曹 瑞，戢曉峰，覃文文

(昆明理工大學(xué) 交通工程學(xué)院，云南 昆明 650504)

0 引言

隨著我國(guó)物流業(yè)的快速發(fā)展，公路貨運(yùn)作為物流體系的重要基礎(chǔ)，在綜合運(yùn)輸體系中發(fā)揮著越來(lái)越重要的作用。目前，公路貨物運(yùn)輸正朝著車輛大型化、重載化、專業(yè)化的方向發(fā)展，貨車保有量不斷增加。2018年，我國(guó)公路貨物運(yùn)輸總量達(dá)到395.69億t，貨物周轉(zhuǎn)量71 249.21億t km，分別占全方式貨物運(yùn)輸總量的78.15%和35.73%。隨著公路貨運(yùn)量與貨車保有量的持續(xù)增長(zhǎng)，各等級(jí)公路的貨車混入率也普遍提高。貨車在行駛過程中，由于車身體積大、實(shí)際載貨量高等自身因素影響，以及駕駛員、交通流量、天氣、道路幾何條件等外部因素的影響容易產(chǎn)生嚴(yán)重的交通事故。近年來(lái)，我國(guó)道路交通事故數(shù)仍然居高不下，其中貨車事故占比25%以上，貨車事故死亡人數(shù)約占道路交通事故死亡總數(shù)的39.6%。由此可見，貨車事故致死率高，有效的貨車事故整治已成為重大現(xiàn)實(shí)需求。

同時(shí)，受公路設(shè)計(jì)標(biāo)準(zhǔn)、地形地質(zhì)條件和建設(shè)資金的綜合限制，我國(guó)山區(qū)公路呈現(xiàn)路窄、彎多、坡陡、載貨汽車混入率高等特征，行車條件復(fù)雜，道路安全性能偏低，導(dǎo)致其交通事故頻發(fā)且事故嚴(yán)重程度較高。以云南省為例，全省80%的大宗貨物在公路上運(yùn)輸，而山區(qū)公路線形復(fù)雜、轉(zhuǎn)彎半徑小且頻率高，貨車引發(fā)交通事故的風(fēng)險(xiǎn)遠(yuǎn)高于其他公路。據(jù)統(tǒng)計(jì)，云南省山區(qū)公路的交通事故發(fā)生率占全部公路的15%以上，貨車參與的事故高達(dá)20%以上，且人員受傷事故(包含死亡)占比高達(dá)35%以上。因此，山區(qū)公路復(fù)雜的道路線形導(dǎo)致貨車事故致死致傷概率更大，迫切需要對(duì)山區(qū)公路貨車事故嚴(yán)重程度影響因素進(jìn)行分析。

