馬景峰，任剛，李豪杰，曹奇，杜建瑋

(東南大學(xué)，交通學(xué)院，南京 211189)

0 引言

近年來，伴隨人們的出行需求快速增大，電動(dòng)自行車與機(jī)動(dòng)車保有量急劇增加，日趨嚴(yán)重的交通擁堵已成為城市通病之一[1]。作為一種非常重要的出行工具，電動(dòng)自行車因具有省力快速、靈活便捷、高效實(shí)用及廉價(jià)環(huán)保等諸多優(yōu)勢(shì)而廣受中、短距離出行者的青睞[2]。目前，我國電動(dòng)自行車保有量已超過3億輛，在不同經(jīng)濟(jì)發(fā)展水平的城市道路交通系統(tǒng)中均有著舉足輕重的地位。但由于電動(dòng)自行車具有相對(duì)高速性、較大靈活性、管控不便性及干擾敏感性等特征，且其違規(guī)行為成本較低，騎行者安全防護(hù)裝備較差，導(dǎo)致電動(dòng)自行車事故頻發(fā)，其交通安全問題日趨嚴(yán)重[3]。此外，電動(dòng)自行車與機(jī)動(dòng)車經(jīng)常共享同車道混行權(quán)，導(dǎo)致交通秩序變差，既降低了通行效率，更造成了電動(dòng)自行車與機(jī)動(dòng)車碰撞事故頻發(fā)，其導(dǎo)致的生命與經(jīng)濟(jì)損失比其他類型的電動(dòng)自行車事故(側(cè)翻或與自行車、人及固定物碰撞事故)更加巨大[4]。為緩解城市電動(dòng)自行車與機(jī)動(dòng)車事故危害，亟需定量分析各潛在因素對(duì)該類事故嚴(yán)重性的差異性影響[5]。

圍繞電動(dòng)自行車交通事故的建模分析，一直廣受國內(nèi)外學(xué)者關(guān)注。XING等[6]利用廣義線性模型(Generalized Linear Model,GLM)，探索時(shí)空、環(huán)境及騎行者屬性等因素對(duì)北京市電動(dòng)自行車與人力自行車事故嚴(yán)重性的影響；YU等[7]提出廣義估計(jì)方程(Generalized Estimating Equation,GEE)研究風(fēng)險(xiǎn)感知、責(zé)任感及騎行者年齡等因素對(duì)電動(dòng)自行車與行人事故的影響；BIGAZZI 等[8]構(gòu)建結(jié)構(gòu)方程模型(Structural Equation Model,SEM)計(jì)算能量排放、空氣質(zhì)量與電動(dòng)自行車事故的關(guān)系；李英帥等[3]建立了隨機(jī)森林模型(Random Forest Model,RFM)，剖析碰撞類型、事故時(shí)間、道路條件、騎行者與駕駛員信息以及車輛類型對(duì)電動(dòng)自行車與機(jī)動(dòng)車事故嚴(yán)重程度的影響；周繼彪等[5]基于問卷數(shù)據(jù)，以二項(xiàng)(Binary)probit 模型量化了騎行者屬性(性別、年齡、職業(yè)、收入、受教育程度等)、危險(xiǎn)感知度、節(jié)日類型及車牌使用等因素對(duì)電動(dòng)自行車事故的影響；MA等[9]同樣利用二項(xiàng)probit 模型，厘清冒險(xiǎn)駕駛行為對(duì)城區(qū)電動(dòng)自行車與機(jī)動(dòng)車事故嚴(yán)重程度的影響差異性；YUAN 等[10]提出二項(xiàng)(Binary)Logit 模型研究時(shí)空、道路環(huán)境及騎行者信息等因素如何影響電動(dòng)自行車與機(jī)動(dòng)車事故；DU 等[11]考慮事故多分類本質(zhì)特性，利用多項(xiàng)Logit(Multinomial Logit,MNL)模型量化分析了時(shí)空與騎行者信息對(duì)電動(dòng)自行車事故的影響，但該模型要求各自變量需要保持彼此獨(dú)立性，即嚴(yán)格遵守IIA(Independence from Irrelevant Alternative)特性；XU 等[12]通過建立混合(Mixed)Logit 模型，松弛了IIA 特性，研究超速行為與限速設(shè)置對(duì)電動(dòng)自行車事故的影響；GUO等[13]構(gòu)建貝葉斯(Bayes)Logit 模型，計(jì)算時(shí)空、道路條件、闖紅燈行為、車型及騎行者屬性等因素對(duì)電動(dòng)自行車事故的影響。

