周琬琦 張 衡

（1.陜西鐵路工程職業(yè)技術(shù)學(xué)院，陜西 渭南 714000；2.上海市政工程設(shè)計(jì)研究總院（集團(tuán)）有限公司西安分公司，陜西 西安 710000）

0 引言

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展及交通設(shè)施的日趨完善，我國(guó)整體交通的安全水平也在不斷提高，萬(wàn)車(chē)死亡率和10 萬(wàn)人口死亡率均低于全球70%的國(guó)家和地區(qū)，但與部分發(fā)達(dá)國(guó)家相比，仍有不小差距［1］。目前，我國(guó)高速公路總里程僅占公路總里程的2.8%，但交通事故率卻居高不下，因交通事故而死亡的人數(shù)占比高達(dá)13.7%［2］。因此，有必要對(duì)高速公路交通事故，尤其是與高速公路交通事故嚴(yán)重程度相關(guān)的因素進(jìn)行分析。

近年來(lái)，對(duì)交通事故嚴(yán)重程度影響因素的研究主要圍繞道路、環(huán)境、車(chē)輛、管理措施等方面展開(kāi)。王長(zhǎng)君等［3］以事故死亡人數(shù)為因變量，來(lái)探討道路因素對(duì)事故嚴(yán)重性的影響。趙躍峰等［4］指出隧道交通事故嚴(yán)重程度與車(chē)輛數(shù)量、是否涉及大貨車(chē)、事故發(fā)生時(shí)間和天氣均顯著相關(guān)。此外，還有研究表明，高速公路限速值［5］、是否系安全帶［6-7］等因素與事故的嚴(yán)重程度也顯著相關(guān)。

由于事故嚴(yán)重程度屬離散型變量，因此，可采用統(tǒng)計(jì)學(xué)中的離散選擇模型（Logit模型和Probit模型）對(duì)其進(jìn)行研究。馬壯林等［8］采用有序Logit模型和廣義Logit模型來(lái)預(yù)測(cè)高速公路隧道事故的嚴(yán)重程度。劉海珠［9］從宏觀層面出發(fā)，構(gòu)建累積Logistics回歸模型，對(duì)不同嚴(yán)重程度的事故的影響因素進(jìn)行分析。Stipancic等［10］基于事故數(shù)據(jù)的時(shí)間序列性和空間相關(guān)性來(lái)分別構(gòu)建有序Logit 模型和Probit 模型，分析事故嚴(yán)重程度與駕駛員屬性間的相關(guān)關(guān)系。

有研究表明，傳統(tǒng)的固定參數(shù)離散選擇模型已無(wú)法對(duì)事故數(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，如天氣等因素對(duì)事故嚴(yán)重程度的影響在不同事故中并非是固定不變的）進(jìn)行刻畫(huà)［11］，可能會(huì)對(duì)模型結(jié)果的可靠性產(chǎn)生影響。因此，基于傳統(tǒng)的固定參數(shù)Logit 模型來(lái)探索出能反映數(shù)據(jù)異質(zhì)性的模型逐漸成為研究重點(diǎn)。

綜上所述，本研究選取道路、環(huán)境、駕駛員及車(chē)輛等變量，綜合考慮數(shù)據(jù)的異質(zhì)性，構(gòu)建隨機(jī)參數(shù)的有序Logit 模型，從而識(shí)別出顯著影響山區(qū)高速公路追尾事故嚴(yán)重程度的因素，為相關(guān)部門(mén)制定安全改善對(duì)策提供決策參考。