目前，國(guó)內(nèi)外學(xué)者從駕駛員特性、車輛特性、行車環(huán)境、道路幾何條件和事故形態(tài)等方面，采用數(shù)理統(tǒng)計(jì)模型分析潛在的事故影響因素與貨車事故嚴(yán)重程度的定量關(guān)系，主要針對(duì)高速公路與城市快速路，對(duì)貨車事故嚴(yán)重程度致因進(jìn)行了分析。從駕駛員角度看，已有研究發(fā)現(xiàn)更嚴(yán)重的貨車事故與年輕人和老年人、無(wú)有效駕駛執(zhí)照駕駛、超速駕駛以及在酒精或毒品影響下的駕駛有關(guān)[1]。Hong等[2]以韓國(guó)高速公路事故數(shù)據(jù)為基礎(chǔ)，采用兩階段殘差包含估計(jì)方法(2SRI)分析了駕駛員違規(guī)行為與交通事故發(fā)生的內(nèi)生關(guān)系，發(fā)現(xiàn)酒后駕駛、嗜睡駕駛、中型或小型貨車會(huì)增加駕駛員違規(guī)行為的可能性，繼而增加事故風(fēng)險(xiǎn)。從車輛特性來(lái)看，有研究發(fā)現(xiàn)更嚴(yán)重的事故傷害與貨車載重、車速差異大有關(guān)。如胥川等[3]基于新澤西事故數(shù)據(jù)庫(kù)，采用Logit和Probit模型估計(jì)解釋變量對(duì)事故嚴(yán)重程度的影響，發(fā)現(xiàn)了事故嚴(yán)重程度和貨車重量的正相關(guān)關(guān)系。從環(huán)境角度來(lái)看，有研究顯示更嚴(yán)重的事故與惡劣天氣有關(guān)[4]，但在路面潮濕情況和照明條件方面的研究結(jié)果不一致。如Azimi等[5]采用隨機(jī)參數(shù)有序logit(RPOL)模型分析了駕駛員、車輛、道路和碰撞的各種屬性對(duì)佛羅里達(dá)州際公路貨車翻車事故嚴(yán)重程度的影響，發(fā)現(xiàn)干燥的路面條件與嚴(yán)重事故相關(guān)。從道路角度來(lái)看，部分研究關(guān)注于彎道路段，當(dāng)車道寬度更小，沒有中央隔離帶、縱坡坡度較大的道路條件下更易造成嚴(yán)重事故[6]。Taylor等[7]基于美國(guó)某高速公路事故數(shù)據(jù)，建立負(fù)二項(xiàng)式和有序logit貨車事故嚴(yán)重程度致因分析模型，發(fā)現(xiàn)低肩寬、上坡或下坡路段更容易造成嚴(yán)重事故。從事故形態(tài)角度來(lái)看，部分研究發(fā)現(xiàn)嚴(yán)重事故與側(cè)滑碰撞有關(guān)[8]，而撞固定物和追尾碰撞與輕微傷害事故相關(guān)[9-10]。還有研究關(guān)注了貨物類型、貨車配置、流量、空間依賴和物流公司特征等方面[11-13]。最近，已有學(xué)者開始關(guān)注于山區(qū)公路行車環(huán)境，探討貨車事故嚴(yán)重程度致因。如Wang等[14]以江西省和陜西省4條山區(qū)公路上的2 695起重型貨車事故數(shù)據(jù)為基礎(chǔ)，采用部分比例優(yōu)勢(shì)模型分析幾何特征、駕駛員、碰撞、卡車和環(huán)境特征對(duì)貨車事故嚴(yán)重程度的影響，發(fā)現(xiàn)異常駕駛行為、年輕駕駛員、坡度較大與更嚴(yán)重的事故后果有關(guān)。

綜上可知，現(xiàn)有研究在貨車事故嚴(yán)重程度致因分析中考慮了較多因素，然而對(duì)道路幾何特征及貨車類型的關(guān)注較少，且目前的道路線形指標(biāo)選取較為單一，未能充分考慮不同道路等級(jí)下不同線形組合對(duì)貨車事故嚴(yán)重程度的影響差異。因此，本研究聚焦車型和線形，基于云南省楚雄州典型山區(qū)公路(元雙公路元謀-牟定段)貨車(輕型、中型、重型)涉事事故數(shù)據(jù)，建立有序logit模型(OLM)，擬合道路線形組合、曲線半徑、外距、縱向坡度和豎曲線類型等道路幾何特征因素、駕駛員、碰撞、環(huán)境和車型等因素與貨車參與事故嚴(yán)重程度的函數(shù)關(guān)系。根據(jù)模型估計(jì)結(jié)果，辨識(shí)影響山區(qū)公路貨車事故嚴(yán)重程度的顯著因素，為山區(qū)公路貨車事故整治提供參考，對(duì)提升我國(guó)山區(qū)公路交通安全水平具有重要現(xiàn)實(shí)意義。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)收集與處理

本研究選取云南省楚雄州典型山區(qū)公路(元雙公路)K0+000-K87+422路段為研究對(duì)象。該路段全長(zhǎng)87.42 km，設(shè)計(jì)速度60 km/h，路基寬8.5 m，為雙向兩車道，共有159處彎道，平曲線最小半徑125 m，其中彎道半徑小于500 m的高達(dá)117個(gè)，彎道路段長(zhǎng)46.14 km，占研究路段總長(zhǎng)度的52.54%。聚焦山區(qū)公路貨車事故嚴(yán)重程度致因分析的研究目標(biāo)，本研究從交警與公路管理部門收集了2012—2017年共2 215起事故數(shù)據(jù)和道路線形數(shù)據(jù)。事故原始數(shù)據(jù)主要包含案情簡(jiǎn)要、事故發(fā)生時(shí)間、星期、樁號(hào)、天氣、路表、路面、事故形態(tài)、照明條件、涉事車輛、死亡人數(shù)、失蹤人數(shù)、受傷人數(shù)、直接財(cái)產(chǎn)損失等字段。道路線形數(shù)據(jù)由元雙公路牟定路段的豎曲表和直曲表構(gòu)成，主要包含變坡點(diǎn)、豎曲線類型、坡度、坡長(zhǎng)、豎曲線長(zhǎng)、直線坡長(zhǎng)、交點(diǎn)樁號(hào)、轉(zhuǎn)角值、曲線半徑、曲線長(zhǎng)度、緩和曲線長(zhǎng)度、切線長(zhǎng)度、外距、曲線位置等字段。原始數(shù)據(jù)為人工收集的全事故數(shù)據(jù)，存在信息記錄不全、有誤等現(xiàn)象，因此需要對(duì)數(shù)據(jù)進(jìn)行處理，提取貨車參與事故數(shù)據(jù)，剔除無(wú)效信息，最終形成山區(qū)貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫(kù)。

