肖樂(lè)

(1.西華大學(xué) 汽車與交通學(xué)院， 四川 成都 610039；2.汽車測(cè)控與安全四川省重點(diǎn)實(shí)驗(yàn)室， 四川 成都 610039)

道路交叉口是多種交通流交匯與沖突的關(guān)鍵區(qū)域，是道路交通事故的多發(fā)地，研究道路交叉口事故嚴(yán)重程度影響因素對(duì)事故預(yù)防具有重要意義。牛志鵬等從道路條件、交通環(huán)境、安全設(shè)施管理三方面對(duì)道路平面交叉路口的交通安全進(jìn)行了定性和定量分析。趙曉華等基于駕駛行為數(shù)據(jù)構(gòu)建交叉口進(jìn)口道安全性結(jié)構(gòu)方程，挖掘風(fēng)險(xiǎn)因素，結(jié)果表明交叉口各方向車道總數(shù)、違法監(jiān)控設(shè)備數(shù)量等對(duì)交叉口安全性具有顯著影響。呂通通等構(gòu)建互信息貝葉斯網(wǎng)絡(luò)模型，分析了各影響因素變化與事故嚴(yán)重程度的定量關(guān)系。趙丹等構(gòu)建雙變量Probit模型，以事故形態(tài)和事故嚴(yán)重程度為因變量，分析了農(nóng)村交叉口交通事故的風(fēng)險(xiǎn)因素。Islam S.等建立隨機(jī)參數(shù)Logistic模型，對(duì)比分析了農(nóng)村和城市道路中摩托車事故嚴(yán)重程度影響因素的差異性。溫惠英等以英國(guó)單車事故數(shù)據(jù)為樣本構(gòu)建多項(xiàng)式Logit模型，分析了交叉口單車事故嚴(yán)重程度影響因素。Ariana Vorko-Jovic等研究了城市道路交通事故的發(fā)生及嚴(yán)重程度與人、道路、環(huán)境、道路信號(hào)燈設(shè)計(jì)、交通監(jiān)管部門管理等因素之間的關(guān)系。上述研究多采用國(guó)外開(kāi)源數(shù)據(jù)，難以反映具有中國(guó)特色的道路交通事故特征，且部分研究以國(guó)內(nèi)某一城市的事故統(tǒng)計(jì)數(shù)據(jù)為研究對(duì)象，難以表征道路交通事故的共性。鑒于此，本文統(tǒng)計(jì)、分析國(guó)家車輛事故深度調(diào)查體系(National Automobile Accident In-Depth Investigation System，NAIS)中的交叉口車-車事故數(shù)據(jù)，研究道路交叉口事故嚴(yán)重程度影響因素，為交叉口事故預(yù)防提供理論支撐。

1 數(shù)據(jù)概述及變量描述

1.1 數(shù)據(jù)采集

NAIS由國(guó)家市場(chǎng)監(jiān)督管理總局缺陷產(chǎn)品管理中心聯(lián)合8所具有較深事故研究背景的高校、事故鑒定機(jī)構(gòu)及科研機(jī)構(gòu)共同建立，其目的是采集具有中國(guó)道路交通事故特征的深度數(shù)據(jù)，并建立汽車主被動(dòng)安全研究基礎(chǔ)數(shù)據(jù)庫(kù)。2011—2019年已收集4 000多起道路交通事故案例，覆蓋全國(guó)7個(gè)地區(qū)，包括東北、華南、西南、華北、華東等地。數(shù)據(jù)主要由交通事故采集人通過(guò)到事故現(xiàn)場(chǎng)復(fù)勘和交警部門獲得，包括事故照片、編碼的數(shù)據(jù)、警方資料、事故現(xiàn)場(chǎng)視頻、事故重構(gòu)文件、CAD事故現(xiàn)場(chǎng)圖及事故分析報(bào)告等，數(shù)據(jù)完整、詳細(xì)，對(duì)交通事故研究具有較高價(jià)值。本文篩選交叉口(三枝、四枝)車-車事故數(shù)據(jù)共計(jì)556條，剔除并清洗信息記錄不全數(shù)據(jù)后，得到有效數(shù)據(jù)471條。

1.2 變量選取及說(shuō)明

1.2.1 因變量

根據(jù)初始數(shù)據(jù)將事故嚴(yán)重程度分為4個(gè)等級(jí)，分別為輕微事故(僅輕傷)、一般事故(重傷，未死亡)、重大事故(死亡一兩人)、特大事故(死亡3人及以上)，由于特大事故僅占0.002%，將其與重大事故歸為一類，最終將人員傷亡事故嚴(yán)重程度由低到高劃分為3個(gè)等級(jí)，分別為輕微事故(僅輕傷)、一般事故(重傷，無(wú)死亡)、重大事故(死亡1人及以上)，頻數(shù)分別為40、210、221。因變量編碼及描述見(jiàn)表 1。

