關(guān)鍵詞：交通安全；傷害嚴(yán)重程度；機(jī)器學(xué)習(xí)；XGBoost模型；混合Logit模型中圖分類號：F540；U491.31 文獻(xiàn)標(biāo)志碼：A DOI： 10.13714/j.cnki.1002-3100.2025.12.013

Abstract：Thisaticleanalyzestheinfluencingfactorsof head-oncolionsinvolvingmotorvehicles，inlightoftherisingnumberof suchacidentsThearticleobtainstraffcacidentdatafromNorthCarolina，USA，coveringtheyearsfrom2O13to2017. Itcategorizestheseverityofacidentsbasedontheinjuryseverityofpeopleinvolved，using fourmainaspects：humanfactors， vehicleharacteristics，roadconditionsandenvironmentalinfluences.Atotalof41factorsareselectedasindependentvariables， whiletheseverityofinjuriesservesasthedependentvariable，ategorizedintofivelevels：noinjuries，minorinjuries，serious non-disablinginjuries，seriousdisablinginjuries，andfatalinjuries.ApredictivemodelisestablishedbasedontheExtreme GradientBosting （XGBost）algorithmandmixedLogitmodel.First，theaccidentdataisanalyzedusingtheXGBostpredictive modeltoidentifythetop2Oindependentvariablesthatsignificantlyimpacttraficaccidents.Thesevariablesarethenputinto themixed Logit model to filter for independent variables with a significance level of Plt;0.05 .The results indicate that four variables-drivercharacteristcs（drivingudertheinfluence），roadcharacteristics（curvature）oadconditions（icysurfaces）and functionalareas （farmlands，forests，pastures）—exhibitrandomorparametercharacteristics.Ananalysisofthemarginaleffects from the mixed Logit model shows that when vehicle speed limits exceed 60km/h ，the risk of serious disabling injuriesis increased by 0.71% ，and the probability of fatal accidents rises by 0.83% ，compared to speed limits between 36km/h and 60km/h . Basedonthesefindings，measurescanbeakentopreventtheoccurenceofsuchaccidents，providingdatasupportandaheoretical basis for traffic managers and policymakers.

KeyWords：traffic safety;injuryseverity;machine learning;XGBoostmodel;mixedLogitmodel

0引言

世界衛(wèi)生組織最新發(fā)布的《2023年道路安全全球現(xiàn)狀報告》中指出，自2010年以來，道路交通死亡人數(shù)每年下降 5% 降低至每年119萬人。近幾年來我國交通安全事故頻發(fā)，嚴(yán)重阻礙了我國交通行業(yè)的健康發(fā)展，2024年國家統(tǒng)計局?jǐn)?shù)據(jù)統(tǒng)計顯示，2022年全國共發(fā)生交通事故256409起，其中機(jī)動車交通事故發(fā)生215 627起。中國2004—2013年道路交通事故數(shù)據(jù)顯示，道路上由于逆行發(fā)生的對撞交通事故占全年交通事故總數(shù)的 3%～5% 。此外，2013年機(jī)動車肇事的死亡人數(shù)在所有原因中排名第四。世界衛(wèi)生組織啟動《全球道路安全行為十年計劃》，其目標(biāo)為在2030年之前將全球道路交通傷亡人數(shù)降低至少50% 。交通事故影響廣遠(yuǎn)、危害嚴(yán)重，應(yīng)當(dāng)引起人們的足夠重視，應(yīng)對產(chǎn)生交通事故的原因進(jìn)行深度調(diào)查，進(jìn)而制定科學(xué)的措施，減少交通事故的發(fā)生。因此對交通事故人員受傷嚴(yán)重程度進(jìn)行預(yù)測和分析，準(zhǔn)確找到造成車輛發(fā)生頭碰頭對撞交通事故的影響因素意義重大。

機(jī)動車發(fā)生頭碰頭對撞事故導(dǎo)致人員受傷嚴(yán)重程度不同受到多方面因素影響，包括車輛碰撞前的速度、車輛類型、駕駛員及乘客的年齡分布以及是否酒后駕駛、事故發(fā)生的環(huán)境（如天氣、路況）等。