山區(qū)公路上行駛的車輛有客車、貨車、摩托車、自行車、微耕機(jī)、拖拉機(jī)、電動(dòng)車、三輪車、裝載機(jī)等，從元雙二級(jí)公路2012—2017年2 215起事故數(shù)據(jù)中可知，單一車輛涉事事故較少，約占20%。本研究將涉事車輛包含貨車(輕型、中型、重型)的所有事故作為貨車事故研究的原始數(shù)據(jù)集。然后對(duì)原始數(shù)據(jù)集進(jìn)行分析處理，最大限度提取出可用字段，再結(jié)合豎曲表和直曲表提取事故路段的道路線形數(shù)據(jù)，形成貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫(kù)，為下一步選取模型變量做準(zhǔn)備。

1.2 變量選取

1.2.1 因變量選取

交通事故嚴(yán)重程度根據(jù)每起事故的傷亡程度及財(cái)產(chǎn)損失進(jìn)行劃分，2004年公安部發(fā)布《交通事故統(tǒng)計(jì)暫行規(guī)定》，將交通事故嚴(yán)重程度劃分為死亡事故、重傷或輕傷事故和財(cái)產(chǎn)損失事故3個(gè)等級(jí)。本研究參照公安部規(guī)定，結(jié)合以往相關(guān)研究及實(shí)地調(diào)查的交通事故數(shù)據(jù)，將事故嚴(yán)重程度劃分為財(cái)產(chǎn)損失事故、輕微事故、嚴(yán)重事故3類。具體見表1。

表1 山區(qū)公路貨車事故嚴(yán)重程度劃分標(biāo)準(zhǔn)

1.2.2 自變量選取

貨車事故的發(fā)生是人-車-路-環(huán)境等各方面因素作用的結(jié)果，本研究在分析國(guó)內(nèi)外現(xiàn)有研究基礎(chǔ)上，綜合考慮山區(qū)公路線形特征，以貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫(kù)為基礎(chǔ)，最終選取了駕駛員年齡、事故發(fā)生時(shí)間、天氣、貨車類型、事故形態(tài)、道路線形等13個(gè)候選自變量來(lái)構(gòu)建山區(qū)公路貨車事故嚴(yán)重程度影響因素分析模型。自變量的定義及描述性統(tǒng)計(jì)特性見表2。

表2 自變量劃分標(biāo)準(zhǔn)

13個(gè)候選自變量中，有6個(gè)連續(xù)變量，2個(gè)二分類變量和5個(gè)多分類變量。對(duì)于多分類變量需要設(shè)置虛擬變量，若變量含有n(n≥3)個(gè)類別，模型中引入n-1個(gè)虛擬變量。如TRT分為輕型、中型和重型3類，以輕型為參考類，則引入TRT1和TRT2兩個(gè)虛擬變量，見表3。

表3 虛擬變量貨車類型分類編碼

2 研究方法

2.1 模型構(gòu)建

目前離散選擇模型被廣泛應(yīng)用于貨車事故的分析與預(yù)測(cè)研究中，且事故嚴(yán)重程度存在有序特性，其與影響因素并非只是簡(jiǎn)單的非線性關(guān)系，傳統(tǒng)的多項(xiàng)logistic不能準(zhǔn)確獲取事故嚴(yán)重程度與變量之間的關(guān)系。因此，本研究采用有序logit模型(OLM)進(jìn)行山區(qū)公路貨車事故嚴(yán)重程度致因分析，然后對(duì)顯著變量進(jìn)行邊際效應(yīng)估計(jì)，從而更好地反映顯著自變量對(duì)事故嚴(yán)重程度的影響方向和強(qiáng)弱程度。

