胡宗品，駱仁佳，于淑君

(合肥工業(yè)大學(xué) 汽車與交通工程學(xué)院，合肥 230009)

城市作為人流、物流、車流的匯聚中心，交通主體密集多樣、交通環(huán)境復(fù)雜多變、交通沖突高度集中[1]。伴隨著近年來中國城鎮(zhèn)化的快速發(fā)展，城市道路交通事故死亡人數(shù)逐年上升，年均增長(zhǎng)率高達(dá)5.6%，上升比例高于戶籍人口的城鎮(zhèn)化率，一定程度上反映了城市道路交通安全風(fēng)險(xiǎn)的增大趨勢(shì)[2]。城市道路交通事故頻發(fā)，嚴(yán)重威脅著人們的生命財(cái)產(chǎn)安全[3]，因此，有必要對(duì)城市死亡交通事故開展針對(duì)性研究，以提升城市道路交通安全。

研究表明，不同形態(tài)交通事故的發(fā)生機(jī)理和影響因素具有顯著差別，識(shí)別風(fēng)險(xiǎn)因素對(duì)事故的影響有利于深入理解不同形態(tài)事故的發(fā)生機(jī)制[4]。Chen等[5]通過分別構(gòu)建二項(xiàng)和多項(xiàng)Logit模型，分析道路、車輛等因素對(duì)中國特大道路交通事故形態(tài)的影響；Christoforou等[6]基于高速公路實(shí)時(shí)交通數(shù)據(jù)，采用多項(xiàng)Probit模型分析天氣、能見度、時(shí)間等因素對(duì)交通事故形態(tài)的影響；Ghazizadeh等[7]通過多項(xiàng)Logit模型，對(duì)駕駛員分心行為下的交通事故形態(tài)進(jìn)行預(yù)測(cè)；Polders等[8]基于多項(xiàng)Logit模型，分析交叉口位置與事故形態(tài)的關(guān)系。相較于多項(xiàng)Probit模型，多項(xiàng)Logit因計(jì)算簡(jiǎn)單，在交通事故形態(tài)影響因素分析中得到廣泛應(yīng)用。然而，由于多項(xiàng)Logit存在無關(guān)選擇獨(dú)立性假設(shè)(IIA)限制，這種假設(shè)不同事故形態(tài)間干擾相互獨(dú)立的情形在真實(shí)情況下并非總是存在[9]。為降低IIA的限制，Ardakani等[10]基于嵌套Logit模型分析不同分心行為對(duì)事故形態(tài)的影響。嵌套Logit模型的本質(zhì)是將多層Logit模型嵌套在一起，一定程度上克服了IIA的限制[11]，通常比多項(xiàng)Logit模型具有更好的擬合優(yōu)度[12]。

然而，由于個(gè)人偏好的差異，即使在相同或相似的情況下，不同駕駛員也可能導(dǎo)致不同類型的交通事故，即事故數(shù)據(jù)的異質(zhì)性[13]。上述多項(xiàng)Logit、Probit和嵌套Logit模型參數(shù)均為固定值，難以反映交通事故數(shù)據(jù)的異質(zhì)性[14]。忽略這種未觀測(cè)到的異質(zhì)性，常導(dǎo)致有偏差的參數(shù)估計(jì)和錯(cuò)誤的交通安全推論[15-16]。研究表明，在模型中考慮未觀察到的異質(zhì)性可以使模型在統(tǒng)計(jì)學(xué)上更為優(yōu)越[17-18]。在考慮未觀察到異質(zhì)性的各種離散選擇模型[19-20]中(隨機(jī)效應(yīng)Logit、混合Logit、潛在類Logit等模型)，混合Logit模型通過允許變量的影響在個(gè)體間變化，既完全克服了IIA假設(shè)的限制，又能夠刻畫參數(shù)效應(yīng)中未觀測(cè)到的異質(zhì)性，在以往交通事故嚴(yán)重度影響因素分析中得到廣泛應(yīng)用，并取得良好效果[21-22]。然而，基于混合Logit模型探討事故形態(tài)影響因素分析的研究仍較為匱乏。