國內(nèi)外對交通事故嚴(yán)重性程度進(jìn)行分析的相關(guān)研究已開展多年。在研究方法上，國內(nèi)外研究概況如下：Weietal從駕駛員、車輛、駕駛環(huán)境等影響因素方面選取14個變量，建立路側(cè)碰撞貝葉斯二元Logit模型。采用偏離信息準(zhǔn)則和接收器工作特性曲線對交通事故模型進(jìn)行擬合優(yōu)度檢驗；Ren et al.4利用美國聯(lián)邦鐵路管理局2020—2021年的事故數(shù)據(jù)，旨在預(yù)測事故傷害嚴(yán)重性結(jié)果，并探討影響事故傷害嚴(yán)重性的各種因素，使用XGBost模型和SHAP提供了與碰撞、交叉、車輛、駕駛員和環(huán)境相關(guān)的風(fēng)險因素的基于證據(jù)的層次結(jié)構(gòu)和統(tǒng)計推斷；Kim et al5用隨機(jī)森林模型、XGBost模型、神經(jīng)網(wǎng)絡(luò)模型以及Logistic 回歸模型，對天氣變化帶給高速公路事故的風(fēng)險進(jìn)行定量評估，發(fā)現(xiàn)隨機(jī)森林模型表現(xiàn)最佳；林慶豐等采用Logistic模型分析2017年收集的非交通事故集的嚴(yán)重程度；鄧卓通過SMOTENC算法對美國2022年交通數(shù)據(jù)集進(jìn)行采樣，從時空因素、天氣狀況和路況條件分析影響交通事故嚴(yán)重程度的13個因素，利用RStudio中的XGBoost函數(shù)建立多分類預(yù)測模型，模型準(zhǔn)確率達(dá)到了 89.76% 。Rampinelli et al8利用智利圣地亞哥收集的行人碰撞數(shù)據(jù)和識別的空間數(shù)據(jù)聚類，建立了部分比例賠率模型（PPO），發(fā)現(xiàn)男性和老年人、晚上或周末，駕駛員或行人不遵守交通規(guī)則，具有酒后駕駛行為，行人不服從交通標(biāo)志指導(dǎo)等，均會增加致命車禍的概率；Mahashash etal9使用Logit模型（BLM）檢查了1255起農(nóng)村高速公路事件，以確定傷害嚴(yán)重程度的決定因素。研究發(fā)現(xiàn)，迎面相撞、高速行駛、使用私家車和周末事件顯著增加了嚴(yán)重傷害的可能性；Jamaletal.運(yùn)用XGBoost模型進(jìn)行特征重要度分析，發(fā)現(xiàn)碰撞類型、天氣狀況、路面狀況、現(xiàn)場損傷類型、光照條件和車型是預(yù)測碰撞損傷嚴(yán)重程度的少數(shù)敏感變量；王立曉等用偏轉(zhuǎn)系數(shù)來構(gòu)建Scobit模型加人傳統(tǒng)的二項式Logit模型上，以此預(yù)測交通事故的傷害嚴(yán)重程度。