2.1.1 有序logit模型

有序logit模型主要用于處理因變量為有序的多分類結(jié)果，屬于二項(xiàng)logit模型的擴(kuò)展[15]。OLM可表示為：

(1)

式中，P(*)為特定事故嚴(yán)重程度等級(jí)的發(fā)生概率；Yi為第i(i=1,2,…)起事故的受傷嚴(yán)重程度等級(jí)；j為事故嚴(yán)重程度等級(jí)(j=1,2,…,M)；X為自變量組成的集合；β為X的系數(shù)；αj為第j等級(jí)的常數(shù)項(xiàng)。由于本研究將事故嚴(yán)重程度分為3類，因此OLM模型為：

(2)

P(Y=2|X)=P(Y≤2|X)-P(Y≤1|X)，

(3)

P(Y=3|X)=1-P(Y≤2|X)。

(4)

2.1.2 邊際效應(yīng)估計(jì)

為進(jìn)一步反映顯著自變量對(duì)事故嚴(yán)重程度的影響方向和強(qiáng)弱程度，需計(jì)算各個(gè)自變量的邊際效應(yīng)值。分兩種情況來(lái)計(jì)算：當(dāng)自變量為二分類變量時(shí)，可直接計(jì)算該變量的邊際效應(yīng)值[16]如式(5)所示；當(dāng)自變量為多分類變量時(shí)，由于變量可微，故采取彈性分析計(jì)算邊際效應(yīng)值[17]如式(6)所示。

(5)

(6)

2.2 模型檢驗(yàn)

2.2.1 共線性假設(shè)檢驗(yàn)

OLM前提條件要求自變量之間無(wú)多重共線性，即若自變量間存在著較強(qiáng)相關(guān)性時(shí)，通常情況下認(rèn)為此模型違背了基本假設(shè)。本研究采取相關(guān)性分析法和方差膨脹因子法綜合診斷自變量間的共線性[18]。方差膨脹因子法通過計(jì)算方差膨脹系數(shù)(Variance Inflation Factor，VIF)衡量多元線性回歸模型中共線性問題，一般建議若方差膨脹因子(VIF)大于等于10，則表明有多重共線性存在，在進(jìn)行模型運(yùn)算前應(yīng)將不滿足該假設(shè)的自變量剔除。

2.2.2 比例優(yōu)勢(shì)假設(shè)檢驗(yàn)

OLM需要進(jìn)行比例優(yōu)勢(shì)假設(shè)檢驗(yàn)(又稱平行線假設(shè)檢驗(yàn))，否則模型的參數(shù)估計(jì)誤差太大，導(dǎo)致模型信度及效度缺乏。平行線假設(shè)檢驗(yàn)的Wald檢驗(yàn)由Brant(1990)提出，因此又稱Brant檢驗(yàn)[19]。

2.2.3 擬合優(yōu)度檢驗(yàn)

(1)似然比檢驗(yàn)

本研究用似然比指數(shù)表征似然比檢驗(yàn)結(jié)果，即比較僅包含常量項(xiàng)的模型與包含所有解釋變量的模型之間似然值的相對(duì)大小，分別記為L(zhǎng)(Mintercept)和L(Mfull)，模型的參數(shù)個(gè)數(shù)為K，其計(jì)算公式如式(7)所示，R2越接近0，表示模型擬合程度越高。

(7)

(2)信息準(zhǔn)則指標(biāo)

信息準(zhǔn)則指標(biāo)包含赤池信息量準(zhǔn)則(Akaike Information Criterion,AIC)和貝葉斯信息準(zhǔn)則(Bayesian Information Criterion,BIC)，二者均是基于熵的概念，衡量模型的復(fù)雜度和模型擬合數(shù)據(jù)的優(yōu)度。計(jì)算方法為：

AIC=2k-2ln(L)，

(8)

(9)

式中，k為模型中自由參數(shù)的數(shù)量；L為似然值。AIC和BIC值越小，模型對(duì)數(shù)據(jù)擬合程度越佳。

3 模型結(jié)果

3.1 模型演化分析

基于貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫(kù)，首先進(jìn)行共線性假設(shè)檢驗(yàn)，最終剔除RDA，F(xiàn)CS和LSL3個(gè)變量，剩余變量VIF<10均滿足要求。運(yùn)用stata15.0進(jìn)行回歸，取顯著性水平為0.100，使用向后剔除變量法，篩選出顯著變量，模型演化結(jié)果如表4所示。

