張 璇,溫惠英

(華南理工大學(xué)土木與交通學(xué)院,廣東 廣州 510640)

由于營運(yùn)性貨車承擔(dān)我國高速公路主要貨運(yùn)任務(wù),在我國的交通運(yùn)輸業(yè)占有重要地位[1]。然而,由于貨車數(shù)量占比高、車輛運(yùn)行性能較差、超載現(xiàn)象嚴(yán)重及疲勞駕駛等問題,我國高速公路安全受到極大威脅[2]。2016年公安交管部門公布的數(shù)據(jù)顯示,全國共發(fā)生貨車責(zé)任事故5.04萬起,造成2.5萬人死亡與4.68萬人受傷,以上指標(biāo)占汽車責(zé)任事故總量的比例遠(yuǎn)高于貨車保有量與汽車總量的比值[3]。相比于其他類型車輛事故,貨車引發(fā)的事故更多且后果更嚴(yán)重。隨著我國高速公路規(guī)模不斷增加,若不對(duì)貨車事故進(jìn)行深入分析并提出針對(duì)性的改善措施,其導(dǎo)致的社會(huì)損失將進(jìn)一步擴(kuò)大。

已有研究對(duì)高速公路貨車事故展開分析[4-9]，如牛毅等[4]基于關(guān)聯(lián)規(guī)則挖掘算法對(duì)2012—2017年浙江省轄區(qū)內(nèi)高速公路貨車事故數(shù)據(jù)展開研究,發(fā)現(xiàn)高速公路貨車事故具備顯著的時(shí)空分布規(guī)律,且死亡事故多發(fā)于凌晨;李振明等[5]基于浙江和吉林兩地的高速公路貨車事故數(shù)據(jù),使用分類學(xué)和社會(huì)網(wǎng)絡(luò)分析方法,研究發(fā)現(xiàn)南北兩地事故差異較大,并分別體現(xiàn)在數(shù)量、嚴(yán)重程度及事故原因方面,同時(shí)氣候和疲勞駕駛均為導(dǎo)致死亡事故的重要原因;Haq等[6]基于安全性能函數(shù)對(duì)美國懷俄明州2008—2016年輕、中和重型貨車事故數(shù)據(jù)展開分析,54%的貨車事故發(fā)生在道路結(jié)冰情況下,約46%的事故發(fā)生在雪天情況下,約45%事故涉及超速駕駛與不當(dāng)車道駕駛。然而,目前對(duì)高速公路貨車事故嚴(yán)重程度的探究尚未充分[9-11]。對(duì)高速公路貨車事故嚴(yán)重程度展開研究,可有效識(shí)別與嚴(yán)重事故緊密關(guān)聯(lián)的風(fēng)險(xiǎn)要素,針對(duì)性地提出改善措施,從而提升高速公路安全水平。

基于上述情況,研究基于2013—2015年廣東省開陽高速公路事故數(shù)據(jù)對(duì)高速公路貨車事故嚴(yán)重程度進(jìn)行了分析。研究以高速公路貨車事故嚴(yán)重程度為因變量,各起事故對(duì)應(yīng)的人、車、路與環(huán)境特征作為自變量,建立貝葉斯空間有序logit模型,分析事故發(fā)生時(shí)間、事故類型、駕駛員特征、路政救援到達(dá)時(shí)長、氣象要素與道路特征等變量對(duì)事故嚴(yán)重程度的影響效應(yīng),并基于該結(jié)果,從工程、管理方面提出相應(yīng)改善措施。

1 數(shù)據(jù)來源及簡介

廣東開陽高速公路為G15沈海高速公路上銜接佛開高速和陽茂高速的一段,全長約125.2 km。數(shù)據(jù)集組成如下:(1)2013—2015年廣東省開陽高速公路事故數(shù)據(jù)集:該數(shù)據(jù)集采集于廣東交通集團(tuán)及路政管理平臺(tái),涵蓋各起事故的時(shí)間、涉及車輛類型、地點(diǎn)、事故類型、救援到達(dá)時(shí)長、事故等級(jí)及駕駛員等信息;(2)廣東開陽高速公路平、縱斷面圖:該圖由廣東省交通規(guī)劃設(shè)計(jì)院完成,基于里程樁號(hào)對(duì)開陽高速公路的曲線、坡度變化進(jìn)行了描繪;(3)氣象數(shù)據(jù)集:由廣東氣候中心于氣象信息管理系統(tǒng)收集的2013—2015年開陽高速所經(jīng)地區(qū)(廣東省開平市、恩平市和陽江市)的小時(shí)氣象數(shù)據(jù),涵蓋風(fēng)速、降水、濕度、能見度和溫度等氣象要素信息?；趶V東開陽高速公路平、縱斷面圖,研究以曲率和坡度的同質(zhì)性為原則,將開陽高速公路劃分為154個(gè)路段,并讀取每個(gè)路段對(duì)應(yīng)的道路特征數(shù)據(jù)。在事故數(shù)據(jù)集中選取涉及貨車的事故數(shù)據(jù),基于各起貨車事故的發(fā)生時(shí)間與地點(diǎn),匹配相應(yīng)的道路特征信息與實(shí)時(shí)氣象數(shù)據(jù)。