綜上，離散選擇模型雖已被廣泛應(yīng)用于交通事故形態(tài)的影響因素分析，但現(xiàn)有研究多采用固定參數(shù)離散選擇模型，無法反映參數(shù)效應(yīng)中未觀測(cè)到的異質(zhì)性影響。文中以深圳市2014—2016年死亡交通事故數(shù)據(jù)為例，創(chuàng)新性地采用能夠刻畫數(shù)據(jù)異質(zhì)性的混合Logit模型，并基于彈性分析，討論各影響因素對(duì)交通事故形態(tài)概率的影響。研究結(jié)果有利于深入理解城市死亡交通事故中不同事故形態(tài)的發(fā)生機(jī)理，為提升城市交通安全提供參考依據(jù)。

1 數(shù)據(jù)采集和變量選取

深圳市死亡交通事故數(shù)據(jù)由道路交通安全研究信息共享平臺(tái)提供。因事故數(shù)據(jù)中包含深圳市2014—2016年各種事故嚴(yán)重度的道路交通事故，為提取死亡交通事故數(shù)據(jù)，首先，依據(jù)事故編號(hào)從原始數(shù)據(jù)中篩選出至少1人死亡的交通事故。其次，依據(jù)事故責(zé)任認(rèn)定，提取交通事故責(zé)任駕駛?cè)说娜藛T和車輛信息，當(dāng)機(jī)動(dòng)車與非機(jī)動(dòng)車承擔(dān)同等責(zé)任時(shí)，將機(jī)動(dòng)車駕駛員作作為事故責(zé)任人。再次，根據(jù)事故編號(hào)提取交通事故發(fā)生地的道路和環(huán)境信息。最后，根據(jù)事故發(fā)生時(shí)間，得到可能影響事故形態(tài)的時(shí)間特征。

剔除部分?jǐn)?shù)據(jù)不全的事故案例，得到1 110起死亡事故數(shù)據(jù)。交通事故形態(tài)是指事故發(fā)生的具體情形，由現(xiàn)場(chǎng)勘查確定，通常被劃分為車輛間事故、車輛與行人事故和單車事故三類。常見的車輛間事故包含正碰、側(cè)碰、追尾等形式，車輛與行人事故多為刮撞行人或碾壓行人，單車事故則多為側(cè)翻、墜車、失火、撞擊固定物等形式。從事故責(zé)任駕駛員、車輛、道路、環(huán)境、時(shí)間5類特征中選取了18個(gè)潛在影響事故形態(tài)的自變量，其中車輛類型是指事故責(zé)任駕駛?cè)说慕煌ǚ绞?，具體可分為載貨汽車、載客汽車和摩托車。變量分類如表1所示。

表1 自變量分類

2 混合Logit模型的構(gòu)建

混合Logit模型是多項(xiàng)Logit模型的拓展，兩模型都是基于效用最大化原則推導(dǎo)出來的離散選擇模型。在多項(xiàng)Logit模型中，變量系數(shù)為固定值，對(duì)于一起特定的交通事故n，其事故形態(tài)為i的效用函數(shù)可表示為[23]

Uin=βinxin+εin

(1)

式中：βin為當(dāng)事故n的事故形態(tài)為i時(shí)參數(shù)向量，xin為當(dāng)事故n的事故形態(tài)為i時(shí)自變量向量，εin為服從1型極值分布的隨機(jī)誤差。

基于效用最大化原則，對(duì)于交通事故n，其事故形態(tài)為i的概率Pn(i)可表示為[24]

(2)

不同于多項(xiàng)logit模型，在混合logit模型中，βi可被設(shè)定為服從某種概率分布的隨機(jī)參數(shù)，隨機(jī)參數(shù)的概率密度函數(shù)為f(βi|φ)，其中φ為密度函數(shù)的參數(shù)向量(包含均值和方差)。此時(shí)，對(duì)于混合Logit模型，事故n的事故形態(tài)為i的概率Pn(i|φ)可表示為[25]

(3)

混合Logit模型的回歸系數(shù)值雖然可以定性描述顯著因素對(duì)交通事故形態(tài)概率的影響，但并不能定量描述各因素對(duì)事故形態(tài)概率的影響[26]，為解決這一問題，引入彈性分析作為邊際效應(yīng)的評(píng)價(jià)和量化指標(biāo)。由于所有自變量均已轉(zhuǎn)換為0/1形式的指示變量，因此，以偽彈性值作為彈性分析的量化指標(biāo)，通過偽彈性值來量化自變量對(duì)事故形態(tài)概率的影響。偽彈性值是當(dāng)指示變量從0變?yōu)?時(shí)，事故形態(tài)概率變化的百分比，偽彈性值算式為