以上有關(guān)電動(dòng)自行車事故研究所用的模型或方法均為無序反應(yīng)模型，為了貼合事故嚴(yán)重性的有序多分類特性，一些學(xué)者提出了有序反應(yīng)模型。WANG 等[14]構(gòu)建有序Logit(Ordered Logit,OL)模型，研究騎行者對(duì)交通規(guī)則熟悉度與頭盔使用行為對(duì)電動(dòng)自行車交通事故的影響，但該模型要求自變量都嚴(yán)格遵守平行線(Parallel-lines Assumption,PL)假設(shè)，即自變量回歸系數(shù)不隨事故嚴(yán)重性變化而變化；為了松弛PL 假設(shè)，WANG 等[15]提出廣義有序Logit(Generalized Ordered Logit,GOL)模型，允許所有自變量違背該假設(shè)，定量分析時(shí)空、道路、環(huán)境及騎者信息如何影響電動(dòng)自行車事故嚴(yán)重程度。

此外，一些學(xué)者建立支持向量機(jī)(Support Vector Machine,SVM)[16]、灰色馬爾科夫(Grey Markov,GM)[17]或神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)[18]等模型預(yù)測(cè)交通事故嚴(yán)重性或數(shù)量，但這些分類預(yù)測(cè)模型以預(yù)測(cè)精度為目標(biāo)，對(duì)事故影響因素可解釋性較差；也有部分學(xué)者采用巢式(Nested)Logit 模型[19]，通過松弛IIA 特性，分析交通事故影響因素，但該模型為無序反應(yīng)模型，不能體現(xiàn)部分影響因素的有序本質(zhì)與交通事故嚴(yán)重程度之間的內(nèi)在聯(lián)系。

關(guān)于電動(dòng)自行車交通事故的研究，綜上可知：①在研究對(duì)象方面，主要聚焦于電動(dòng)自行車與慢行事故研究(自行車或行人)、電動(dòng)自行車違章行為分析(超速、闖紅燈等)及電動(dòng)自行車能耗對(duì)環(huán)境影響等，而針對(duì)電動(dòng)自行車與機(jī)動(dòng)車的研究不足，其嚴(yán)重性影響因素定量分析更為匱乏；②在影響因素選擇方面，主要考慮時(shí)間、空間、道路、環(huán)境、騎行者及車輛屬性等因素中的部分因素，缺少對(duì)這6類因素同時(shí)定量研究；③在模型應(yīng)用方面，主要分為無序模型與有序模型兩類，例如，多項(xiàng)Logit模型等無序模型，要求自變量遵守IIA特性，雖然有序模型既能體現(xiàn)分類變量的有序本質(zhì)，但其中有序Logit模型要求所有自變量嚴(yán)格遵守PL 假設(shè)，而廣義有序Logit模型中，所有自變量均不受該假設(shè)限制，兩者均缺乏靈活性。

作為有序Logit 模型與廣義有序Logit 模型的綜合改進(jìn)模型，偏比例優(yōu)勢(shì)(Partial Proportional Odds,PPO)模型在充分體現(xiàn)各分類變量有序特性的同時(shí)，允許部分變量違背PL假設(shè)，而部分變量遵守該假設(shè)，故其具有更強(qiáng)的靈活性，因此，非常適用于有序多分類變量研究[20]。目前，鮮有學(xué)者采用PPO 模型進(jìn)行電動(dòng)自行車與機(jī)動(dòng)車事故嚴(yán)重性影響因素分析。

本文以2018年1～12月紹興市上虞區(qū)交通局電警系統(tǒng)中記錄的10304 起電動(dòng)自行車與機(jī)動(dòng)車事故為數(shù)據(jù)支撐，在剖析其嚴(yán)重性分布與時(shí)空分布特性基礎(chǔ)上，選取6類影響因素，利用MNL、OL、GOL及PPO模型進(jìn)行擬合對(duì)比分析，進(jìn)而結(jié)合最優(yōu)模型(PPO模型)與邊際效應(yīng)量化分析事故嚴(yán)重性影響因素，并根據(jù)各因素的影響差異性提出相關(guān)管理建議，可為電動(dòng)自行車交通安全管理者的精細(xì)化管控決策提供有效支撐。