1 數(shù)據(jù)描述

本研究以漢寧高速河池至棋盤(pán)關(guān)段2012 年至2017 年共1 039 條追尾事故數(shù)據(jù)為數(shù)據(jù)源，從駕駛員、車(chē)輛、道路、環(huán)境這4 個(gè)維度出發(fā)，共收集到13 個(gè)可能影響事故嚴(yán)重程度的因素，而事故嚴(yán)重程度分為財(cái)產(chǎn)損失、受傷事故、致死事故等。通過(guò)對(duì)事故數(shù)據(jù)的初步統(tǒng)計(jì)分析后可知，相對(duì)于白天，夜晚死亡事故及受傷事故所占比重明顯偏高，且夜晚事故的嚴(yán)重程度明顯更為嚴(yán)重。因此，按白天和夜晚對(duì)事故發(fā)生時(shí)間進(jìn)行分類(lèi)，分析影響事故嚴(yán)重程度因素間的差異，分類(lèi)統(tǒng)計(jì)結(jié)果見(jiàn)表1。

表1 變量分類(lèi)統(tǒng)計(jì)結(jié)果

2 研究方法

以事故嚴(yán)重程度為研究對(duì)象，采用有序Logit模型對(duì)交通事故嚴(yán)重程度進(jìn)行預(yù)測(cè)分析，并確定影響高速公路交通事故嚴(yán)重程度的顯著性因素，從而建立事故嚴(yán)重程度和各因素間的關(guān)系，第j個(gè)等級(jí)（j=3）的有序Logit模型見(jiàn)式（1）。

式中：X為自變量組成的向量；β為回歸系數(shù)組成的向量；αj為第j個(gè)等級(jí)的截距；K為自變量的個(gè)數(shù)；xk為第k個(gè)自變量，k=1，2，…，K；βk為第k個(gè)自變量的回歸系數(shù)；P（Y≤j|X）為累積概率，且

有序Logit模型的概率模型見(jiàn)式（2）到式（4）。

傳統(tǒng)的有序Logit 模型存在比例優(yōu)勢(shì)假設(shè)的局限，即在不同嚴(yán)重程度等級(jí)的事故中，自變量效應(yīng)保持一致，即βk為固定參數(shù)，不會(huì)隨等級(jí)的不同而發(fā)生變化，未考慮數(shù)據(jù)的異質(zhì)性問(wèn)題?？紤]到數(shù)據(jù)的異質(zhì)性，在傳統(tǒng)的有序Logit 模型中引入隨機(jī)參數(shù)，模型的表達(dá)見(jiàn)式（5）、式（6）。

式中：βj為第j個(gè)等級(jí)的回歸系數(shù)向量，服從正態(tài)分布；αj為第j個(gè)等級(jí)的截距，且α1≤α2。

因此，隨機(jī)參數(shù)有序Logit 模型的概率模型見(jiàn)式（7）、式（8）。

3 模型標(biāo)定結(jié)果

采用逐步回歸法對(duì)傳統(tǒng)有序Logit 模型和加入隨機(jī)參數(shù)的有序Logit 模型進(jìn)行標(biāo)定，在95%置信水平下，模型中顯著變量參數(shù)的估計(jì)結(jié)果見(jiàn)表2、表3。

表2 白天事故模型參數(shù)標(biāo)定結(jié)果

表3 夜晚事故模型參數(shù)標(biāo)定結(jié)果

由表2、表3可知，在白天事故模型中，存在2個(gè)隨機(jī)參數(shù)變量，分別為“weather”和“speeding”，隨機(jī)參數(shù)分布如圖1 所示。夜晚事故模型中不存在隨機(jī)參數(shù)變量。其中，“weather”對(duì)應(yīng)的隨機(jī)參數(shù)服從均值為8.993、標(biāo)準(zhǔn)差為4.296 的正態(tài)分布，即對(duì)98.18%的不良天氣發(fā)生更嚴(yán)重事故的概率要高于良好天氣，只有1.82%的不良天氣發(fā)生更嚴(yán)重事故的概率低于良好天氣?！皊peeding”對(duì)應(yīng)的隨機(jī)參數(shù)服從均值為2.748、標(biāo)準(zhǔn)差為2.061 的正態(tài)分布，即對(duì)90.88%的車(chē)輛在超速時(shí)更容易發(fā)生嚴(yán)重的事故。