研究以事故嚴(yán)重程度為因變量。事故等級(jí)被用于表征事故嚴(yán)重程度,其具體劃分標(biāo)準(zhǔn)見表1。自變量為事故類型、事故發(fā)生時(shí)間、涉及車輛信息、道路特征、救援到達(dá)時(shí)長和氣象要素等。關(guān)于自變量的詳細(xì)解釋和數(shù)據(jù)描述見表2。建模數(shù)據(jù)共692起貨車事故,其中輕微事故335起,一般事故309起,重大事故46起,特大事故2起。由于重大事故與特大事故的數(shù)量較少,將這兩類事故合為重特大事故類型進(jìn)行分析。

表1 事故等級(jí)劃分標(biāo)準(zhǔn)Table 1 Classification standard of crash severity

表2 變量解釋與數(shù)據(jù)描述Table 2 Variable interpretation and data description

2 模型方法

考慮到事故等級(jí)為有序的多分類變量,研究將有序logit模型作為基礎(chǔ)模型。由于目前可能存在某些未被觀測到的因素共同對(duì)相鄰路段發(fā)生的事故產(chǎn)生影響[12-16],以及多個(gè)連續(xù)路段共享同一氣象站的觀測數(shù)據(jù)[17],建模數(shù)據(jù)可能存在空間相關(guān)性。建模時(shí)若忽略數(shù)據(jù)的空間相關(guān)性,可能導(dǎo)致參數(shù)估計(jì)的偏差,進(jìn)而影響結(jié)果的準(zhǔn)確性和可靠性。為解決該問題,研究采用貝葉斯空間有序logit模型對(duì)數(shù)據(jù)進(jìn)行了擬合。該方法可基于有序logit模型框架考慮空間相關(guān)性[18]。

2.1 模型結(jié)構(gòu)

(1) 有序logit模型 在有序logit模型中,首先設(shè)定潛變量zi,并假設(shè)zi與解釋變量Xi之間的關(guān)系為線性,即

zi=βXi+εi,

其中:β為對(duì)應(yīng)解釋變量Xi的系數(shù);εi為隨機(jī)擾動(dòng)項(xiàng)。

事故等級(jí)yi的定義如下:

其中:j∈{1,2,…,J}表示事故等級(jí)從最低級(jí)事故(輕微事故)至最高級(jí)事故(重大/特大事故)。閾值μ1,…,μJ-1表示不同事故等級(jí)之間的閾值,μ1=0。

假設(shè)誤差項(xiàng)εi服從logistic分布,第i起事故對(duì)應(yīng)等級(jí)為j的累積概率為

因此,第i起事故對(duì)應(yīng)等級(jí)為j的概率為

(2) 空間有序logit模型 空間有序logit模型的實(shí)現(xiàn)方法為:基于有序logit模型框架,在潛變量zi與解釋變量Xi的關(guān)聯(lián)函數(shù)中添加基于條件自回歸(CAR,conditional autoregressive)先驗(yàn)的空間項(xiàng)與路段對(duì)應(yīng)的隨機(jī)項(xiàng)。其中空間項(xiàng)的作用為描述鄰接路段間的空間關(guān)聯(lián)效應(yīng),路段對(duì)應(yīng)的隨機(jī)項(xiàng)則用于描述事故發(fā)生路段的異質(zhì)性。

在空間有序logit模型中,潛變量zi與解釋變量Xi的關(guān)系可表示為

zi=βXi+φm+θm+εi,

其中:m為第i起事故發(fā)生路段;φm為對(duì)應(yīng)路段m的空間項(xiàng),φ被假定服從具有條件自回歸先驗(yàn)的正態(tài)分布;θm為對(duì)應(yīng)路段m的隨機(jī)項(xiàng),θm被假定服從均值為0的正態(tài)分布,即