1 電動(dòng)自行車與機(jī)動(dòng)車事故特性分析

1.1 事故嚴(yán)重性分析

事故嚴(yán)重性影響因素選取與模型應(yīng)用等方面，電動(dòng)自行車交通事故的研究情況如表1所示。

表1 電動(dòng)自行車交通事故研究Table 1 Research on E-bicycle crashes

根據(jù)現(xiàn)有大多數(shù)研究中對(duì)電動(dòng)自行車事故嚴(yán)重性的分類方法，本文將電動(dòng)自行車與機(jī)動(dòng)車事故嚴(yán)重程度用j表示，j=1 為未受傷(僅經(jīng)濟(jì)損失)，j=2 為輕傷，j=3 為重傷(包括致命事故)。統(tǒng)計(jì)分析紹興市上虞區(qū)交通局電警系統(tǒng)中2018年10304起電動(dòng)自行車與機(jī)動(dòng)車事故，未受傷、輕傷及重傷事故數(shù)依次為：3190，4240，2874起，其占比依次為：31.0%，41.1%，27.9%。

電動(dòng)自行車與機(jī)動(dòng)車事故嚴(yán)重性影響分析具有多維度復(fù)雜性，本文從時(shí)間、空間、道路、環(huán)境、騎行者及車輛屬性這6方面，選取17個(gè)因素進(jìn)行影響分析，各變量在不同嚴(yán)重程度的統(tǒng)計(jì)特性如表2所示。其中，車流相交角為事故發(fā)生時(shí)機(jī)動(dòng)車行車方向與電動(dòng)自行車行車方向的交叉角度，慢行交通由行人、人力自行車及電動(dòng)自行車(兩輪、三輪)組成。

表2 變量分類、編碼及頻數(shù)Table 2 Classification,coding and frequency of variables

1.2 時(shí)間特性分析

所選事故頻數(shù)(單位：起)的月份(季度)分布與小時(shí)分布如圖1所示。由圖1事故的月份(季度)分布可知：該地電動(dòng)自行車與機(jī)動(dòng)車事故的不同月度的24 h 頻數(shù)分布規(guī)律基本一致，即均呈現(xiàn)“雙高峰”；2018年月均859 起事故，事故數(shù)最高的前4 個(gè)月份依次是春季4月、夏季7月、冬季12月與秋季9月，其事故數(shù)均不少于900起；2月由于春節(jié)節(jié)假日的存在，居民出行需求下降，出行率明顯降低，交通沖突幾率隨之降低，故日均事故數(shù)顯著少于其余月份。

此外，由表2可知，夏季的電動(dòng)自行車與機(jī)動(dòng)車事故數(shù)最多(2703起)，可能是因?yàn)橄募咎鞖獗容^炎熱，而電動(dòng)自行車騎行者對(duì)其感受非常敏感，為追求出行舒適感而提高騎速，以致提高了事故概率；其次是秋季與冬季，而春季事故數(shù)明顯少于其他3個(gè)季節(jié)，且在不同事故嚴(yán)重程度上也基本符合季度性排序規(guī)律，但春季四月份事故總數(shù)(966 起)與日均事故數(shù)32.2 起·d-1均明顯高于其他月份，這與上虞區(qū)當(dāng)?shù)貧夂蛱卣髅芮邢嚓P(guān)，2018年4月上虞區(qū)超過2/3時(shí)間為陰雨天氣。

由圖1事故的小時(shí)分布特性可知，該地電動(dòng)自行車與機(jī)動(dòng)車事故在同一日內(nèi)小時(shí)頻數(shù)分布存在明顯的雙峰波動(dòng)性，但每月的事故數(shù)日分布規(guī)律基本保持一致(2月高峰期略有差異)，這與當(dāng)?shù)亟煌繒r(shí)間分布規(guī)律保持一致，即事故數(shù)與交通量或交通密度基本呈正相關(guān)。據(jù)此，本文將事故時(shí)間變量劃分為3類：深夜(晚22:00-次日6:00)、高峰(7:00-9:00 與16:00-18:00，2月高峰時(shí)段為10:00-12:00 與13:00-15:00)及平峰(剩余時(shí)段)。不同嚴(yán)重程度下該類事故小時(shí)分布情況如圖2所示。

圖1 事故頻數(shù)小時(shí)-月份分布Fig.1 Frequency distribution of crashes by hour and month

由圖2可知，不同嚴(yán)重性事故的24 h頻數(shù)分布規(guī)律基本一致，即[7:00,8:00)、[17:00,18:00)為最明顯的事故雙高峰；[11:00,12:00)為事故次高峰，此時(shí)間分布特征可為交通安全管理部門進(jìn)行主動(dòng)防控與警力部署提供一定的決策依據(jù)。

圖2 事故頻數(shù)小時(shí)-嚴(yán)重程度分布Fig.2 Frequency distribution of crashes by hour and severity