圖1 模型隨機(jī)參數(shù)分布

4 事故嚴(yán)重程度影響因素分析

由表2、表3 可知，在白天事故模型中，考慮隨機(jī)參數(shù)變量有序Logit 的偽R2值為0.725、AIC 值為249.74，傳統(tǒng)有序Logit 偽R2值為0.714、AIC 值為252.78。顯然，隨機(jī)參數(shù)變量有序Logit模型的擬合程度要優(yōu)于傳統(tǒng)有序Logit模型。

由于隨機(jī)參數(shù)有序Logit 模型的擬合效果要優(yōu)于傳統(tǒng)有序Logit 模型，且其能識(shí)別解析出各因素對(duì)事故嚴(yán)重程度的異質(zhì)性。因此，結(jié)合隨機(jī)參數(shù)有序Logit 模型中各顯著變量的邊際影響來(lái)分析各因素對(duì)事故嚴(yán)重程度產(chǎn)生的影響，結(jié)果見(jiàn)表4、表5。

表4 白天事故模型中各顯著性變量的邊際影響

表5 夜晚事故模型中各顯著性變量的邊際影響

4.1 環(huán)境因素

在白天事故模型中，節(jié)假日發(fā)生事故時(shí)的死亡概率比工作日降低26.8%，而發(fā)生事故時(shí)受傷的概率比工作日增加26.7%。說(shuō)明節(jié)假日遠(yuǎn)距離旅游出行的人員數(shù)量增加，道路交通量變大，發(fā)生受傷等嚴(yán)重程度較低的事故概率也會(huì)變大，這是因?yàn)檐?chē)速會(huì)相應(yīng)較低，導(dǎo)致發(fā)生死亡事故的概率下降。在夜晚事故模型中，該變量不顯著，這也是由節(jié)假日出行屬性決定的，人員晚上出行較少，與工作日交通量變化不大。

相較于良好的天氣條件，在不良天氣條件下，白天和夜晚發(fā)生事故死亡的概率均有所增加，增幅分別為32.3%、37.1%；發(fā)生財(cái)產(chǎn)損失事故的概率均有所降低，降幅分別為32.3%、16.5%。汽車(chē)在不良天氣條件下行駛時(shí)，由于能見(jiàn)度低和路面條件較為惡劣等原因，一旦發(fā)生交通事故，則交通事故通常較為嚴(yán)重，由于夜晚能見(jiàn)度更低，一旦發(fā)生事故，死亡的風(fēng)險(xiǎn)更高。

4.2 駕駛員因素

從性別方面來(lái)看，相較于男性駕駛員，女性駕駛員在夜間行車(chē)時(shí)發(fā)生死亡事故的概率較高。這是因?yàn)樵谑鹿拾l(fā)生時(shí)，女性駕駛員的處置及應(yīng)變能力不如男性，從而導(dǎo)致女性駕駛員發(fā)生交通事故的嚴(yán)重程度要普遍高于男性。夜晚女性駕駛員發(fā)生死亡事故的概率要比男性駕駛員高11.7%，而在白天事故模型中，這一變量不顯著。這與男女在生理及心理上存在的差異有關(guān)，通常男性駕駛員的體力及心理素質(zhì)要比女性更好。

在白天事故模型和夜晚事故模型中，超速會(huì)導(dǎo)致發(fā)生死亡事故的概率增加，增幅分別為23.1%、15.3%，發(fā)生受傷事故的概率分別降低22.9%、6%。這是因?yàn)樵诟咚傩旭傔^(guò)程中，車(chē)輛的動(dòng)能較大，剎車(chē)距離較長(zhǎng)，一旦發(fā)生事故，其嚴(yán)重程度一般較高。顯然，白天超速導(dǎo)致發(fā)生死亡事故的風(fēng)險(xiǎn)更大，這是因?yàn)榘滋斓缆返慕煌枯^大，一旦超速，極易造成追尾事故的發(fā)生，而夜晚的道路交通量相較白天會(huì)變少，交通事故增幅較白天稍低。