表4 OLM模型演化

續(xù)表4

由表4可以發(fā)現(xiàn)，模型M-1到模型M-3演化過程中，AIC和BIC不斷下降，說(shuō)明模型在不斷優(yōu)化。對(duì)最終模型M-3進(jìn)行似然比檢驗(yàn)，模型的似然比指數(shù)Pseudo-R2為0.028 8，再結(jié)合其赤池信息量準(zhǔn)則AIC和貝葉斯信息準(zhǔn)則BIC分別為465.641和491.820，表明模型的擬合效果較好。采用Brant檢驗(yàn)判定最終模型M-3中5個(gè)顯著自變量是否均滿足比例優(yōu)勢(shì)假設(shè)，結(jié)果見表5。

表5 比例優(yōu)勢(shì)假設(shè)的Brant檢驗(yàn)

由表5可知，所有顯著自變量的得分檢驗(yàn)χ2為9.042，自由度為5，p值為0.107，表明比例優(yōu)勢(shì)假設(shè)成立。同時(shí)，單個(gè)自變量的p值均大于0.05，表明在95%置信水平，5個(gè)自變量都滿足比例優(yōu)勢(shì)假設(shè)檢驗(yàn)。對(duì)5個(gè)顯著自變量進(jìn)行邊際效應(yīng)估計(jì)，結(jié)果見表6。

表6 顯著自變量對(duì)因變量的邊際效應(yīng)

從表4和表6可以發(fā)現(xiàn)，DA，LSD，TRT(中型)，AF(追尾碰撞)和VCT(凹)這5個(gè)自變量與山區(qū)公路貨車事故嚴(yán)重程度顯著相關(guān)。各顯著自變量對(duì)事故嚴(yán)重程度的影響大小依次排序?yàn)門RT，VCT，AF，LSD，DA。

3.2 影響因素分析

3.2.1 道路線形特征

本研究選取道路線形組合(RDA)，平曲線曲率(CFC)，平曲線長(zhǎng)度(LFC)，平曲線外距(FCS)，豎曲線類型(VCT)，縱坡坡度(LSD)，縱坡坡長(zhǎng)(LSL)7個(gè)道路特征變量探討其對(duì)貨車事故嚴(yán)重程度的影響機(jī)理，通過回歸模型最終識(shí)別出豎曲線類型和縱坡坡度2個(gè)顯著變量。其中，縱坡坡度的回歸系數(shù)為0.107，OR值為1.094，表明坡度越大，貨車事故嚴(yán)重程度越高。從邊際效應(yīng)估計(jì)結(jié)果可知，縱坡坡度與受傷事故顯著相關(guān)，坡度增加一個(gè)單位，貨車參與事故的人員受傷概率將增加0.5%，死亡概率將增加0.07%。研究結(jié)果與現(xiàn)有研究保持一致，部分研究表明當(dāng)縱坡坡度大于3%時(shí)，事故死亡概率將大幅增加[14]。坡度大的路段會(huì)導(dǎo)致駕駛員的視線受阻，同時(shí)陡坡將導(dǎo)致重載貨車等車輛的爬坡困難以及下坡時(shí)的速度上升，這些因素都會(huì)導(dǎo)致陡坡路段貨車行車安全性的降低。凹型豎曲線的回歸系數(shù)為-0.534，OR值為0.667，表明凹型豎曲線發(fā)生惡性事故的概率低于平面豎曲線和凸型豎曲線。從邊際效應(yīng)估計(jì)結(jié)果可知，凹型豎曲線與財(cái)產(chǎn)損失事故概率的增加(8.8%)和受傷事故概率的適度降低顯著相關(guān)(-7.8%)。

3.2.2 貨車類型特征

事故涉及貨車類型(TRT)標(biāo)記為此事故中涉及的最重貨車類型(輕型、中型、重型)。比如，一起事故中同時(shí)涉及中型和重型貨車，則這起事故的涉及貨車類型為重型貨車。311起貨車事故數(shù)據(jù)中，被標(biāo)記為涉及重型貨車的事故共126起，被標(biāo)記為涉及中型貨車的事故共24起，被標(biāo)記為涉及輕型貨車的事故共161起，分別占比40.5%，7.7%，51.8%。最終模型并未識(shí)別出輕型或重型貨車對(duì)事故嚴(yán)重程度的影響，研究結(jié)果顯示，中型貨車與財(cái)產(chǎn)損失事故概率的增加(20.5%)和受傷事故概率的降低高度相關(guān)(-18.6%)。