該類事故的不同節(jié)日類型的日均-小時(shí)分布情況如圖3所示。由圖3可知，節(jié)假日與工作日的24 h波動(dòng)規(guī)律基本一致，兩者日均事故數(shù)每小時(shí)最大值不超過4起，且[20:00，次日6:00)時(shí)段內(nèi)日均事故數(shù)均不到1 起；[7:00,8:00)和[17:00,18:00)同樣為兩類節(jié)日中最明顯的事故雙高峰，[11:00,12:00)是事故次高峰；雖然節(jié)假日與工作日的日均事故數(shù)分別為28.40 起和28.14 起，即前者整體上大于后者，但是[6:00,9:00)和[16:00,18:00)兩個(gè)時(shí)段內(nèi)節(jié)假日事故數(shù)卻小于工作日，這與此時(shí)段內(nèi)工作日所具有的大流量和高密度的通勤交通時(shí)間分布規(guī)律密切相關(guān)。

圖3 不同節(jié)日類型的日均-小時(shí)事故頻數(shù)分布Fig.3 Frequency distribution of crashes by average hour and day

1.3 空間特性分析

對(duì)所選的電動(dòng)自行車與機(jī)動(dòng)車事故數(shù)據(jù)進(jìn)行空間特性分析，得到該事故頻數(shù)的區(qū)位、位置及道路類型分布如圖4所示。

圖4 電動(dòng)自行車事故空間分布Fig.4 Spatial distribution of e-bicycle crashes

①從事故區(qū)位分布來看，城區(qū)與郊區(qū)電動(dòng)自行車與機(jī)動(dòng)車事故數(shù)相近(城區(qū)5301起，郊區(qū)5003起)，但兩者在不同嚴(yán)重程度上的分布規(guī)律存在一定的差異性。此外，上虞區(qū)總面積1403 km2，其中，城區(qū)和郊區(qū)占地分別為37.80 km2，1365.20 km2，則兩者的年均電動(dòng)自行車-機(jī)動(dòng)車事故率分別為140.24，3.66 起·km-2，即前者是后者的38.32倍，具有顯著的差異。這與兩者的人口密度、路網(wǎng)密度、交通密度、沖突密度、管控設(shè)備布設(shè)密度、服務(wù)水平及用地情況等指標(biāo)密切相關(guān)。

②從事故位置分布來看，交叉口處與路段上發(fā)生的電動(dòng)自行車與機(jī)動(dòng)車事故頻數(shù)差距較大(交叉口6744 起，路段3560 起)，即前者是后者的1.89倍。因?yàn)榍罢弑群笳呓煌鲝?fù)雜度大很多，交通沖突更為頻繁。但是，兩者在不同嚴(yán)重程度上的事故占比分布規(guī)律差異性不大，交叉口因?yàn)榫哂邢匏倨?、車流穩(wěn)定、監(jiān)管設(shè)備密度大及交通參與者更謹(jǐn)慎等特性，導(dǎo)致其輕傷事故占比大于路段，而路段由于具有限速偏高、車流不穩(wěn)定及機(jī)非混行頻繁等特征，導(dǎo)致其未受傷與重傷事故占比大于交叉口。

③從道路類型分布來看，支路上電動(dòng)自行車與機(jī)動(dòng)車事故數(shù)(7419 起)明顯大于其余3 類道路：次干路627起，主干路1387起，快速路(本文指快速道路輔路)871起，即前者是后者的5.35倍以上。因?yàn)椋鞘兄房偫锍膛c總通行量較大，且其以生活功能為主，監(jiān)控設(shè)備部署密度較低，慢行交通量較大，交通秩序較差，電動(dòng)自行車與機(jī)動(dòng)車混行現(xiàn)象較多，交通環(huán)境更為復(fù)雜，且交通沖突更為頻繁。此外，4 類道路在不同嚴(yán)重程度上的分布規(guī)律也存在較大的差異性。

2 分析方法

2.1 模型構(gòu)建

本文建立多項(xiàng)Logit 模型(MNL 模型)、有序Logit 模型(OL 模型)、廣義有序Logit 模型(GOL 模型)及偏比例優(yōu)勢(shì)模型(PPO模型)。其中，PPO模型既能夠反映各變量的有序本質(zhì)，又允許部分自變量的系數(shù)隨不同水平等級(jí)的不同而存在差異性，具有較強(qiáng)靈活性。PPO 是有序Logit 模型與廣義有序Logit模型的改進(jìn)模型。

(1)多項(xiàng)Logit模型

MNL模型嚴(yán)格遵守IIA特性，其概率計(jì)算表達(dá)式為

式中：j為事故嚴(yán)重程度；n為因變量分類數(shù)目；Uij為決定對(duì)象i水平等級(jí)j的函數(shù)；Uij′為對(duì)象i水平等級(jí)j的具體值；Xij為研究對(duì)象i水平等級(jí)j的向量；βj為自變量水平等級(jí)j回歸系數(shù)向量；εij為隨機(jī)誤差項(xiàng)。

