吳靜婷,潘義勇,施穎
(南京林業(yè)大學(xué) 汽車與交通工程學(xué)院, 江蘇 南京 210037)①
交通安全研究主要分為交通事故頻率預(yù)測(cè)和交通事故傷害嚴(yán)重程度分析.交通事故傷害嚴(yán)重程度分析對(duì)保障人民的人身及財(cái)產(chǎn)安全具有重要意義.隨著我國(guó)農(nóng)村路網(wǎng)布局不斷完善,農(nóng)村道路交通安全受到廣泛關(guān)注.在農(nóng)村公路車輛—車輛碰撞事故中,側(cè)面碰撞事故頻率最高[1],交叉口是道路網(wǎng)絡(luò)中最危險(xiǎn)的位置之一[2],因此有必要研究農(nóng)村公路交叉口發(fā)生側(cè)面碰撞事故的原因并對(duì)事故傷害嚴(yán)重程度進(jìn)行分析.
在農(nóng)村公路交叉口事故預(yù)測(cè)方面,Kim等[3]利用分層二項(xiàng)Logit模型,分析在農(nóng)村公路交叉口事故中道路、環(huán)境及交通等因素與機(jī)動(dòng)車碰撞之間的關(guān)系并對(duì)碰撞類型進(jìn)行了預(yù)測(cè).在農(nóng)村公路交叉口事故影響因素方面,Tay等[4]基于隨機(jī)參數(shù)Probit模型,對(duì)比分析農(nóng)村公路交叉口與城市道路交叉口碰撞事故的影響因素,發(fā)現(xiàn)出入口終端、彎道、周末及高峰時(shí)段等變量對(duì)農(nóng)村公路交叉口碰撞事故有顯著影響.上述研究方法均未對(duì)農(nóng)村公路交叉口事故傷害嚴(yán)重程度進(jìn)行探究.
目前,大多研究采用離散選擇模型來(lái)研究事故傷害的嚴(yán)重程度與影響因素之間的關(guān)系.Wang等[5]基于偏比例優(yōu)勢(shì)模型提出了影響左轉(zhuǎn)碰撞事故傷害嚴(yán)重程度影響因素辨識(shí)方法.林慶豐等[6]利用二元Logistic回歸模型并結(jié)合K-Means聚類模型對(duì)城市公交車事故傷害嚴(yán)重程度的影響因素進(jìn)行識(shí)別.Chen等[7]建立多項(xiàng)Logit模型分析美國(guó)北卡羅來(lái)納州行人—車輛碰撞事故中不同嚴(yán)重程度的影響因素.溫惠英等[8]采用巢式Logit模型對(duì)路段摩托車單車事故傷害嚴(yán)重程度的影響因素進(jìn)行分析.上述方法對(duì)影響事故傷害嚴(yán)重程度的因素進(jìn)行了探究,但并未考慮數(shù)據(jù)中普遍存在的異質(zhì)性即各因素對(duì)事故影響的隨機(jī)性[9].
綜上所述,本文采用混合Logit模型對(duì)農(nóng)村公路交叉口側(cè)面碰撞事故傷害嚴(yán)重程度進(jìn)行異質(zhì)性分析.首先,闡述混合Logit模型的基本原理;其次,采用2019年美國(guó)某州的農(nóng)村公路交叉口側(cè)面碰撞事故數(shù)據(jù),構(gòu)建混合Logit事故傷害嚴(yán)重模型并進(jìn)行參數(shù)估計(jì)和模型檢驗(yàn);最后,從駕駛員特性、道路特性、車輛特性及環(huán)境特性4個(gè)方面對(duì)事故傷害嚴(yán)重程度的影響進(jìn)行分析并提出建議,為降低農(nóng)村公路交通事故傷害嚴(yán)重程度奠定理論基礎(chǔ).
混合Logit模型是基于隨機(jī)效用最大化的離散選擇模型,考慮不同個(gè)體之間的異質(zhì)性并且允許不同選擇之間存在相關(guān)性.本文采用混合Logit模型對(duì)農(nóng)村公路交叉口側(cè)面碰撞事故中駕駛員的傷害嚴(yán)重程度的影響因素進(jìn)行分析.