表1 因變量編碼

1.2.2 自變量

調(diào)研國(guó)內(nèi)外學(xué)者對(duì)交叉口事故影響因素選取情況，結(jié)合原始數(shù)據(jù)事故特征，從駕駛員、車輛、道路、環(huán)境4個(gè)維度選取13個(gè)離散型變量作為自變量，分別為駕駛員主要過(guò)失、性別、天氣、事故發(fā)生時(shí)段、參與車輛類型、道路行政等級(jí)、路段類型、路口是否有信號(hào)燈、路面狀況、道路線形、路燈是否開(kāi)啟、是否有交通限速標(biāo)志、對(duì)向機(jī)動(dòng)車道隔離形式。由于道路交叉口流量大、沖突多，車型構(gòu)成復(fù)雜，車輛安全狀況參差不齊，選取8種車型共4類用于分析車輛類型的影響。結(jié)合歷年交叉口交通違法行為統(tǒng)計(jì)數(shù)據(jù)，選擇超速駕駛、酒后駕駛、未按規(guī)定讓行和其他違法操作分析駕駛員主要過(guò)失對(duì)事故特性的影響(見(jiàn)表2)。

表2 自變量設(shè)置說(shuō)明

2 有序Logistic回歸模型構(gòu)建

2.1 模型構(gòu)建

有序Logistic回歸是針對(duì)有序多分類變量的一種統(tǒng)計(jì)分析方法，而交通事故嚴(yán)重程度預(yù)測(cè)是一個(gè)有序多級(jí)別劃分的非線性問(wèn)題。設(shè)有序多分類變量Yi(i∈{1，2，…，n})有j個(gè)等級(jí)，取值為1，2，…，j，X為m個(gè)自變量x1,x2,…，xm，則有序Logistic回歸模型表達(dá)式為：

(1)

式中：P(Yi≤j|X)為累積概率，P(Yi≤j|X)=1；αj為常數(shù)項(xiàng)；M為自變量數(shù)量；βjm為回歸系數(shù)。

有序Logistic模型共有j-1個(gè)。有序Logistic的概率模型表示為：

(2)

2.2 模型適用性檢驗(yàn)

2.2.1 變量的多重共線性檢驗(yàn)

在進(jìn)行模型擬合之前，采用方差膨脹因子對(duì)13個(gè)變量之間的共線性情況進(jìn)行診斷。方差膨脹因子是容忍度的倒數(shù)，用于判斷是否存在多重共線性，其值為0～10表示可以接受。結(jié)果表明13個(gè)自變量之間無(wú)多重共線性(見(jiàn)表3)。

表3 變量的多重共線性診斷

2.2.2 平行性檢驗(yàn)

平行性檢驗(yàn)結(jié)果見(jiàn)表4?？ǚ街禐?4.636，顯著性P為0.369>0.05，接受原假設(shè)，有序Logistic回歸模型合適。

表4 平行性檢驗(yàn)結(jié)果

2.2.3 PearsonX2檢驗(yàn)和偏差統(tǒng)計(jì)量

PearsonX2檢驗(yàn)通過(guò)頻數(shù)檢驗(yàn)?zāi)Ｐ统闪⒌募僭O(shè)，其標(biāo)準(zhǔn)X2統(tǒng)計(jì)量計(jì)算公式為：

(3)

式中：Ok為第k類協(xié)變類型的實(shí)際頻數(shù)；Ek為第k類協(xié)變類型的期望頻數(shù)；K為協(xié)變類型的種類數(shù)。

X2的自由度為協(xié)變類型數(shù)目與參數(shù)數(shù)目之間的差距，X2統(tǒng)計(jì)量的值越小，模型擬合效果越好。

在Logistic回歸模型中，將偏差統(tǒng)計(jì)量D視為擬合優(yōu)度統(tǒng)計(jì)量，計(jì)算公式為：

(4)

PearsonX2檢驗(yàn)結(jié)果見(jiàn)表5。由表5可知：PearsonX2統(tǒng)計(jì)量的顯著性P為0.518，偏差統(tǒng)計(jì)量的P值為1.000，模型的擬合效果好。