(2)有序Logit模型

OL模型中變量都嚴(yán)格遵守PL假設(shè)，其概率計(jì)算表達(dá)式為

式中：Yi為對(duì)象i的嚴(yán)重性等級(jí)；Xi為事故i的向量；β為自變量回歸系數(shù)向量；τj為第j嚴(yán)重程度的常數(shù)項(xiàng)。β和τj可由極大似然法得出。

(3)廣義有序Logit模型

GOL 模型中變量均違反PL 假設(shè)，其概率計(jì)算表達(dá)式為

(4)偏比例優(yōu)勢(shì)模型

PPO模型中通過引入γ參數(shù)，允許部分變量滿足PL假設(shè)，而其余變量違背該假設(shè)，相比前3個(gè)計(jì)量經(jīng)濟(jì)模型，該模型具有更強(qiáng)的適應(yīng)性與靈活性，其概率計(jì)算表達(dá)式為

式中：X1i為遵守PL 假設(shè)的自變量向量；與其對(duì)應(yīng)的回歸系數(shù)向量為βj；X2i為不受PL 假設(shè)限制的自變量向量，與其對(duì)應(yīng)的回歸系數(shù)偏差向量為γj。

2.2 邊際效應(yīng)

邊際效應(yīng)可用于定量分析不同因素對(duì)因變量影響的強(qiáng)弱程度與變化趨勢(shì)，其表達(dá)式為

式中：為事故i的第k個(gè)變量在第j嚴(yán)重性的自變量xijk的邊際效應(yīng)值。

2.3 模型對(duì)比

采用AIC 與BIC 信息準(zhǔn)則，對(duì)比MNL、OL、GOL、PPO模型的擬合優(yōu)度，EAIC與EBIC值越小，則模型擬合效果越好。

式中：ESSE為誤差平方和；N為電動(dòng)自行車與機(jī)動(dòng)車事故數(shù)；K為模型中待估計(jì)的參數(shù)數(shù)目；令

3 模型分析

3.1 模型對(duì)比分析

利用STATA15.0 軟件，分別設(shè)計(jì)MNL、OL、GOL及PPO模型的求解算法，分析所選的10304起電動(dòng)自行車與機(jī)動(dòng)車事故數(shù)據(jù)，得到各模型擬合參數(shù)如表3所示。

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

由表3可知，PPO模型的EAIC與EBIC值均最小，則其擬合效果最佳，故以PPO模型及其邊際效應(yīng)做進(jìn)一步量化分析。

3.2 偏比例優(yōu)勢(shì)模型結(jié)果分析

應(yīng)用PPO 模型對(duì)所選交通事故數(shù)據(jù)進(jìn)行g(shù)ologit2算法求解，得到參數(shù)估計(jì)結(jié)果如表4所示。

表4 偏比例優(yōu)勢(shì)模型參數(shù)估計(jì)Table 4 Parameter estimation for PPO model

由表4可知，除節(jié)日類型、車道限速、車流相交角及溫度這4 個(gè)因素對(duì)電動(dòng)自行車與機(jī)動(dòng)車事故嚴(yán)重性影響不顯著外，其余13 個(gè)因素均有著顯著影響。此外，由γ參數(shù)計(jì)算結(jié)果可知，事故時(shí)間、光線亮度、騎者性別、騎者年齡、車輛類型及電動(dòng)自行車類型這6個(gè)變量都不遵守PL假設(shè)，其余7個(gè)顯著影響因素均滿足該假設(shè)。

為量化分析各變量間與變量內(nèi)對(duì)該類事故嚴(yán)重程度的影響差異性，需對(duì)各顯著影響因素進(jìn)行邊際效應(yīng)分析，其結(jié)果如表5所示。由表5可知，各影響因素間有著較大差異性影響：

①對(duì)于電動(dòng)自行車與機(jī)動(dòng)車事故嚴(yán)重性影響最大的前4個(gè)顯著因素為電動(dòng)自行車類型、車輛類型、騎行者年齡及性別，其邊際效應(yīng)絕對(duì)值最大值均超過51%，表明該類事故嚴(yán)重程度對(duì)事故碰撞對(duì)象與交通參與者的差異性最為敏感，因?yàn)閮烧呔鞘鹿十a(chǎn)生的直接主導(dǎo)型承擔(dān)者。