在白天事故模型和夜晚事故模型中，因疲勞駕駛而導(dǎo)致死亡事故的概率分別上升24.4%、30.6%。這是因?yàn)樵谝雇眈{駛汽車(chē)時(shí)，駕駛員更容易疲憊，所以發(fā)生交通事故死亡的風(fēng)險(xiǎn)也更高。

在白天事故模型和夜晚事故模型中，隨意變道導(dǎo)致發(fā)生死亡事故的概率分別上升21.6%、8.6%，顯然白天隨意變道導(dǎo)致的風(fēng)險(xiǎn)更大。這是因?yàn)榘滋斓缆返能?chē)流量更大，變道速度也較快，交通事故的影響更大。

在白天事故模型和夜晚事故模型中，因酒后駕駛而發(fā)生死亡事故的概率分別上升22.7%、22.4%，表明這一影響因素?zé)o明顯差異。

在白天事故模型和夜晚事故模型中，因未保持安全車(chē)距而導(dǎo)致死亡事故發(fā)生概率分別增加29%、13%，這是因?yàn)榘滋燔?chē)速較高，若跟車(chē)距離過(guò)近，造成的后果會(huì)更嚴(yán)重，風(fēng)險(xiǎn)也就更大。

4.3 道路因素

在道路曲線半徑方面，相較于道路曲線半徑≤1 000 m，當(dāng)其大于2 000 m 時(shí)，白天事故模型中發(fā)生死亡事故的概率降低77%。當(dāng)?shù)缆非€半徑為1 000～2 000 m、大于2 000 m 時(shí)，夜晚事故模型中發(fā)生死亡事故的概率降低15.4%、28.9%。這說(shuō)明隨著曲線半徑的增加，能有效避免急彎這一隱患，從而提高行車(chē)安全性，且白天車(chē)速通常較高，所以曲線半徑增大，事故中的死亡概率較晚上有明顯降低。

在道路縱坡方面，當(dāng)?shù)缆房v坡為1%～3%時(shí)，夜晚發(fā)生財(cái)產(chǎn)損失事故和受傷事故的概率均有所增加，增幅分別為3.5%、2.3%。同時(shí)，發(fā)生死亡事故的概率有所降低，降幅為5.8%。這是因?yàn)楫?dāng)高速公路的縱坡較大時(shí)，駕駛員在夜晚行車(chē)時(shí)會(huì)普遍提高警惕，并降低車(chē)速，從而降低事故的嚴(yán)重程度，而白天因能見(jiàn)度及視野情況良好，故該變量不顯著。

5 結(jié)語(yǔ)

本研究基于漢寧高速河池至棋盤(pán)關(guān)段2012 至2017 年的1 039 條追尾事故數(shù)據(jù)，從駕駛員、車(chē)輛、道路、環(huán)境這4個(gè)維度出發(fā)，共收集了13個(gè)可能影響事故嚴(yán)重程度的因素，并將事故發(fā)生時(shí)間按白天和夜晚進(jìn)行分類(lèi)分別構(gòu)建隨機(jī)參數(shù)有序Logit模型，用來(lái)分析追尾事故嚴(yán)重程度的影響因素。研究結(jié)果表明，在夜間模型和白天模型中，影響事故嚴(yán)重程度的重要因素存在明顯差異，相較于傳統(tǒng)的有序Logit模型，隨機(jī)參數(shù)有序Logit 模型的擬合效果更好，能更合理地揭示各因素對(duì)事故嚴(yán)重程度的作用效果。

由于事故嚴(yán)重程度的影響因素眾多，除本研究所涉及的因素外，還包括其他因素，如駕駛員心理要素、行駛速度等，還有待進(jìn)一步研究。