在研究內(nèi)容與結(jié)果方面，國內(nèi)外研究概況如下：肖樂[12以528例交通事故數(shù)據(jù)為樣本，以車輛損失程度和傷亡狀態(tài)作為因變量，建立有序Probit模型，結(jié)果表明人為因素、車輛類型、碰撞位置、路燈和交通信號燈狀態(tài)，均顯著影響事故發(fā)生的概率，其中超速駕駛、酒后駕駛發(fā)生嚴(yán)重交通事故的概率會嚴(yán)重增加；Yang et al.13]探索道路和環(huán)境因素對高速公路交通事故嚴(yán)重程度的影響，并建立高速公路交通事故嚴(yán)重程度預(yù)測模型。首先對獲取的歷史交通事故數(shù)據(jù)變量進(jìn)行篩選，從道路和環(huán)境兩個角度歸納出11個影響因素，并對相關(guān)變量進(jìn)行離散化處理；Wang et al.l研究表明：駕駛員自身因素、道路條件、車輛在道路上行駛時間，以及天氣狀況等因素顯著影響事故嚴(yán)重性；董傲然等15采用一些優(yōu)勢比率分析模型和彈性分析方法發(fā)現(xiàn)，行人和機(jī)動車駕駛員的性別以及道路類型對行人受傷嚴(yán)重程度有非常重要的影響；Sari et al重點(diǎn)分析導(dǎo)致道路交通事故的因素，通過卡方分析進(jìn)行了交叉分類，卡方分析的結(jié)果表明，人為因素（如疏忽和超速）以及道路和環(huán)境因素（如水平布置、道路寬度、清晰區(qū)域、交通標(biāo)志、路面標(biāo)記和土地使用）都會影響交通事故；Rolison et al.u研究2005—2012年英格蘭的交通事故，發(fā)現(xiàn)年輕駕駛員的車禍與挑戰(zhàn)駕駛條件、冒險行為、缺乏經(jīng)驗等因素有關(guān)，揭示了年輕駕駛員參與車禍的深層次原因，其中由于年輕人對天氣惡劣并且濕滑的道路判斷經(jīng)驗不足，超速行駛造成交通事故的風(fēng)險增加，特別是17～20歲年齡組，遠(yuǎn)高于所有其他年齡組，女性占 22.9% ，男性占 18.6% ；Wangetal.8引入隨機(jī)效應(yīng)負(fù)二項模型研究交通流動態(tài)特性對交通事故風(fēng)險的影響，結(jié)果表明平均速度較低且車道內(nèi)速度變化較大時事故風(fēng)險往往較高；Yeet al.1在交通事故模型中加入與道路幾何條件相關(guān)的變量，經(jīng)過研究分析發(fā)現(xiàn)濕滑路面、水平曲線半徑及長度、惡劣天氣、無燈光夜晚等條件會使死亡事故概率顯著增加；Eboli et al.20運(yùn)用Logit模型研究外部環(huán)境對事故發(fā)生后碰撞的嚴(yán)重程度產(chǎn)生的影響。結(jié)果表明，車型、超速行駛、車流等都會對碰撞程度產(chǎn)生影響，顯著影響事故嚴(yán)重程度的變量因引發(fā)事故的不同情況組合而不同。Sony et al2l對道路事故預(yù)測的研究，特別是異構(gòu)交通條件下城市道路的交通事故預(yù)測研究進(jìn)行了綜述分析，該研究有助于研究人員在城市道路交通事故預(yù)測方面更好地解決當(dāng)前異構(gòu)交通狀況面臨的問題，并且分析結(jié)果表明運(yùn)行速度以及限速與運(yùn)行速度之間的差異是影響事故發(fā)生率的關(guān)鍵因素。

綜上所述，發(fā)現(xiàn)大部分研究者采用單一模型進(jìn)行分析，單一模型往往本身具有缺點(diǎn)，模擬預(yù)測出的結(jié)果具有較大局限性。在以上研究中研究人員在分析交通事故時所設(shè)置影響因素較少，往往不能全面科學(xué)地為交通管理者提供堅實可靠的理論依據(jù)。本文結(jié)合運(yùn)用XGBost模型與混合Logit模型進(jìn)行分析，XGBoost模型在處理大規(guī)模數(shù)據(jù)時表現(xiàn)出色，能夠并行處理，具有較高的效率，通過迭代優(yōu)化模型，在預(yù)測精度上通常優(yōu)于其他算法，混合Logit模型能夠充分考慮各參數(shù)之間的關(guān)聯(lián)性，且能更好地反映各影響因素對交通事故人員受傷嚴(yán)重程度的作用效果。

1數(shù)據(jù)描述

本文采用的是美國北卡羅來納州2013—2017年機(jī)動車發(fā)生頭碰頭碰撞事故的10 286條數(shù)據(jù)，根據(jù)事故人員受傷嚴(yán)重程度分為五個等級：人員未受傷、受到輕傷、重傷未致殘、重傷但致殘、致命傷害，從人、車、路、環(huán)境四大方面進(jìn)行影響因素分析，每個分類變量建立一個基變量，并在表1中用星號標(biāo)出基變量。

2研究方法

2.1 XGBoost模型

本文采用的XGBoost模型是在2016年[22提出的一種梯度增強(qiáng)決策樹（GBDT：gradient boosting decision tree）的改進(jìn)算法，主要優(yōu)化了目標(biāo)函數(shù)、優(yōu)化方法、缺失值處理和防止過擬合等方面，采用了正則化和并行處理，以提高模型的性能和效率。XGBoost模型的核心算法是梯度提升，它是一種集成學(xué)習(xí)算法，通過逐步迭代方式訓(xùn)練一系列弱學(xué)習(xí)器（通常是決策樹），每一次迭代都嘗試糾正前一次迭代的誤差，最終將這些弱學(xué)習(xí)器組合成一個強(qiáng)學(xué)習(xí)器，并利用梯度下降方法來最小化損失函數(shù)，從而不斷改進(jìn)模型的預(yù)測能力。