其中:ωmn為路段m和路段n的空間鄰接權(quán)重,若路段m和路段n相鄰,ωmn=1,否則,ωmn=0。τc為條件自回歸高斯(正態(tài))分布的精度參數(shù),τθ為路段異質(zhì)性效應(yīng)θm的精度參數(shù)。

與2.1(1)節(jié)類似,第i起事故等級(jí)為j的累積概率為

因此,第i起事故等級(jí)為j的概率為

2.2 估計(jì)方法

考慮到最大似然估計(jì)無法對(duì)條件自回歸模型參數(shù)進(jìn)行標(biāo)定,選擇貝葉斯估計(jì)作為參數(shù)標(biāo)定方法。有序logit和空間有序logit模型的參數(shù)標(biāo)定通過WinBUGS軟件實(shí)現(xiàn)。由于沒有先驗(yàn)信息,以上模型中的β均被賦予無信息的先驗(yàn)分布N(0,104)。閾值μ2的先驗(yàn)分布為在0處右截距的正態(tài)分布N(0,104)?？臻g項(xiàng)和隨機(jī)項(xiàng)的精度參數(shù)τc和τθ均被賦予先驗(yàn)伽馬分布γ(0.001,0.001)。設(shè)定1條鏈進(jìn)行100 000次馬爾科夫鏈蒙特卡洛仿真迭代。通過WinBUGS中的Gelman-Rubin統(tǒng)計(jì)量判斷MCMC仿真的收斂情況。

2.3 模型比較準(zhǔn)則

研究基于偏差信息準(zhǔn)則(DIC,deviance information criterion)對(duì)比模型性能[19],DIC的計(jì)算方法為

另一模型性能對(duì)比指標(biāo)為分類精度(CA，classification accuracy)[20]。分類精度為在整個(gè)數(shù)據(jù)集的范圍中,通過模型準(zhǔn)確預(yù)測因變量的數(shù)量與總體數(shù)據(jù)樣本量的比值,其定義為

2.4 邊際效應(yīng)

由于在有序logit模型中,僅依靠估計(jì)參數(shù)的符號(hào)無法直接判斷相應(yīng)變量變化對(duì)事故各等級(jí)概率的影響。因此,需引入邊際效應(yīng)指標(biāo)用于說明。變量分為連續(xù)變量與分類變量,其邊際效應(yīng)的計(jì)算方法有所差異。

連續(xù)變量的邊際效應(yīng)為

其中：βk為xk的系數(shù)。

分類變量的邊際效應(yīng)為

3 結(jié)果分析

對(duì)以上模型進(jìn)行參數(shù)標(biāo)定后,得到的參數(shù)結(jié)果和模型擬合指標(biāo)見表3。

3.1 模型對(duì)比

通過表3可見,空間有序logit模型中,空間項(xiàng)與隨機(jī)項(xiàng)標(biāo)準(zhǔn)差sd(φ)、sd(θ)均在95%的置信水平上顯著。sd(φ)顯著說明建模數(shù)據(jù)中存在空間相關(guān)性。其潛在原因?yàn)?存在未被觀測的因素(如燈光、地形等),以上因素可共同影響相鄰路段的事故嚴(yán)重程度;多個(gè)連續(xù)路段共享同一氣象站的氣象數(shù)據(jù)。sd(θ)顯著說明數(shù)據(jù)中存在異質(zhì)性。其潛在原因?yàn)?存在未被觀測的因素(如道路設(shè)施等)影響同一路段事故的嚴(yán)重程度。

表3 模型標(biāo)定結(jié)果Table 3 Model standardization result

綜上所述,由于空間有序logit模型的數(shù)據(jù)擬合能力更優(yōu),以及建模數(shù)據(jù)存在空間相關(guān)性與異質(zhì)性,空間有序logit模型較有序logit模型更優(yōu)。

3.2 參數(shù)估計(jì)結(jié)果

鑒于3.1中結(jié)論之空間有序logit模型更優(yōu),因此參數(shù)解釋將基于空間有序logit模型的參數(shù)標(biāo)定結(jié)果。模型參數(shù)結(jié)果顯示:事故時(shí)間、事故類型、車主單位、外省車、救援到達(dá)時(shí)長、風(fēng)速、濕度與坡度均在空間有序logit模型中顯著。有序logit模型與空間有序logit模型中顯著變量的邊際效應(yīng)見表4。