②事故區(qū)位、道路類型及光線亮度的影響一般，其邊際效應(yīng)絕對(duì)值最大值在20%～30%，表明道路條件與行車視距對(duì)事故嚴(yán)重性也有較大影響。

③事故時(shí)間與風(fēng)力等級(jí)的影響較小，其邊際效應(yīng)絕對(duì)值最大值在10%～20%，因?yàn)椴煌鹿蕰r(shí)間的道路交通流密度與交通復(fù)雜性存在較大差異，兩者都是能夠直接影響到電動(dòng)自行車與機(jī)動(dòng)車的通行環(huán)境與交通參與者駕駛行為的動(dòng)態(tài)外部因素，而風(fēng)力等級(jí)雖然對(duì)機(jī)動(dòng)車及駕駛員影響教小，但對(duì)電動(dòng)自行車及騎行者均影響極大。

④季節(jié)、事故位置、慢行干擾度及天氣狀況的影響最小，雖然其邊際效應(yīng)均不超過8%，但是交通條件與氣候環(huán)境對(duì)該類事故嚴(yán)重程度均有著不可忽視的顯著性影響。

此外，由表5可知，不同影響因素內(nèi)部的不同子分類之間對(duì)該類事故嚴(yán)重程度也存在著較大差異的影響。

表5 偏比例優(yōu)勢(shì)模型的自變量邊際效應(yīng)Table 5 Marginal effects of independent variables in PPO model

(1)時(shí)間影響分析

①4 個(gè)季節(jié)對(duì)不同嚴(yán)重程度的電動(dòng)自行車與機(jī)動(dòng)車事故影響趨勢(shì)比較一致，但影響幅度差異性比較明顯，其中，冬季影響最大，春季影響最小，因?yàn)榕c其他季節(jié)相比，冬季的不利氣候發(fā)生率更高，通行視線更差，可視距離更短，對(duì)路面條件與騎行者均會(huì)產(chǎn)生極大的不利影響，事故概率更大，但是，惡化的交通環(huán)境與道路條件導(dǎo)致騎行者與駕駛員注意力更加集中謹(jǐn)慎，車速更低，受傷事故概率更低，可根據(jù)季節(jié)差異性影響力合理調(diào)整外勤警力部署方案與路面修養(yǎng)工作。

②在事故時(shí)間方面，與深夜時(shí)段相比，高峰對(duì)不同事故嚴(yán)重程度的影響均顯著大于平峰(近2倍)，兩者均會(huì)造成未受傷與重傷事故概率的增加，因?yàn)?，不同時(shí)段的交通狀態(tài)存在較大差異性與規(guī)律性，交通事故概率與交通沖突點(diǎn)密度呈正相關(guān)，而交通沖突點(diǎn)密度又與道路交通流密度呈正相關(guān)，與交通服務(wù)水平呈負(fù)相關(guān)，因此，從深夜到平峰，再到高峰階段，未受傷事故概率隨交通密度增加而增大，重傷事故概率隨交通流量增大而增大，但輕傷事故概率隨運(yùn)行車速降低，隨車流趨于穩(wěn)定而減小，因此，管理部門可提倡靈活有效的緩解策略或措施，例如，錯(cuò)峰出行、誘導(dǎo)出行及區(qū)域微循環(huán)等。

(2)空間影響分析

①在事故區(qū)位方面，郊區(qū)對(duì)事故嚴(yán)重性影響比城區(qū)明顯大(近2倍)，與城區(qū)相比，郊區(qū)會(huì)造成未受傷概率的降低(11.28%)，而重傷事故和輕傷事故概率分別增加10.34%、0.94%，因?yàn)?，郊區(qū)道路監(jiān)管設(shè)備密度低，交警警力投入少，交通干擾少，導(dǎo)致機(jī)動(dòng)車與電動(dòng)自行車的整體行車速度高于城區(qū)，并且郊區(qū)路面障礙物清除不夠及時(shí)，道路標(biāo)志標(biāo)線、照明及輔助服務(wù)設(shè)施布設(shè)質(zhì)量差和密度低，所以，郊區(qū)事故一旦發(fā)生，通常更為嚴(yán)重，可根據(jù)區(qū)位差異性需求分析合理布設(shè)道路監(jiān)管和輔助設(shè)備密度與質(zhì)量。