(4)

3 混合Logit模型的估計(jì)結(jié)果

基于深圳市2014—2016年死亡道路交通事故數(shù)據(jù)，采用最大似然估計(jì)法對(duì)混合Logit模型參數(shù)進(jìn)行估計(jì)。在90%置信水平下，采用逐步回歸法對(duì)混合Logit模型的參數(shù)進(jìn)行篩選，應(yīng)用軟件為SAS 9.4。最初隨機(jī)化所有參數(shù)，檢查參數(shù)的統(tǒng)計(jì)學(xué)顯著性，當(dāng)參數(shù)均值和方差的檢驗(yàn)p值均小于0.1時(shí)，認(rèn)定該參數(shù)為隨機(jī)參數(shù)；否則，設(shè)該參數(shù)為固定參數(shù)繼續(xù)檢驗(yàn)?；旌蟣ogit模型的參數(shù)估計(jì)結(jié)果如表2所示。

表2 混合Logit模型的參數(shù)估計(jì)結(jié)果

由表2可知，混合logit模型的McFadden值大于0.2，表明模型擬合優(yōu)度良好。為分析顯著因素對(duì)事故形態(tài)概率的影響，基于表2混合Logit模型的參數(shù)估計(jì)結(jié)果，計(jì)算顯著因素的偽彈性值，從而以偽彈性值作為自變量對(duì)事故形態(tài)概率影響的邊際效應(yīng)。顯著影響因素的偽彈性值如表3所示。

表3 顯著影響因素的偽彈性值

4 深圳市死亡交通事故形態(tài)影響因素分析

由表2可知，駕駛員年齡、車輛類型、道路有無隔離、路面是否干燥、是否道路交叉口、道路線形、照明條件、能見度、事故發(fā)生時(shí)間9個(gè)因素與交通事故形態(tài)顯著相關(guān)。其中，能見度>200 m為服從正態(tài)分布的隨機(jī)參數(shù)，表明由于未觀察到異質(zhì)性的影響，該參數(shù)對(duì)事故形態(tài)的影響在事故個(gè)體間存在差異。為定量描述各因素對(duì)事故形態(tài)概率的影響，以下結(jié)合表3，分析各因素對(duì)深圳市死亡交通事故形態(tài)的影響。

4.1 駕駛員特性分析

如表3所示，駕駛員特性方面，相較于25歲以下的年輕駕駛員，25～45歲駕駛員發(fā)生單車事故概率降低至63.51%。相較于25歲以下的年輕駕駛員，25～45歲駕駛員的駕駛經(jīng)驗(yàn)更為豐富，能夠?qū)Φ缆飞系耐话l(fā)情況做出快速反應(yīng)，從而降低單車死亡事故概率。

4.2 車輛特性分析

車輛特性方面，車輛類型是事故形態(tài)的顯著影響因素。相對(duì)于載貨汽車，載客汽車發(fā)生車輛與行人事故、單車事故的概率均增加44.18%。潛在原因?yàn)椋荷钲谑胁糠謪^(qū)域?qū)d貨汽車實(shí)行限時(shí)駛?cè)?，從而降低了車輛與行人事故和單車事故的概率。此外，載客汽車的部分駕駛員由于駕駛經(jīng)驗(yàn)和技能欠缺，易因誤操作導(dǎo)致車輛與行人事故、單車事故的發(fā)生。

與載貨汽車相比，當(dāng)駕駛員駕駛摩托車時(shí)，發(fā)生單車事故的概率增加了994.03%。相對(duì)于載貨車輛，摩托車缺少對(duì)駕駛員應(yīng)有的保護(hù)，易導(dǎo)致單車死亡事故的發(fā)生。此外，摩托車駕駛員也更易表現(xiàn)出高風(fēng)險(xiǎn)的駕駛行為(如超速、飲酒等)，從而導(dǎo)致摩托車單車死亡交通事故頻發(fā)[27]。