3.2.3 其他特征

一般而言，回歸模型應(yīng)盡可能控制性別、年齡、歸屬地等駕駛員特征相關(guān)的因素，然而由于采集到的原始數(shù)據(jù)能提取到的有效變量?jī)H為年齡變量，因此模型最終選取年齡變量進(jìn)行回歸分析。最優(yōu)模型中年齡的回歸系數(shù)為0.027，OR值為1.027，表明年輕貨車司機(jī)(20～61歲)不易造成嚴(yán)重事故。研究結(jié)果與現(xiàn)有部分研究不一致，可能是因?yàn)槲纯紤]駕駛員不當(dāng)操作、疲勞駕駛等行為的影響。追尾碰撞事故形態(tài)的回歸系數(shù)為-0.404，OR值為0.668，表明相同條件下，追尾碰撞的事故嚴(yán)重程度低于其他事故形態(tài)。從邊際效應(yīng)估計(jì)結(jié)果可知，追尾碰撞與財(cái)產(chǎn)損失事故概率的增加(9.1%)和受傷事故概率的適度降低顯著相關(guān)(-8.0%)。換言之，與現(xiàn)有研究保持一致的結(jié)論是追尾碰撞不太可能導(dǎo)致人員嚴(yán)重受傷，因?yàn)樽肺才鲎仓饕斐绍囕v結(jié)構(gòu)損傷[10]。

4 結(jié)論

(1)以貨車事故嚴(yán)重程度為因變量，將其分為僅財(cái)產(chǎn)損失、輕傷、重傷或死亡事故3個(gè)等級(jí)，從人、車、路、環(huán)境、事故形態(tài)5個(gè)方面，結(jié)合山區(qū)雙車道公路特點(diǎn)，選取13個(gè)候選自變量建立了山區(qū)公路貨車事故嚴(yán)重程度分析模型。

(2)與山區(qū)公路貨車事故嚴(yán)重程度顯著相關(guān)的5個(gè)自變量分別為貨車類型(中型)、豎曲線類型(凹)、事故形態(tài)(追尾碰撞)、縱坡坡度、駕駛員年齡，且5個(gè)顯著自變量均滿足比例優(yōu)勢(shì)假設(shè)。值得關(guān)注的是，本研究發(fā)現(xiàn)了山區(qū)道路線形特征、貨車類型對(duì)貨車事故受傷率和財(cái)產(chǎn)損失率的影響效應(yīng)。縱坡坡度與貨車事故嚴(yán)重程度的正向變動(dòng)效應(yīng)說(shuō)明貨車事故整治應(yīng)重點(diǎn)關(guān)注坡度較陡路段。研究結(jié)果表明，凹型豎曲線、中型貨車類型與財(cái)產(chǎn)損失事故概率的增加和受傷事故概率的適度降低顯著相關(guān)。

(3)分析結(jié)果從道路、駕駛員、車輛等角度對(duì)山區(qū)公路貨車事故整治提供了參考。從道路角度看，交通管理部門應(yīng)對(duì)山區(qū)公路凹形豎曲線、陡坡等安全隱患路段進(jìn)行重點(diǎn)排查，加強(qiáng)對(duì)此類路段的交通安全監(jiān)測(cè)預(yù)警。從駕駛員角度看，針對(duì)不同年齡段的貨車駕駛員采取差異化措施(提醒駕駛員謹(jǐn)慎駕駛、減少跟馳、超車等)干涉其駕駛行為。從車輛角度看，應(yīng)重點(diǎn)關(guān)注中型貨車，及時(shí)布控、攔截、查處該類車輛的超載超速等違法行為。

(4)由于數(shù)據(jù)樣本容量有限及人工統(tǒng)計(jì)數(shù)據(jù)等方面的局限性，模型中未能充分體現(xiàn)山區(qū)公路環(huán)境對(duì)貨車事故嚴(yán)重程度的影響。因此，獲取更精確的山區(qū)公路環(huán)境、交通流狀況等數(shù)據(jù)，并結(jié)合地理空間技術(shù)、仿真技術(shù)對(duì)貨車事故影響機(jī)理進(jìn)行深入分析將是下一步研究的重點(diǎn)。