表5 Pearson X2檢驗(yàn)結(jié)果

2.2.4 數(shù)據(jù)的單變量觀察

利用SPSS描述性統(tǒng)計(jì)中的交叉表，依次對(duì)13個(gè)指標(biāo)與事故嚴(yán)重程度之間的關(guān)系進(jìn)行卡方檢驗(yàn)，檢驗(yàn)結(jié)果見(jiàn)表6。由表6可知：路段類型、性別、路口是否有信號(hào)燈、道路線形、路面狀況、對(duì)向機(jī)動(dòng)車道隔離形式與事故嚴(yán)重程度沒(méi)有顯著關(guān)系。自變量篩選過(guò)程中，結(jié)合模型的Wald檢驗(yàn)結(jié)果，逐步剔除無(wú)統(tǒng)計(jì)學(xué)意義的自變量，剔除順序依次為路段類型、性別、道路線形、路面狀況、對(duì)向機(jī)動(dòng)車道隔離形式。剔除過(guò)程中發(fā)現(xiàn)路口是否有信號(hào)燈的顯著性接近0.05，暫不予以剔除。

表6 單變量顯著性檢驗(yàn)結(jié)果

3 模型計(jì)算結(jié)果分析

有序Logistic模型計(jì)算結(jié)果見(jiàn)表7。擬合優(yōu)度檢驗(yàn)中P<0.001，拒絕原假設(shè)，有序Logistic模型整體有意義。

表7 有序Logistic模型估計(jì)結(jié)果

續(xù)表7

由表7可知：

(1) 駕駛員。駕駛員存在過(guò)失會(huì)對(duì)事故嚴(yán)重程度產(chǎn)生顯著正影響。以駕駛員無(wú)過(guò)失事故嚴(yán)重程度為參照，超速駕駛、未按規(guī)定讓行的偏回歸系數(shù)分別為1.053、0.964，超速駕駛對(duì)事故嚴(yán)重程度影響最顯著，其次是未按規(guī)定讓行，分別使交叉口事故嚴(yán)重程度上升286.6%、262.2%。

(2) 車輛類型。非機(jī)動(dòng)二/三輪車和貨車對(duì)事故嚴(yán)重程度產(chǎn)生顯著正影響。以乘用車為參照，參與車輛涉及非機(jī)動(dòng)二/三輪車的偏回歸系數(shù)為2.743，對(duì)事故嚴(yán)重程度影響最大；其次是貨車和機(jī)動(dòng)二/三輪車，偏回歸系數(shù)分別為2.603、1.667。

(3) 道路。路口是否有信號(hào)燈、路燈是否開(kāi)啟對(duì)交叉口事故嚴(yán)重程度產(chǎn)生顯著正影響。以路口有信號(hào)燈為參照，路口無(wú)信號(hào)燈條件下交叉口事故嚴(yán)重程度上升158.9%。以有路燈為參照，無(wú)路燈情況下事故嚴(yán)重程度上升207.9%。可見(jiàn)，完善的交通信號(hào)控制設(shè)施對(duì)降低事故嚴(yán)重程度極為重要。

(4) 環(huán)境。事故發(fā)生時(shí)段對(duì)事故嚴(yán)重程度有顯著影響。以事故發(fā)生時(shí)間為晨昏為參照，事故發(fā)生時(shí)間為日間的偏回歸系數(shù)為-0.917，與事故嚴(yán)重程度呈顯著負(fù)相關(guān)。相比于晨昏，日間發(fā)生的交通事故嚴(yán)重程度更輕，事故嚴(yán)重程度降低40%。

4 結(jié)論

以NAIS數(shù)據(jù)庫(kù)中交叉口事故數(shù)據(jù)為樣本，從人、車輛類型、道路、環(huán)境四方面選取13個(gè)變量構(gòu)建有序Logistic回歸模型，分析車-車事故嚴(yán)重程度的影響因素，得出如下結(jié)論：1) 駕駛員過(guò)失、車輛類型、路口是否有信號(hào)燈、路燈是否開(kāi)啟、事故發(fā)生時(shí)段顯著影響事故嚴(yán)重程度。2) 超速駕駛、車輛類型為非機(jī)動(dòng)二/三輪車、貨車對(duì)事故嚴(yán)重程度影響最大；路口無(wú)信號(hào)燈、無(wú)路燈、事故發(fā)生時(shí)段也會(huì)使事故嚴(yán)重程度加重。

隨著NAIS體系中數(shù)據(jù)量的逐年增加，未來(lái)可以綜合更多的道路交叉口事故數(shù)據(jù)進(jìn)行分析，以更準(zhǔn)確地掌握交叉口車-車事故嚴(yán)重程度的影響機(jī)理。