4.3 道路特性分析

道路特性方面，道路有無隔離、路面是否干燥、是否為道路交叉口、道路線型等也與深圳市死亡交通事故形態(tài)顯著相關(guān)。相較于有隔離道路，無隔離道路發(fā)生車輛與行人事故、單車事故的概率分別增加59.89%。潛在原因?yàn)椋簾o隔離的道路往往道路等級(jí)更低、行駛條件較差，從而增加了車輛與行人事故和單車事故的概率。通過限速、完善道路隔離等措施，可有效改善無隔離道路的交通安全狀況。

相對(duì)于干燥路面，非干燥路面下單車事故的概率增加30.29%。非干燥路面下，車輛速度雖然有所下降，但車輛制動(dòng)性能顯著降低，總體上仍會(huì)增加側(cè)滑、駛出道路等單車死亡事故概率。

與道路交叉口相比，路段發(fā)生單車事故的概率增加536.51%。潛在原因是：與道路交叉口不同，路段車速更大，且常伴隨彎、坡等道路線型，易誘發(fā)側(cè)翻、撞擊固定物等單車死亡事故的發(fā)生。同理，相對(duì)于平直道路，非平直道路下單車事故的概率也增加了124.46%。

4.4 環(huán)境特性分析

在環(huán)境特征中，照明條件、能見度為死亡交通事故形態(tài)的顯著影響因素。相對(duì)于夜間無路燈，白天和夜間有路燈都有利于降低車輛與行人事故的概率。在白天或夜間有路燈的良好照明條件下，車輛和行人更容易發(fā)現(xiàn)彼此，共同采取積極的預(yù)防措施，從而降低車輛與行人死亡交通事故的概率。

如表2所示，能見度200 m以上為服從正態(tài)分布的隨機(jī)參數(shù)，均值為-1.004 7，標(biāo)準(zhǔn)差為1.449 8。由正態(tài)分布曲線的積分可知，在200 m以上能見度條件下，68.44%的駕駛員會(huì)降低單車事故概率，31.56%的駕駛員反而會(huì)增加單車事故概率。由此說明，能見度200 m以上對(duì)不同駕駛員的影響存在顯著差異。潛在原因?yàn)椋毫己玫哪芤姸葪l件有利于駕駛員更早地感知道路上的危險(xiǎn)信息，并能夠獲得足夠的反應(yīng)時(shí)間，從而避免單車死亡事故的發(fā)生。然而，良好的能見度也易使部分駕駛員產(chǎn)生分心、超速等危險(xiǎn)駕駛行為，反而增加了單車死亡事故的概率。

4.5 時(shí)間特性分析

時(shí)間特性分析方面，相對(duì)于00：00—08：00，08：00—16：00單車死亡事故概率降低92.78%，16：00—24：00單車事故概率降低93.36%，間接表明，00：00—08：00是單車死亡交通事故的高發(fā)時(shí)段?？紤]到深圳市較為年輕的年齡結(jié)構(gòu)，普遍存在夜間加班、晚睡的特點(diǎn)，而00：00—08：00與疲勞駕駛高發(fā)時(shí)段高度重合，所以，駕駛員可能處于疲勞駕駛狀態(tài)，導(dǎo)致單車死亡交通事故的發(fā)生[28]。

5 結(jié)論

文中基于深圳市2014—2016年的死亡交通事故數(shù)據(jù)，將死亡交通事故劃分為車輛間、車輛與行人、單車三類事故形態(tài)，建立了能夠反映數(shù)據(jù)異質(zhì)性的混合Logit模型，并引用彈性分析理論定量討論顯著影響因素對(duì)城市死亡交通事故形態(tài)產(chǎn)生的影響。結(jié)果表明駕駛員年齡、車輛類型、道路有無隔離、路面是否干燥、是否為道路交叉口、道路線型、照明條件、能見度及事故發(fā)生時(shí)間都與城市死亡交通事故發(fā)生顯著相關(guān)。其中，能見度200 m以上為服從正態(tài)分布的隨機(jī)參數(shù)，即在200 m以上能見度條件下，68.44%的駕駛員傾向于降低單車事故概率，而31.56%的駕駛員反而增加單車事故的概率，由此表明，能見度200 m以上對(duì)不同駕駛員的影響存在顯著差異。