表4 邊際效應(yīng)Table 4 Marginal effect %

基于表4中空間有序logit模型的邊際效應(yīng)結(jié)果，對(duì)各顯著變量的安全影響作用進(jìn)行解釋，具體如下：

事故時(shí)間方面,相比于凌晨,若事故發(fā)生在上午,重特大事故發(fā)生的概率降低2.6%,一般事故發(fā)生的概率降低6.9%,輕微事故發(fā)生的概率增加9.5%。相比于凌晨,若事故發(fā)生在晚上,重特大事故發(fā)生的概率降低3.53%,一般事故發(fā)生的概率降低10.38%,輕微事故的概率提高13.9%。下午與凌晨相比,發(fā)生嚴(yán)重事故的概率無顯著差異。對(duì)比各事故發(fā)生時(shí)間段的系數(shù)(見表3)可知,事故發(fā)生時(shí)間危險(xiǎn)排序(由安全到危險(xiǎn))為“晚上<上午<凌晨=下午”。凌晨與下午發(fā)生嚴(yán)重事故的可能性更高。其潛在原因?yàn)?由于生理節(jié)律特性,凌晨駕駛員易疲勞駕駛,從而造成嚴(yán)重事故;下午時(shí)段,廣東地區(qū)陽光較為強(qiáng)烈,駕駛員易眩暈與分心駕駛,從而造成嚴(yán)重事故的發(fā)生。

事故類型方面,相比于多車事故,若事故類型為單車事故,發(fā)生重特大事故的概率增加6.63%,發(fā)生一般事故的概率增加17.84%,發(fā)生輕微事故的概率降低24.5%。貨車單車事故較多車碰撞事故更易導(dǎo)致嚴(yán)重后果。其潛在原因?yàn)?貨車翻車事故屬單車事故類型,該類型事故更易造成嚴(yán)重的事故后果。美國官方數(shù)據(jù)證實(shí)該研究原因推斷的合理性:2018年美國翻車事故比例不足2%,造成死亡人數(shù)占比高達(dá)33%[21];同時(shí),涉及貨車的死亡翻車事故頻率為涉及小汽車的死亡翻車事故頻率的2倍[22]。

車主單位方面,相比于非客、貨運(yùn)單位的駕駛員,若涉及事故的駕駛員為客、貨運(yùn)單位所屬駕駛員,發(fā)生重特大事故的概率提高15.19%,發(fā)生一般事故的概率提高15.45%,發(fā)生輕微事故的概率降低30.64%?？汀⒇涍\(yùn)單位所屬駕駛員會(huì)提高嚴(yán)重事故的發(fā)生概率。其潛在原因?yàn)?客、貨運(yùn)單位對(duì)駕駛員的任務(wù)安排較為緊湊,該類型單位所屬駕駛員駕駛時(shí)間過長易造成疲勞駕駛;另外,當(dāng)駕駛?cè)蝿?wù)緊湊時(shí),駕駛員心理壓力較大,易注意力分散與感到疲乏,從而進(jìn)一步影響安全駕駛。

外省車方面,相比于無涉及外省車輛,若事故涉及外省車輛,發(fā)生重特大事故的概率提高2.43%,發(fā)生一般事故的概率提高6.16%,發(fā)生輕微事故的概率降低8.59%。外省車會(huì)提高嚴(yán)重事故發(fā)生的概率。其潛在原因?yàn)?外省車輛對(duì)本省路況與路線不熟悉,駕駛員易將注意力過多傾注于道路路牌標(biāo)識(shí)方面,分心駕駛,從而造成嚴(yán)重事故發(fā)生。

救援到達(dá)時(shí)長方面,當(dāng)該時(shí)長每增加一分鐘,發(fā)生重特大事故的概率提高0.1%,發(fā)生一般事故的概率提高0.2%,發(fā)生輕微事故的概率降低0.3%。救援到達(dá)時(shí)長的增加會(huì)提高發(fā)生嚴(yán)重事故的概率。該研究結(jié)果與其他研究結(jié)論一致[23-24]。其潛在原因如下:救援到達(dá)時(shí)長的增加易導(dǎo)致傷員的傷害水平由輕度向重度轉(zhuǎn)化;此外,由于高速公路設(shè)施的特殊性,事故涉及車輛在高速公路路段等待救援時(shí)間越久,發(fā)生二次事故的可能性越高,事故后果傾向于更嚴(yán)重。

