呂曉彎 王秋明

(重慶交通大學(xué)交通運(yùn)輸學(xué)院 重慶 404100)

0 引 言

環(huán)線高速即環(huán)繞城市的高速公路, 與其他高等級(jí)公路聯(lián)通，構(gòu)成城市高速公路交通網(wǎng).可以緩解主城區(qū)的交通壓力，起到引流作用.

隨著環(huán)線高速公路上導(dǎo)致的交通事故日益增多，國(guó)內(nèi)外學(xué)者針對(duì)此類交通安全隱患進(jìn)行了大量研究.馬壯林等[1]通過(guò)在關(guān)于高速公路隧道交通事故特點(diǎn)的基礎(chǔ)上，采用靈敏度分析方法,去探討有關(guān)事故發(fā)生日期、事故發(fā)生的時(shí)間段、涉及車輛數(shù)、天氣和道路線形等因素與交通事故嚴(yán)重程度之間的關(guān)系，以及影響程度的大小.馮忠祥等[2]根據(jù)天氣、能見度、月份，以及事故形態(tài)等因素利用Logistic回歸模型，研究與繞城高速公路交通事故嚴(yán)重程度之間的相關(guān)性.林慶豐等[3]利用Logistic模型主要分析了年齡、汽車駕駛狀態(tài)、道路線形和事故形態(tài)等等因素對(duì)公交事故嚴(yán)重程度的影響.Laura等[4]闡述了邏輯回歸模型，以評(píng)估這些不同的特征如何影響碰撞的嚴(yán)重性，同時(shí)還考慮了導(dǎo)致碰撞的交通環(huán)境組合，結(jié)果表明，顯著影響碰撞嚴(yán)重程度的變量因?qū)е屡鲎驳沫h(huán)境組合而異.Lashini[5]采用Logistic模型研究了性別、年齡及酒精測(cè)試等因素對(duì)事故嚴(yán)重程度的影響，但這項(xiàng)研究只考慮了與交通事故有關(guān)的人為因素.

綜上分析，已有研究中，在對(duì)交通事故造成的嚴(yán)重程度的影響因素的選擇上不夠全面，影響因子的分類不夠細(xì)化，如道路線形以及事故發(fā)生地點(diǎn)的分類[6-9]，鑒于此，文中將事故嚴(yán)重程度劃分為死亡事故和非死亡事故，依據(jù)某市環(huán)線高速的3 687起事故資料，選取九個(gè)候選自變量，對(duì)道路線形和事故發(fā)生地進(jìn)行詳細(xì)分類，建立關(guān)于Logistic環(huán)線高速交通事故嚴(yán)重程度模型，探究各影響因素與交通事故嚴(yán)重程度之間是否存在顯著性.

1 環(huán)線高速公路事故特點(diǎn)及分析

1.1 全路段事故特征分析

某市環(huán)線高速公路某路段全長(zhǎng)135 km，分道路上行(內(nèi)線)、下行(外線)方向，最大設(shè)計(jì)車速為100 km/h.選取的該路段組成道路的結(jié)構(gòu)相對(duì)復(fù)雜，有很多長(zhǎng)下坡路段、陡坡，以及小轉(zhuǎn)彎半徑，還有相當(dāng)數(shù)量的隧道、橋梁及互通立交.

2017年1月—2019年12月，全路段發(fā)生的交通事故總共有3 687起，其中包含死亡事故38起，占1.03%.52人死亡，75人受傷，平均每周死亡0.5人，受傷0.7人.

圖1為交通事故傷亡情況.由圖1a)可知：在環(huán)線高速，晴天天氣情況下，交通事故的死亡人數(shù)和受傷人數(shù)相差不大,占事故總?cè)藬?shù)的比例都較大，分別為37%和48%；然而在陰天、下雨或霧霾等不利天氣條件下，死亡人數(shù)占比為4%,受傷人數(shù)占11%，所占比例較正常天氣下少，這與前人研究報(bào)告中一般認(rèn)為,在不利天氣情況下發(fā)生的死亡事故人數(shù)居多的結(jié)論有差異.

圖1 交通事故傷亡分布

由圖1b)可知：該環(huán)線高速各月份事故發(fā)生次數(shù)起伏波動(dòng)較大，尤其是2月份和10月份次數(shù)最高；事故死亡人數(shù)趨勢(shì)相對(duì)平穩(wěn)并逐月呈現(xiàn)下降趨勢(shì)，但2月份和4月份死亡人數(shù)和事故次數(shù)較多；2月份事故盡管多發(fā)，但受傷人數(shù)卻最低,嚴(yán)重程度相對(duì)其他多發(fā)月份也較低；縱觀10月份和12月份是交通事故多月份，因10月份正值國(guó)慶假期,旅游黃金期,出行人數(shù)大大增多，人流及車流量大而造成交通事故的多發(fā)，12月正值初冬，氣溫變化幅度大，雨雪霧等不利天氣的影響直接或間接引發(fā)了交通事故的發(fā)生.