②在事故位置方面，與路段相比，交叉口對(duì)不同事故嚴(yán)重性影響更大，會(huì)造成未受傷事故概率降低3.18%，而重傷事故概率增加3.21%，因?yàn)椋徊婵谕ǔ１嚷范喂芸卦O(shè)備更齊全，交通干擾更多，交通環(huán)境更復(fù)雜，駕駛員與騎行者更為專注謹(jǐn)慎，機(jī)動(dòng)車與電動(dòng)自行車運(yùn)行速度更低，導(dǎo)致未受傷事故概率降低，但交叉口處會(huì)有部分闖紅燈違章事件發(fā)生，特別是在夜間或者郊區(qū)的交叉口，比路段的沖突更多且更激烈，因此，重傷事故概率更大，據(jù)此不僅要注意路段交通管控，更應(yīng)優(yōu)化交叉口渠化設(shè)計(jì)，增強(qiáng)交通監(jiān)管與違章懲治力度，在提高交叉口通行效率的同時(shí)，要注重提升交叉口安全水平等。

(3)道路影響分析

①在道路類型方面，與支路對(duì)事故嚴(yán)重性影響相比，道路等級(jí)越高，影響力越大，特別是主干路與快速路，導(dǎo)致未受傷事故概率降低14.31%和21.99%，而重傷事故概率增加13.78%和20.06%，這與不同等級(jí)道路的功能差異性、交通復(fù)雜性及結(jié)構(gòu)多樣性等密切相關(guān)，道路等級(jí)越低，尤其在城區(qū)，道路越以生活功能為主，交通密度越大，混行越嚴(yán)重，輕傷或未受傷事故概率越高，但是，在高等級(jí)道路上由于車速較快，則重傷事故發(fā)生概率更高，可根據(jù)不同道路的影響差異與功能定位制定針對(duì)性的管控措施。

②與慢行干擾度小的地方(路段)相比，干擾度越大影響越大，一般干擾性(信控交叉口處)與較大干擾性(無信號(hào)交叉口或?qū)W校、醫(yī)院等特殊出入口處)由于交通干擾多，交通參與者更加謹(jǐn)慎小心，車速下降，形成未受傷事故概率降低，但由于易受傷群體密度增大，導(dǎo)致重傷事故概率增大，因此，需要增強(qiáng)道路管控水平，實(shí)現(xiàn)密集型沖突集的時(shí)空隔離(機(jī)非隔離欄，增加信號(hào)燈等)，以提升道路安全性。

(4)環(huán)境影響分析

①在光線亮度方面，亮度越差對(duì)事故嚴(yán)重性影響越大，特別是與白天相比，黑夜里雖然由于交通量降低和沖突點(diǎn)減少而導(dǎo)致輕傷事故概率下降了22.03%，但是，因?yàn)榻煌ㄒ暰€較差和車流不穩(wěn)定而導(dǎo)致未受傷與重傷事故概率分別增大15.86%和6.16%，表明道路環(huán)境中光線變差時(shí)，事故一旦發(fā)生就容易導(dǎo)致重傷事故，建議合理控制路燈照明時(shí)間與光照強(qiáng)度，增加光感和聲控智能化路燈裝置，及時(shí)維修故障路燈，或?yàn)橄嚓P(guān)標(biāo)志標(biāo)線添加新型光感材料。

②在天氣狀況方面，與晴天相比，多云與雨雪天氣對(duì)不同事故嚴(yán)重性影響趨勢(shì)比較一致，因?yàn)?，交通參與者更加謹(jǐn)慎而未受傷事故概率分別下降3.02%和6.12%，輕傷事故概率下降幅度相近，但由于通行視線變差和地面摩擦力減小而導(dǎo)致重傷事故概率分別增加3.17%和6.26%。天氣類型的影響幅度差異性比較明顯，天氣越惡劣，路面條件越差，對(duì)受傷事故影響越明顯，因此，需要參考天氣預(yù)報(bào)與實(shí)時(shí)天氣變化進(jìn)行精細(xì)化交通管控，多渠道提醒出行者選擇出行方式，預(yù)先提高安全防護(hù)意識(shí)，交叉口處增設(shè)慢行遮陽擋雨棚，特別是事故多發(fā)地要強(qiáng)化管控手段，增加通行可視性。

③在風(fēng)力等級(jí)方面，與小于3級(jí)相比，3級(jí)與大于3級(jí)的風(fēng)對(duì)不同事故嚴(yán)重性影響趨勢(shì)保持一致，未受傷事故概率分別上升6.02%和11.72%，但重傷事故概率卻降低6.53%和13.34%，影響幅度存在明顯差異，因?yàn)?，風(fēng)力屬于不利外部因素，電動(dòng)自行車騎行者對(duì)風(fēng)力感受比較敏感，會(huì)增大未受傷事故概率，但是，風(fēng)力的增強(qiáng)會(huì)迫使騎行者保持高度緊張狀態(tài)而降低騎速，所以，受傷事故概率會(huì)降低。

