。

因此，現(xiàn)以城市交叉口范圍內(nèi)發(fā)生正面碰撞且低速行駛≤30 mph(48 km/h)的公交車單車(事故僅涉及1輛車)為研究對象，分析影響公交車事故嚴(yán)重程度的影響因素。此外，將事故嚴(yán)重程度分為死亡、重傷和輕傷，存在一定的有序性，因此建立有序Logit模型研究相關(guān)因素對事故嚴(yán)重性的影響，具有實(shí)際意義，能為提高公交運(yùn)行的安全性提供依據(jù)，相關(guān)研究方法可為其他城市提供參考。

1 數(shù)據(jù)描述

1.1 數(shù)據(jù)來源

選取2014—2018年英國交通部公開的公交車交通事故數(shù)據(jù)，通過對原始數(shù)據(jù)進(jìn)行處理，剔除缺失值，篩選出1 093起發(fā)生在城市交叉口、公交車速度低于30 mph(48 km/h)且發(fā)生正面碰撞的單車事故(事故僅涉及1輛車)數(shù)據(jù)。

1.2 因變量

根據(jù)事故現(xiàn)場人員的傷亡情況、醫(yī)院傷殘鑒定和司法部門鑒定的損失說明，將事故嚴(yán)重程度將其分為死亡事故、重傷事故和輕傷事故三類[13]，并進(jìn)行編碼：y=1表示死亡，y=2表示重傷，y=3表示輕傷。在所有的1 093起事故中，發(fā)生死亡事故為45起(占4.12%)，重傷事故為290起(占26.53%)，輕傷事故為758起(占69.35%)。

1.3 自變量

交通事故是由駕駛?cè)?、車、道路和環(huán)境所組成的系統(tǒng)失衡導(dǎo)致的，選取自變量時(shí)需要考慮各方面的影響[14]，所以從公交車駕駛員特征、車輛特征、道路特征、環(huán)境特征和事故特征方面初步選取21個(gè)候選自變量參與研究分析。對于二分類的變量不需要進(jìn)行轉(zhuǎn)換，對于三分類及以上的自變量需要轉(zhuǎn)換為啞變量。變量的描述及編碼如表1所示。

表1 自變量的描述及取值Table 1 Description and value of independent variable

2 研究方法

2.1 有序Logit模型

(1)

(2)

(3)

式中：j為事故嚴(yán)重程度，j=1,2,3；τ∈{γ0,γ1,γ2,γ3}為事故嚴(yán)重程度的分界點(diǎn)集合，且γ0<γ1<γ2<γ3，γ0=-∞，γ3=+∞。

(4)

即

(5)

2.2 邊際效應(yīng)計(jì)算

由于變量的系數(shù)并不能直接解釋變量對結(jié)果選擇的影響，為進(jìn)一步解釋影響因素對事故嚴(yán)重程度等級的影響大小和方向，需計(jì)算自變量的邊際效應(yīng)[17]。邊際效應(yīng)是指在其他變量都取均值的情況下，某個(gè)變量取值增加一個(gè)單位對因變量取值概率產(chǎn)生的變化[5]，其計(jì)算公式為

ΔP(yi=j|xi)=P(yi=j|xi=1)-

P(yi=j|xi=0)

(6)

邊際效用值反映了自變量對事故傷害程度概率發(fā)生的變化。

3 模型計(jì)算結(jié)果及邊際效應(yīng)