由圖1c)可知：環(huán)線高速事故次數(shù)每2 h分布具有一定的差異性，06：00—12：00猛增，事故發(fā)生次數(shù)最多，占了全天的1/3多；12：00—16：00事故發(fā)生次數(shù)達(dá)到頂峰，是1 d中最高的；16：00事故發(fā)生次數(shù)開始降低直至24：00.在14：00—16：00事故次數(shù)的增多，受傷人數(shù)也相對(duì)增加.總體來(lái)看，事故的嚴(yán)重程度較少.

1.2 主要事故形態(tài)特征分析

通過(guò)對(duì)環(huán)線高速事故發(fā)生原因的分析判斷，事故形態(tài)可分為四類，見圖2.由圖2可知：近4年來(lái)，車輛相互碰撞的交通事故發(fā)生次數(shù)最多，占總數(shù)的79%.車輛碰撞固定設(shè)施、碰撞行人和側(cè)翻較少，分別占總數(shù)的16%、3.2%和2%.環(huán)線高速上，貨車居多，多數(shù)駕駛員疲勞駕駛，加上道路及相應(yīng)的交通工程設(shè)施設(shè)計(jì)不規(guī)范，極易引起車輛追尾碰撞前方車輛以及車輛側(cè)滑碰撞其他車輛等事故.

圖2 事故形態(tài)分布

2 研究方法

2.1 Logistic模型構(gòu)建

文中設(shè)置因變量為交通事故發(fā)生的嚴(yán)重程度，記作y，當(dāng)?shù)趇起環(huán)線高速公路造成死亡交通事故時(shí)，記yi=1，當(dāng)?shù)趇起環(huán)線高速公路未造成死亡事故時(shí)，記yi=0.編碼見表1.

表1 因變量編碼

設(shè)造成因變量發(fā)生的影響因素有k個(gè)，記作自變量x1,x2,…,xk，根據(jù)Logistic模型原理，則發(fā)生死亡事故的概率可以用式(1)計(jì)算：

P=P(yi=1|x1,x2,…,xk)=

(1)

式中：xi(i=1，2，…，k)為造成交通事故嚴(yán)重程度的影響因素，既可以是連續(xù)變量，也可以是分類變量或虛擬變量；β0為常數(shù)項(xiàng)；βi(i=1，2，…，k)為回歸系數(shù).

2.2 自變量選取

交通事故的發(fā)生主要包括人、車輛、道路、環(huán)境系統(tǒng)等因素[10-11].通常將由于人的主觀因素帶來(lái)的隱患作為交通事故的主要原因，而原則上忽略交通事故中存在的客觀因素[12-13].由于人為因素具有很大不確定性，無(wú)法定量描述，故針對(duì)客觀因素，選取9個(gè)候選自變量，變量編碼及含義見表2.

表2 自變量編碼

由表2可知：對(duì)于連續(xù)變量和二分類變量，可以將其直接錄入系統(tǒng)進(jìn)入計(jì)算，而針對(duì)多分類變量，就需要引入虛擬變量，當(dāng)某一多分類自變量有k個(gè)類別時(shí)，此時(shí)需要引入(k-1)個(gè)虛擬變量，具體見表3.

表3 虛擬變量編碼

只要是初步選取的候選自變量就與因變量存在較強(qiáng)的相關(guān)關(guān)系，這顯然是錯(cuò)誤的想法，二者之間的是否存在相關(guān)關(guān)系還需要對(duì)自變量進(jìn)行顯著性的篩選.通常利用最大似然法估計(jì)模型的回歸參數(shù).最大似然法主要用來(lái)找出所選樣本集中與因變量具有較強(qiáng)概率函數(shù)的參數(shù).已知顯著性水平為α，如果對(duì)初步選取的自變量進(jìn)行篩選，得到某一個(gè)自變量的顯著性概率p值低于顯著性水平α，那么就可以證明該自變量與因變量具有緊密的相關(guān)性，從而選擇該自變量參與到模型的下一步驗(yàn)證中；如果某一自變量大于已知的顯著性水平α，則表明兩者之間無(wú)顯著關(guān)系，則可以排除.

3 實(shí) 證

3.1 模型自變量的選取

以某市環(huán)線高速公路2017年1月—2019年12月的3 687起事故數(shù)據(jù)進(jìn)行分析.利用SPSS25.0，采用向前逐步回歸法來(lái)分析和計(jì)算二項(xiàng)Logistic及參數(shù)，選擇α=0.05作為顯著性水平，將上述事故發(fā)生日期、事故發(fā)生時(shí)間和事故發(fā)生季節(jié)等9個(gè)候選自變量代入模型，分別選擇撞行人、冬季、平直和隧道作為參照類別.

首先通用Score檢驗(yàn)篩選自變量，將Score值對(duì)應(yīng)的P值低于顯著性水平α的變量留下參與模型的下一步迭代檢驗(yàn).檢驗(yàn)結(jié)果見表4.