效用函數(shù):
Uji=βjiXji+εji
(1)
式中:Uji為事故i的駕駛員受到傷害嚴(yán)重程度j的效用函數(shù);βji為事故i的駕駛員受到傷害嚴(yán)重程度j的影響因素的參數(shù)向量;Xji為事故i的駕駛員受到傷害嚴(yán)重程度j的影響因素集合;εji為隨機(jī)誤差項(xiàng).若隨機(jī)誤差項(xiàng)服從廣義極值分布,則構(gòu)成標(biāo)準(zhǔn)多項(xiàng)式Logit模型:
(2)
式中:j*為事故傷害嚴(yán)重程度的類別.因?yàn)椴煌瑐€(gè)體中存在異質(zhì)性,所以通過(guò)在參數(shù)向量βji中添加隨機(jī)項(xiàng),引入混合Logit模型.將參數(shù)向量βji表示為固定參數(shù)和隨機(jī)項(xiàng)的線性組合,即:
βji=βj+σjνji
(3)
式中:σj為βji服從參數(shù)分布的標(biāo)準(zhǔn)差;βj為事故傷害嚴(yán)重程度j的參數(shù)值的總體均值;vji為隨機(jī)項(xiàng),其均值為0,標(biāo)準(zhǔn)差為1.若標(biāo)準(zhǔn)差在統(tǒng)計(jì)時(shí)并未發(fā)現(xiàn)顯著異于0,則該參數(shù)將不會(huì)被識(shí)別為隨機(jī)參數(shù)且簡(jiǎn)化為固定效應(yīng)參數(shù)[10].
混合Logit模型的概率密度函數(shù)為:
f(vji|Ωi)dvji
(4)
式中:Pji(Xji|βji)為模型的概率密度函數(shù);Ωi為表示概率密度函數(shù)的均值和方差的參數(shù)向量;f(vji|Ωi)為vji服從某種分布的聯(lián)合密度函數(shù),常見(jiàn)的分布有正態(tài)分布、均勻分布、對(duì)數(shù)正態(tài)分布等.
由于混合Logit模型的表達(dá)式中存在高維積分,無(wú)法運(yùn)用數(shù)學(xué)解析法求出精確解,故采用極大似然估計(jì)法進(jìn)行參數(shù)估計(jì).其中對(duì)數(shù)似然函數(shù)為:
(5)
式中:LL(βji)為對(duì)數(shù)似然函數(shù);I為研究樣本總數(shù);r為抽樣方法,通常有隨機(jī)抽樣法和Halton抽樣法等;yji為0~1的變量,事故i的老年人受到傷害嚴(yán)重程度為j時(shí),yji為1,否則為0;R為抽樣次數(shù);已有研究表明,Halton 抽樣法比隨機(jī)抽樣法求解速度快,故本文選用Halton抽樣法,共抽取500次隨機(jī)參數(shù)β進(jìn)行分析[11].
本文數(shù)據(jù)來(lái)源于美國(guó)某州交通事故數(shù)據(jù)庫(kù),提取2019年該州農(nóng)村公路交叉口的35 964起事故(事故僅涉及2輛車),剔除正面碰撞、追尾碰撞等其他碰撞類型事故數(shù)據(jù)以及記錄不全數(shù)據(jù)和異常數(shù)據(jù),最終選取8 201起農(nóng)村公路交叉口側(cè)面碰撞事故作為研究對(duì)象.
原始美國(guó)某州交通事故數(shù)據(jù)庫(kù)將事故傷害嚴(yán)重程度分為5個(gè)等級(jí).但由于死亡事故和失能性傷害事故的數(shù)據(jù)總占比為3%,非失能性傷害事故和可能受傷事故總占比為26%,僅財(cái)產(chǎn)損失事故占比為71%,故本文將事故傷害嚴(yán)重程度分為3個(gè)等級(jí):重傷事故(包括死亡事故和失能性傷害事故,失能性傷害是人員受傷,并且需要他人幫助才能離開(kāi)事故現(xiàn)場(chǎng))、僅財(cái)產(chǎn)損失事故、輕傷事故(包括非失能性傷害事故和可能受傷事故,非失能性傷害故事指人員受傷但可以自行走路離開(kāi)事故現(xiàn)場(chǎng),可能受傷事故指人員無(wú)外傷但述說(shuō)有傷痛情況).