回歸模型中并非所有解釋變量都對被解釋變量有顯著影響，為減小模型誤差，保證模型精度，需對解釋變量將進(jìn)行篩選，采用向后刪除變量法，即利用有序Logit模型，將選取的21個(gè)影響因素的所有自變量納入模型，對模型進(jìn)行參數(shù)估計(jì)并檢驗(yàn)變量的顯著性，選取90%作為置信水平，若變量的P<0.1，則為顯著變量，若變量的P>0.1，則表明該變量為不顯著變量，將其從模型中剔除。剔除變量的方法按照由大到小順序依次剔除不顯著變量，每次刪除不顯著變量后對模型進(jìn)行新的回歸擬合，重新檢驗(yàn)剩余變量的顯著性。重復(fù)上述步驟，直至所有剩余變量的P<0.1[18]。由于有序Logit模型前提條件是比例優(yōu)勢假設(shè)，本文將利用brant進(jìn)行平行線假設(shè)檢驗(yàn)，若P>0.05，表明通過平行線假設(shè)檢驗(yàn)，反之則不通過。為了更好研究自變量對事故嚴(yán)重程度的具體影響，還將計(jì)算各個(gè)顯著變量的邊際效應(yīng)，并進(jìn)行詳細(xì)分析。

3.1 模型檢驗(yàn)

3.1.1 平行性檢驗(yàn)

利用brant進(jìn)行平行線假設(shè)檢驗(yàn)，檢驗(yàn)得到P=0.106>0.05，表明符合平行線假設(shè)檢驗(yàn)，因此有序Logit模型可以應(yīng)用于事故數(shù)據(jù)分析。

3.1.2 擬合優(yōu)度檢驗(yàn)

如表2所示，根據(jù)模型擬合優(yōu)度檢驗(yàn)結(jié)果，發(fā)現(xiàn)Pearson的P>0.05，Deviance 檢驗(yàn)P>0.05，兩種檢驗(yàn)結(jié)果均表明模型較好地?cái)M合數(shù)據(jù)。

表2 模型擬合優(yōu)度檢驗(yàn)結(jié)果Table 2 Goodness of fit test

3.2 模型計(jì)算結(jié)果

通過上述的計(jì)算方法和流程，使用Stata16統(tǒng)計(jì)分析軟件建立有序Logit模型進(jìn)行極大似然估計(jì)。模型回歸結(jié)果如表3所示，女性駕駛員、中年駕駛員、減速停車、車輛行駛11～15 a、公交車位于交叉口下游出口處、車輛未離開車行道、工作日、路面濕滑冰凍、無信號控制、夜間無燈、警察在事故現(xiàn)場、事故發(fā)生在公交專用道、碰撞大樹以及碰撞信號燈柱、電線桿這14個(gè)顯著變量，均會顯著影響公交車事故嚴(yán)重程度。

表3 有序Logit模型的估計(jì)結(jié)果Table 3 Estimation results of ordered Logit model

3.3 邊際效應(yīng)

為了反映自變量對事故傷害程度概率發(fā)生的變化，利用Stata16軟件計(jì)算各自變量對事故嚴(yán)重程度的邊際效應(yīng)值，結(jié)果如表4所示。

4 事故影響因素分析

4.1 公交車駕駛員特征

從表4可以看出，男性駕駛員發(fā)生死亡和嚴(yán)重事故分別增加2.5%和10.7%，而女性駕駛員發(fā)生嚴(yán)重事故概率較低，這是因?yàn)槟行择{駛員駕駛車輛較為冒險(xiǎn)激進(jìn)，通常還有好斗心理，女性駕駛員相對而言比較謹(jǐn)慎小心。從年齡上看，中年公交車駕駛員發(fā)生死亡事故的可能性增加0.9%，發(fā)生重傷的概率增加3.6%，由于此年齡段駕駛員認(rèn)為自己駕駛經(jīng)驗(yàn)豐富，從而產(chǎn)生比較激進(jìn)的駕駛行為，同時(shí)隨著年齡的增長，身體各項(xiàng)功能不斷下降，反應(yīng)逐漸遲鈍，更容易發(fā)生嚴(yán)重事故。

4.2 車輛特征

從表4的邊際效應(yīng)可知，當(dāng)公交車進(jìn)行減速停車時(shí)，發(fā)生死亡或者重傷的概率分別降低0.03%、12.4%，不易發(fā)生嚴(yán)重的事故，受傷程度較輕?；赟am等[3]提出的車輛行駛速度與事故發(fā)生的風(fēng)險(xiǎn)及其嚴(yán)重程度相關(guān)，行駛速度越大，影響程度就越大的結(jié)論，本文分析結(jié)果與其一致，雖然公交車本身質(zhì)量大，但由于其在運(yùn)行過程中不斷地減速直至停車，速度越來越小，動能也在不斷降低，所以即使發(fā)生碰撞，公交車發(fā)生嚴(yán)重事故的概率也會降低。