表4 Score檢驗(yàn)結(jié)果

通過(guò)上述對(duì)自變量Score檢驗(yàn)，得到滿足條件的因素有：事故具體發(fā)生時(shí)間點(diǎn)、事故發(fā)生位置、路線、天氣以及參與事故車輛數(shù).通過(guò)迭代計(jì)算后，按照Wald值檢驗(yàn)要求，獲得最終進(jìn)入模型的參數(shù)為：事故發(fā)生時(shí)間、地點(diǎn)和天氣.具體見表5.

表5 參數(shù)估計(jì)

3.2 模型檢驗(yàn)

3.2.1模型整體檢驗(yàn)

表6為模型整體檢驗(yàn)，該模型整體檢驗(yàn)的似然比卡方值為98.209，自由度為8，通過(guò)查卡方檢驗(yàn)臨界值表可知，當(dāng)顯著性水平α=0.05時(shí)，卡方臨界值為15.507.由于98.209大于15.507，且sig.值小于0.001，說(shuō)明該模型整體通過(guò)了檢驗(yàn),擬合優(yōu)度較好，模型有效性較強(qiáng).

表6 模型整體檢驗(yàn)

3.2.2模型擬合優(yōu)度檢驗(yàn)

通過(guò)回歸模型擬合優(yōu)度檢驗(yàn)計(jì)算方式，對(duì)環(huán)線高速的3 687條事故數(shù)據(jù)進(jìn)行分析，得出模型的擬合結(jié)果見表7.

表7 Hosmer-Lemeshow檢驗(yàn)

由表7可知：模型的Hosmer-Lemeshow檢驗(yàn)的卡方值為9.38，自由度為6，當(dāng)顯著性水平α=0.05時(shí)，卡方臨界值為12.592.由于9.38小于12.592，且sig.值為0.996大于0.05，說(shuō)明該模型擬合劣度較低，模型的缺陷小，擬合效果好.

4 結(jié) 論

1) 設(shè)因變量為事故嚴(yán)重程度，從事故類型、事故發(fā)生時(shí)間點(diǎn)、發(fā)生位置、天氣、事故形態(tài)、造成事故原因、車輛類型幾個(gè)方面選取九個(gè)候選自變量，采用向前逐步回歸法分析自變量與因變量之間的顯著性關(guān)系，得出結(jié)論：事故發(fā)生時(shí)間、地點(diǎn)及天氣與事故嚴(yán)重程度顯著相關(guān).

2) 事故發(fā)生時(shí)間的回歸系數(shù)為0.628，說(shuō)明夜晚容易造成死亡事故的發(fā)生，是白天的1.562倍.對(duì)事故發(fā)生地點(diǎn)的參數(shù)估計(jì)得出環(huán)線高速公路的基本路段發(fā)生嚴(yán)重事故的概率比隧道小，是隧道的21.6%，橋梁處發(fā)生嚴(yán)重事故的概率最高，是隧道位置情況下的2.552倍，而互通立交發(fā)生死亡事故的概率相對(duì)于隧道要低很多，只有隧道的35.4%.天氣的回歸系數(shù)為1.712，且優(yōu)勢(shì)比大于1，容易影響交通安全，晴天發(fā)生死亡事故的概率是不利天氣的5.542倍.

3) 針對(duì)以上對(duì)極易引發(fā)環(huán)線高速公路交通事故嚴(yán)重程度各個(gè)影響因子的研究與分析，具體可采取以下相關(guān)措施盡量減少和規(guī)避事故的產(chǎn)生和嚴(yán)重性問(wèn)題.①在駕駛員方面，相關(guān)部門應(yīng)加強(qiáng)對(duì)司機(jī)的安全培訓(xùn)工作，促使駕駛員形成良好的駕駛行為，遵守交通規(guī)則，特別是雨、陰、霧天對(duì)駕駛員的安全駕駛行為要求較高，這就更應(yīng)加大對(duì)駕駛員的交通安全教育，減速慢行，避免慘重事故的發(fā)生.必要時(shí)，可加大違法懲處力度，完善各項(xiàng)機(jī)制.②對(duì)于互通立交匝道出入口處的視距不良現(xiàn)象，要保證道路兩側(cè)行車視距通暢無(wú)阻，不影響行車安全，應(yīng)按照規(guī)范清理道路旁側(cè)的遮擋植物，發(fā)揮良好的道路景觀作用.③針對(duì)道路運(yùn)行速度存在的問(wèn)題，在必要路段采用限速、區(qū)域測(cè)速等手段進(jìn)行速度的控制，必要時(shí)設(shè)立限速、指示、禁令和警告標(biāo)志等交通安全與管理設(shè)施，尤其在長(zhǎng)大下坡、陡坡、橋梁以及互通立交等重要節(jié)點(diǎn).

本文的研究樣本局限于某市環(huán)線高速的部分路段進(jìn)行研究,后續(xù)可對(duì)本環(huán)線高速其他路段的交通事故進(jìn)行分析和建模,來(lái)更好為本文所得結(jié)論進(jìn)行驗(yàn)證，這樣更具有代表性.