本文從人、車、道路和環(huán)境4個(gè)方面選取34個(gè)自變量參與建模,包括駕駛員特征(駕駛員性別、駕駛員年齡、駕駛員開(kāi)車時(shí)是否分心)、車輛特征(安全氣囊狀態(tài)、車輛類型、車速)、道路條件(道路表面環(huán)境、交叉口控制方式、交叉口類型、道路線形)及環(huán)境(光線條件、天氣情況、是否在作業(yè)區(qū)).自變量的描述及頻數(shù)統(tǒng)計(jì)見(jiàn)表1.
表1 自變量的描述及頻數(shù)統(tǒng)計(jì)
續(xù)表1 自變量的描述及頻數(shù)統(tǒng)計(jì)
通過(guò)逐步回歸法,在95%的置信度下檢驗(yàn)各影響因素對(duì)事故傷害嚴(yán)重程度的顯著影響(表2).研究發(fā)現(xiàn)交叉口類型、駕駛員性別、安全氣囊狀態(tài)、天氣情況、駕駛員是否分心、光線條件、道路線形、道路表面環(huán)境等11個(gè)影響因素在0.05或者更低顯著水平下與事故傷害嚴(yán)重程度顯著相關(guān).
在0.05顯著水平下對(duì)模型整體進(jìn)行顯著性檢驗(yàn),混合Logit模型的自由度為13,其似然比卡方值為45.298 22,大于臨界值(22.362),所以該事故傷害嚴(yán)重程度模型整體通過(guò)檢驗(yàn).
表2 逐步回歸估計(jì)結(jié)果
利用McFaddenR2指標(biāo)評(píng)價(jià)混合Logit模型的擬合度, McFaddenR2位于0.2~0.4, 表明該模型擬合較好[12].混合Logit模型的McFaddenR2值為0.372 25,表明該模型具有良好的擬合度.
采用Nlogit軟件進(jìn)行編程,混合Logit的隨機(jī)參數(shù)分布見(jiàn)圖1.從圖中可以看出,男性駕駛員對(duì)應(yīng)的參數(shù)為服從正態(tài)分布的隨機(jī)參數(shù),且該參數(shù)的均值為1.988 43,標(biāo)準(zhǔn)差為3.250 17,表明73.0%的男性駕駛員發(fā)生輕傷事故的概率高于女性駕駛員.十字交叉口對(duì)應(yīng)的參數(shù)同樣為服從正態(tài)分布的隨機(jī)參數(shù),且該參數(shù)的均值為7.696 81,標(biāo)準(zhǔn)差為5.602 69,表明在農(nóng)村公路交叉口側(cè)面碰撞事故中,91.5%的農(nóng)村公路交叉口側(cè)面碰撞事故發(fā)生在十字交叉口的嚴(yán)重事故概率高于發(fā)生在其他類型交叉口的事故概率.
(a) 駕駛員性別為男性參數(shù)分布
為量化農(nóng)村公路交叉口側(cè)面碰撞事故中各因素對(duì)事故傷害嚴(yán)重程度的影響,在估計(jì)模型參數(shù)后,求出顯著影響因素的平均邊際效應(yīng)值,即:
(6)
表3 事故傷害嚴(yán)重程度的混合Logit模型參數(shù)標(biāo)定結(jié)果
駕駛員性別與輕傷事故顯著相關(guān).駕駛員性別為男性時(shí),參數(shù)為正,發(fā)生輕傷事故的概率增大了0.933%.潛在原因是相比女性駕駛員,男性駕駛員更容易有尋求刺激的危險(xiǎn)駕駛行為[13],并且在發(fā)生意外情況時(shí)男性駕駛員的應(yīng)變能力更強(qiáng),心理承受能力更好.