表4 事故嚴(yán)重程度的邊際效應(yīng)和標(biāo)準(zhǔn)誤差Table 4 Marginal effects and standard errors for different accident severity levels

當(dāng)公交車行駛11～15 a時(shí)，發(fā)生死亡和嚴(yán)重事故的概率增加0.7%和2.9%，這是因?yàn)殡S著車輛使用時(shí)間的增加，公交車在各方面的性能及穩(wěn)定性在不斷降低，容易導(dǎo)致嚴(yán)重事故的發(fā)生。

當(dāng)公交車位于交叉口下游出口處(即距離交叉口20 m范圍內(nèi))時(shí)，死亡和重傷的概率增加1.8%和7.5%。公交車在上游經(jīng)歷排隊(duì)過程后，在駛出交叉口時(shí)會經(jīng)歷加速過程，此時(shí)速度已經(jīng)達(dá)到一定值，另一方面，在交叉口出口處會形成混合車流匯合點(diǎn)，有來自除公交車外的其他社會車輛的匯入，各種車輛行車存在穿插且隨機(jī)的現(xiàn)象，會增加公交車發(fā)生碰撞的可能性。

公交車在車道上發(fā)生死亡和嚴(yán)重事故的概率分別增加6%和25.1%，由于事故是單車事故，且在車道上發(fā)生，碰撞對象可能是隧道、橋梁等大型基礎(chǔ)設(shè)施，發(fā)生嚴(yán)重事故的可能性較大?；蛘吲鲎矊ο笫强苫顒拥膭游?，在車輛行駛過程中，往往會令駕駛員措手不及，大大增加嚴(yán)重事故發(fā)生的可能性。

4.3 環(huán)境特征

工作日相對于周末而言發(fā)生死亡和重傷的概率增加了1.1%和4.4%，人們由于工作或者上下學(xué)需要進(jìn)行必要的出行，出行量在早晚高峰會顯著增加，出行環(huán)境會復(fù)雜化，公交車發(fā)生嚴(yán)重事故的可能性增加。

公交車行駛于潮濕、冰凍的路面時(shí)，路面容易打滑，路面與輪胎摩擦力小，車輛制動性能下降，發(fā)生嚴(yán)重事故的概率比在干燥路面行駛發(fā)生事故的概率高。

當(dāng)事故發(fā)生在無信號控制交叉口的情況時(shí)，發(fā)生死亡和重傷的可能性減少0.3%和1.4%，與姜文龍等[19]研究結(jié)果一致，這是由于車輛進(jìn)入交叉口時(shí)，速度降低，且駕駛員行駛謹(jǐn)慎小心，降低嚴(yán)重事故發(fā)生的概率。

事故發(fā)生夜間無燈光的情況下，死亡和重傷事故的可能性均有所增加，白天和夜間有燈光的情況下不易發(fā)生重大事故，這與大部分研究結(jié)論(陳昭明等[20]、林慶豐等[21])一致，因?yàn)樵谛熊囘^程中駕駛員光線充足，行車視距良好。夜間無燈光增加事故嚴(yán)重性的結(jié)論與溫惠英等[22]提出夜間(無燈光)更容易發(fā)生死亡事故結(jié)論一致，原因是在夜間無燈光的條件下，駕駛者視距變短，反應(yīng)時(shí)間變長，無法及時(shí)采取正確的駕駛行為，增加死亡或重傷事故的發(fā)生可能性。