氣象要素方面,當(dāng)風(fēng)速增加1 m/s,發(fā)生重特大事故的概率降低0.76%,發(fā)生一般事故的概率降低2%,發(fā)生輕微事故的概率提高2.76%。該結(jié)果說明風(fēng)速的增加會(huì)降低嚴(yán)重事故的發(fā)生概率。其潛在原因?yàn)?當(dāng)風(fēng)速增加時(shí),駕駛員傾向于提高警惕,并適當(dāng)降低車速,進(jìn)一步避免嚴(yán)重事故發(fā)生。當(dāng)濕度增加一個(gè)單位時(shí),發(fā)生重特大事故的概率提高0.1%,發(fā)生一般事故的概率提高0.2%,發(fā)生輕微事故的概率降低0.3%。濕度的增加會(huì)提高嚴(yán)重事故發(fā)生的概率。其潛在原因?yàn)?當(dāng)濕度增加時(shí),路面與輪胎間的摩擦力減小,而貨車轉(zhuǎn)彎時(shí)向心力較大,車輛易失控側(cè)翻,造成嚴(yán)重后果;另外,由于道路濕滑,車輛剎車難度增加,若貨車碰撞其他車輛,可能造成嚴(yán)重的人員傷亡事故。

道路特征方面,當(dāng)坡度增加1%,發(fā)生重特大事故的概率提高2.4%,發(fā)生一般事故的概率提高6.4%,發(fā)生輕微事故的概率降低8.8%。陡坡路段發(fā)生嚴(yán)重事故的概率更高。其潛在原因?yàn)?當(dāng)貨車駕駛在大長下坡路段時(shí),車速增加,而貨車質(zhì)量較大,減速和剎車難度大,若發(fā)生事故,將會(huì)造成較嚴(yán)重的人員傷亡及財(cái)物損失。

4 結(jié)論

基于廣東省2013—2015年開陽高速公路貨車事故數(shù)據(jù),以事故嚴(yán)重程度為因變量,選取事故發(fā)生時(shí)間、涉及車輛類型、車主單位、救援到達(dá)時(shí)長、氣象要素與道路特征變量作為自變量,建立有序logit模型與空間有序logit模型,并使用貝葉斯估計(jì)對(duì)模型參數(shù)進(jìn)行了標(biāo)定。根據(jù)模型結(jié)果,得出以下結(jié)論:

(2) 事故時(shí)間、事故類型、車主單位、外省車、救援到達(dá)時(shí)長、風(fēng)速、濕度與坡度均對(duì)高速公路貨車事故嚴(yán)重程度有顯著影響，其中相較于上午與晚上,下午和凌晨發(fā)生重特大事故的概率更高;相較于多車事故,單車事故導(dǎo)致嚴(yán)重后果的可能性更大;陡坡路段更易發(fā)生嚴(yán)重事故;涉及客貨運(yùn)單位駕駛員與外省車、救援到達(dá)時(shí)長的增加和濕度的增加均會(huì)提高嚴(yán)重事故發(fā)生的概率;風(fēng)速的增加會(huì)降低嚴(yán)重事故的發(fā)生概率。

(3) 結(jié)合研究結(jié)論,有針對(duì)性地提出以下改善措施:交管部門應(yīng)加強(qiáng)對(duì)運(yùn)輸企業(yè)的管理,督促企業(yè)合理安排駕駛?cè)蝿?wù),保障駕駛員身心健康;加強(qiáng)對(duì)貨車駕駛員的安全教育,警惕疲勞駕駛;加大力度嚴(yán)查貨車超載超限問題;鼓勵(lì)駕駛員白天駕駛佩戴墨鏡,減少因強(qiáng)烈光照導(dǎo)致的眩暈與注意力渙散;發(fā)展高速公路智能監(jiān)控技術(shù),基于圖像視頻自動(dòng)識(shí)別交通事故;優(yōu)化救援流程,縮短救援到達(dá)時(shí)長;優(yōu)化交通誘導(dǎo)標(biāo)志;當(dāng)遇到濕度較大天氣狀況時(shí),交警部門與路政部門及時(shí)將氣象信息發(fā)布至多個(gè)渠道(手機(jī)導(dǎo)航軟件、短信、廣播等),提醒駕駛員注意減速行駛。