駕駛員年齡與重傷事故顯著相關(guān).駕駛員年齡在35~64歲時(shí),其對(duì)應(yīng)的參數(shù)為負(fù),發(fā)生重傷事故的概率減小了0.337%.潛在原因是相比年輕駕駛員,該年齡段的駕駛員經(jīng)驗(yàn)充足、駕駛技術(shù)嫻熟;相比年老駕駛員,該年齡段駕駛員身體狀況良好,反應(yīng)敏捷.
駕駛員未分心與重傷事故顯著相關(guān).駕駛員未分心時(shí),參數(shù)為負(fù),發(fā)生嚴(yán)重事故的概率減小了2.388%,潛在原因是駕駛員在駕駛過(guò)程中未分心,能夠?qū)崟r(shí)注意到道路上的狀況變化.
綜上,相關(guān)部門應(yīng)針對(duì)不同性別、不同年齡的駕駛員發(fā)生事故的差異性開(kāi)展相應(yīng)的交通安全教育工作.同時(shí),相關(guān)部門可以增加違法成本,加強(qiáng)對(duì)農(nóng)村群眾警示教育,防止由不安全駕駛行為引發(fā)的交通事故.
輕型車與僅財(cái)產(chǎn)損失事故顯著相關(guān).車輛類型為輕型車時(shí),參數(shù)為正,發(fā)生僅財(cái)產(chǎn)損失的概率增大了21.284%.潛在原因是相比重型車,輕型車質(zhì)量較小,發(fā)生側(cè)面碰撞事故時(shí)動(dòng)能較低;相比摩托車,輕型車駕駛員相對(duì)危險(xiǎn)暴露量小,事故傷害等級(jí)通常較低.
安全氣囊未打開(kāi)與輕傷事故顯著相關(guān).氣囊狀態(tài)為未打開(kāi)時(shí),參數(shù)為正,發(fā)生輕傷事故的概率增大了5.473%.潛在原因是安全氣囊的打開(kāi)是針對(duì)較大等級(jí)碰撞事故而設(shè)計(jì)的,在輕傷事故中由側(cè)面碰撞產(chǎn)生的撞擊力通常達(dá)不到安全氣囊打開(kāi)的等級(jí).
綜上,根據(jù)邊際效應(yīng)可知,輕型車相較于其他影響因素明顯增大發(fā)生僅財(cái)產(chǎn)損失事故的概率,相關(guān)部門應(yīng)當(dāng)加強(qiáng)對(duì)農(nóng)村地區(qū)重型車、輕型車、摩托車等駕駛?cè)藛T的安全教育力度.同時(shí),應(yīng)向駕駛員普及安全氣囊的原理和作用,使駕駛員能夠充分利用安全氣囊來(lái)保護(hù)自身安全.
濕潤(rùn)與重傷事故顯著相關(guān).道路表面環(huán)境為濕潤(rùn)時(shí),參數(shù)為負(fù),發(fā)生重傷事故的概率減小了0.137%.潛在原因是相比干燥路面,道路表面濕潤(rùn)時(shí),駕駛員會(huì)謹(jǐn)慎駕駛降低車速,但是由于路面濕潤(rùn),路面摩擦系數(shù)降低,從而導(dǎo)致財(cái)產(chǎn)損失和輕傷事故增加.
信號(hào)燈控制與輕傷事故顯著相關(guān).當(dāng)交叉口控制方式為信號(hào)燈控制時(shí),參數(shù)為正,信號(hào)燈控制發(fā)生輕傷事故的概率增大了22.8%.潛在原因是相比其他控制方式的交叉口,信號(hào)交叉口在紅燈等待時(shí)間容易出現(xiàn)追尾事故.
十字交叉口與重傷事故顯著相關(guān).當(dāng)交叉口類型為十字交叉口時(shí),參數(shù)為正,十字交叉口發(fā)生重傷事故的概率增大了1.655%.潛在原因是相比其他類型交叉口(T型和Y型交叉口),十字交叉口的沖突點(diǎn)多且農(nóng)村地區(qū)機(jī)動(dòng)車、非機(jī)動(dòng)車混行嚴(yán)重,駕駛員在面對(duì)復(fù)雜交通流時(shí),容易情緒緊張導(dǎo)致重傷事故的發(fā)生.然而,十字交叉口通常視野開(kāi)闊,視野盲區(qū)較少,發(fā)生僅財(cái)產(chǎn)損失事故和輕傷事故的概率減小.