當(dāng)有警察在事故現(xiàn)場時(shí)，發(fā)生死亡和重傷事故的概率增加2.1%、8.9%，輕傷的概率降低11.1%。根據(jù)英國汽車駕駛協(xié)會描述，政府多年削減開支導(dǎo)致交警流失，從2010年開始，英國交警數(shù)量大幅度下降，所以即使有警察在事故現(xiàn)場，但由于數(shù)量很少，駕駛員產(chǎn)生僥幸心理，容易導(dǎo)致發(fā)生嚴(yán)重交通事故。

4.4 事故特征

從表4事故特征中可以看到，事故發(fā)生在公交專用道上導(dǎo)致死亡和嚴(yán)重事故的概率分別增加1.2%、4.9%，原因是雖然公交車擁有獨(dú)立路權(quán)車道，但仍是無法避免其他社會車輛頻繁換道至公交專用道上，從而會經(jīng)常與公交車產(chǎn)生交織，大大增加碰撞的可能性。

當(dāng)公交車正面撞上信號燈柱、電線桿時(shí)，容易發(fā)生輕傷事故，概率增加11.8%。當(dāng)車輛撞上大樹時(shí)，卻容易發(fā)生死亡或重傷事故，概率分別增加1.6%和6.9%。造成不同結(jié)果的原因是大樹相較于信號燈柱、電線桿彈性小，且直徑大，難以通過變形等吸收車輛與其碰撞產(chǎn)生的能量，難以保護(hù)駕駛員和乘客的安全，所以碰撞大樹的事故相對于碰撞信號燈柱、電線桿的事故更容易造成較嚴(yán)重的后果。

5 結(jié)論

以1 093起城市交叉口范圍內(nèi)低速公交車發(fā)生正面碰撞的單車事故為樣本，選取公交車駕駛員特征、車輛特征、道路特征、環(huán)境特征、碰撞特征的21個(gè)影響因素，建立有序Logit模型進(jìn)行分析，發(fā)現(xiàn)男性駕駛員、中年駕駛員、車輛行駛11～15 a、公交車位于交叉口下游出口處、車輛未離開車行道、工作日、路面濕滑冰凍、夜間無燈、警察在事故現(xiàn)場、事故發(fā)生在公交專用道以及碰撞大樹這些情況會增加公交車發(fā)生死亡和重傷事故的概率；公交車減速停車、處于無信號控制交叉口以及碰撞信號燈柱、電線桿等這些因素會降低公交車發(fā)生死亡和重傷事故的概率。

針對研究結(jié)果，為盡量減少公交車事故的發(fā)生，減少財(cái)產(chǎn)損失和降低社會影響，相關(guān)部門應(yīng)從多方面采取相對應(yīng)的措施。

(1)對駕駛員應(yīng)加強(qiáng)交通安全教育及宣傳，增強(qiáng)安全駕駛理念的認(rèn)知，同時(shí)需要增強(qiáng)駕駛員的路權(quán)意識，加強(qiáng)交通執(zhí)法，盡量減少社會車輛駛?cè)牍粚Ｓ玫?，減少社會車輛與公交車輛的交織。

(2)對公交車輛應(yīng)按時(shí)進(jìn)行安全及性能的檢查，嚴(yán)格查處不合格運(yùn)營車輛。

(3)在道路易發(fā)生事故的地方設(shè)置警示標(biāo)志，在車流復(fù)雜情況下安排交警有序指揮，引導(dǎo)車輛安全通過交叉口。

(4)保障道路基礎(chǔ)設(shè)施，在夜間照明不足的地方增設(shè)路燈保證良好的照明條件。

(5)在路面狀況不良的條件下制訂交通管制預(yù)案，采取有效措施增加地面的摩擦力。

研究由于選用的有序Logit模型存在等比例假設(shè)的固有缺陷，下一步可選用其他模型如廣義有序Logit模型或者部分優(yōu)勢比模型放寬此假設(shè)的約束。受限于事故數(shù)據(jù)采集的問題，對公交車駕駛員特征考慮的因素較少，例如駕駛員是否存在違章行為、違章行為類型、是否使用安全帶、駕駛年齡等，未來可對這些因素做進(jìn)一步的研究。