(5)騎行者影響分析

①在騎行者性別方面，與女性相比，男性騎行者會(huì)增加14.90%的未受傷事故概率和9.48%輕傷事故概率，但會(huì)降低24.38%重傷事故概率，因?yàn)椋行员扰杂龅酵话l(fā)交通情況更加鎮(zhèn)定自若，且駕駛操作更擅于技術(shù)性與靈活性，所以，嚴(yán)重受傷事故概率會(huì)降低，但也因?yàn)槟行越煌▍⑴c者有著較強(qiáng)的炫技與高速心理需求和較為激進(jìn)的駕駛風(fēng)格與過多的駕駛技術(shù)自信，會(huì)增大未受傷事故的頻數(shù)與概率。

②在騎行者年齡方面，與30歲以下的年輕人相比，年紀(jì)越大的騎行者駕駛經(jīng)驗(yàn)越豐富，安全意識(shí)更高，出行時(shí)更有耐心，通常更能避免未受傷事故的發(fā)生，但是，由于年長者身體機(jī)能逐漸弱化和對(duì)于突發(fā)事件的反應(yīng)速度變慢，靈活性較差，易引發(fā)更高概率的輕傷事故，但由于年長者(老人除外)對(duì)于出行更有耐心，騎車行為更穩(wěn)重，更懂得避讓機(jī)動(dòng)車，盡量避免與機(jī)動(dòng)車近距離混行，且騎速較低，所以，重傷事故概率略有所下降，可根據(jù)年齡的事故差異性影響與生活?yuàn)蕵菲眯袨椋M(jìn)行多樣化交通安全文明出行宣傳或交通突發(fā)事故應(yīng)急行為教育。

(6)車型影響分析

①在機(jī)動(dòng)車類型方面，與小型車相比，大型車因?yàn)榱髁啃『兔芏鹊?，與電動(dòng)自行車交通沖突概率低，導(dǎo)致未受傷事故概率分別降低15.25%，但因?yàn)榇笮蛙囲`活性較差、動(dòng)能更大及減速度較小，而導(dǎo)致輕傷與重傷事故概率增大1.84%和13.41%，所以，通常大型車事故頻數(shù)較低，但一旦發(fā)生事故就容易造成更嚴(yán)重的生命或財(cái)產(chǎn)損失，因此，要科學(xué)進(jìn)行車道功能劃分，合理進(jìn)行車種限行管理及增設(shè)機(jī)非隔離欄。

②在電動(dòng)自行車類型方面，與兩輪車相比，三輪電動(dòng)自行車由于其具有更差的靈活便捷性，而導(dǎo)致未受傷事故概率增大(12.12%)，但其較好的行車穩(wěn)定性卻會(huì)減小輕傷和重傷事故的發(fā)生概率(7.66%和4.45%)，因此，建議提升兩輪車的行車穩(wěn)定性，增大三輪車的機(jī)動(dòng)靈活性，并在車輛設(shè)計(jì)與制造環(huán)節(jié)進(jìn)行差異化的限速管控。

4 結(jié)論

本文在剖析電動(dòng)自行車-機(jī)動(dòng)車事故時(shí)空分布等特性基礎(chǔ)上，從6個(gè)方面確立該類事故嚴(yán)重性潛在影響因素集，應(yīng)用4 類模型進(jìn)行對(duì)比分析，選取擬合效果最優(yōu)模型分析事故嚴(yán)重性影響因素，基于模型結(jié)果為道路交通管理部門提出事故防控措施，從而減輕電動(dòng)自行車-機(jī)動(dòng)車交通事故的不利影響。主要結(jié)論如下：

(1)以2018年紹興市上虞區(qū)交通局電警系統(tǒng)中記錄的10304 起電動(dòng)自行車與機(jī)動(dòng)車事故為數(shù)據(jù)基礎(chǔ)，深入剖析該類事故的嚴(yán)重程度分布、時(shí)間及空間分布特性。

(2)從時(shí)間、空間、道路、環(huán)境、騎行者及車型等層面選擇17 個(gè)事故嚴(yán)重性影響因素，采用MNL、OL、GOL及PPO模型進(jìn)行擬合效果對(duì)比分析，基于AIC、BIC準(zhǔn)則得出PPO模型為擬合度最佳模型。

(3)以擬合效果最優(yōu)的PPO 模型及其13 個(gè)顯著影響因素的邊際效應(yīng)，對(duì)該類事故嚴(yán)重性影響因素進(jìn)行定量分析，總結(jié)出不同因素的影響顯著性與差異性及是否違背平行線假設(shè)，并為道路交通管理部門提出針對(duì)性改善建議。