彎曲與僅財(cái)產(chǎn)損失事故顯著相關(guān).與此同時(shí),當(dāng)?shù)缆肪€形為彎曲時(shí),參數(shù)為負(fù),彎曲的道路線形發(fā)生財(cái)產(chǎn)損失事故的概率減小了0.020 7%.潛在原因是農(nóng)村地區(qū)多為山區(qū)道路,駕駛員無(wú)法預(yù)判前方路況,因此會(huì)降低車速謹(jǐn)慎駕駛.
綜上所述,相關(guān)部門可以增設(shè)警示標(biāo)志,提醒駕駛?cè)嗽诼访娉睗?、道路線路彎曲的路段謹(jǐn)慎駕駛.除此之外,在進(jìn)行路面管理時(shí)應(yīng)當(dāng)結(jié)合車速控制和道路抗滑能力進(jìn)行綜合管理[14].由邊際效應(yīng)值可知,信號(hào)交叉口發(fā)生輕傷事故的概率明顯高于其他影響因素.因此為減少信號(hào)交叉口路段追尾事故的發(fā)生,管理部門可以在該路段設(shè)置減速標(biāo)志提醒駕駛員降低車速并進(jìn)行合理的信號(hào)配時(shí).
黃昏/黎明與輕傷事故顯著相關(guān).當(dāng)光照條件為黃昏/黎明時(shí),參數(shù)為正,發(fā)生輕傷事故的概率增大了0.326%.潛在原因是相比白天和黑暗但有燈光的條件下,光線條件為黃昏/黎明時(shí),駕駛員不易看清前方道路[15].
多云與僅財(cái)產(chǎn)損失事故顯著相關(guān).當(dāng)天氣為多云時(shí),參數(shù)為負(fù),發(fā)生僅財(cái)產(chǎn)損失事故的概率減小了6.6%.潛在原因是相比晴天和雨天,天氣狀況為多云時(shí),駕駛員視野清晰并且無(wú)陽(yáng)光刺眼,駕駛環(huán)境良好.
綜上,相關(guān)部門可以制定相關(guān)法律法規(guī),例如:在18:00—6:00的時(shí)間段,無(wú)論是否有路燈,駕駛員都必須打開(kāi)車燈行駛.同時(shí),當(dāng)天氣環(huán)境不佳時(shí),相關(guān)部門可制定相應(yīng)的交通管理策略和事故應(yīng)急救援預(yù)案來(lái)保障交通安全[16].
(1)本文從駕駛員特性、車輛特征、道路條件和環(huán)境因素4個(gè)方面選取34個(gè)自變量,采用逐步回歸法分析自變量與因變量是否顯著相關(guān).結(jié)果表明:駕駛員年齡、車輛類型、道路表面環(huán)境、駕駛員開(kāi)車時(shí)是否分心、交叉口控制方式、交叉口類型、道路線形、安全氣囊狀態(tài)、光線條件、駕駛員性別、天氣情況與農(nóng)村公路交叉口側(cè)面碰撞事故傷害嚴(yán)重程度顯著相關(guān).
(2)以事故傷害嚴(yán)重程度為因變量,光線條件、駕駛員年齡、天氣情況、車輛類型、道路表面環(huán)境、駕駛員開(kāi)車時(shí)是否分心、交叉口控制方式、安全氣囊狀態(tài)、駕駛員性別等11個(gè)因素為自變量,采用混合Logit模型建立事故傷害嚴(yán)重程度分析模型.
(3)本文采用混合Logit模型識(shí)別出男性駕駛員、十字交叉口兩個(gè)變量對(duì)應(yīng)的參數(shù)為隨機(jī)參數(shù)且服從正態(tài)分布.
鑒于調(diào)研條件有限,本文沒(méi)有將建成環(huán)境、駕齡、事故發(fā)生時(shí)間等因素引入自變量,且沒(méi)有考慮模型變量之間的關(guān)系對(duì)事故傷害嚴(yán)重程度交互影響,這是今后需要研究的重要方向之一.