XGBoost模型計算公式包括以下幾個關(guān)鍵部分。

關(guān)于 n 條 m 維的數(shù)據(jù)集，XGBoost模型如下。

是CART決策樹結(jié)構(gòu)集合。

q ：樣本映射到葉子節(jié)點(diǎn)的樹結(jié)構(gòu);

T ：葉子節(jié)點(diǎn)數(shù)；

ω ：葉節(jié)點(diǎn)的實數(shù)分?jǐn)?shù)。

根據(jù)目標(biāo)函數(shù)最小化原則尋找最優(yōu)參數(shù)，以建立最優(yōu)模型，則 XGBoost 模型的目標(biāo)函數(shù)（ObjectiveFunction）是損失函數(shù)和正則化項的組合，XGBoost使用目標(biāo)函數(shù)來進(jìn)行模型訓(xùn)練，其中正則化項有助于防止過擬合。目標(biāo)函數(shù)表達(dá)式如下。

Obj=L+Q

其中： γT 是 L1 的正則項， 是 L2 的正則項。

在保留原有模型的前提條件下，使用訓(xùn)練數(shù)據(jù)對模型進(jìn)行優(yōu)化訓(xùn)練，需要加入一個新的函數(shù)f到模型中，具體過程如下。

此時目標(biāo)函數(shù)如下。

在XGBoost算法中，為了快速尋找到目標(biāo)函數(shù)最小化的參數(shù)，對目標(biāo)函數(shù)進(jìn)行二階泰勒展開，得到近似目標(biāo)函數(shù)。

去掉常數(shù)項后，目標(biāo)函數(shù)只與誤差函數(shù)的一階和二階導(dǎo)數(shù)相關(guān)，此時目標(biāo)函數(shù)如下。

若 q 部分已知，可使用目標(biāo)函數(shù)尋找最優(yōu) ω_j ，進(jìn)而得到最優(yōu)目標(biāo)函數(shù)值，其本質(zhì)可歸為二次函數(shù)的最小值求解問題。

Obj：作為評價模型的打分函數(shù)，該值越小則模型效果越好，使用上述樹建立的方法可得到大量回歸樹結(jié)構(gòu)，可用 Obj 進(jìn)行搜索最優(yōu)的樹結(jié)構(gòu)，將其放入已有模型中，從而建立最優(yōu)的XGBoost模型。使用XGBoost模型主要步驟如下。

通過訓(xùn)練集數(shù)據(jù)來建立XGBoost回歸模型；

通過建立的XGBoost來計算特征重要性；

將建立的XGBoost回歸模型應(yīng)用到訓(xùn)練、測試數(shù)據(jù)，得到模型評估結(jié)果：

由于XGBoost具有隨機(jī)性，每次運(yùn)算的結(jié)果不一樣，若保存本次訓(xùn)練模型，后續(xù)可以直接上傳數(shù)據(jù)代人到本次訓(xùn)練模型進(jìn)行計算預(yù)測。

2.2混合Logit模型

本文主要是對機(jī)動車發(fā)生頭碰頭事故的嚴(yán)重程度進(jìn)行分析，即發(fā)生事故后，從事故的嚴(yán)重程度來分析人、車、路、環(huán)境四方面哪些是造成事故的重要影響因素，采用混合Logit模型進(jìn)行數(shù)據(jù)分析。混合Logit模型是一種用于建模個體選擇行為的統(tǒng)計模型，也是Logit模型的擴(kuò)展，允許個體的選擇行為受到不同參數(shù)化的概率分布影響。

在混合Logit模型中，假設(shè)個體的選擇行為受到多個概率分布的影響，這些概率分布可以反映出不同的選擇偏好或者不確定性。其效用函數(shù)定義為一個線性函數(shù)。

U_ij=β_iX_ij+ε_ij

式中： U_ij 為發(fā)生的第j起事故中，行人的受傷程度為 i 的效用函數(shù)； X_ij 為行人、駕駛員、道路和環(huán)境特征等自變量向量； β_i 表示影響受傷嚴(yán)重程度的自變量 X_ij 的估計參數(shù)向量； ε_ij 為誤差項。

假設(shè) ε_ij 服從極值分布，則每起交通事故中行人所遭受的受傷嚴(yán)重程度的概率[23]表示如下。

其中I是所有受傷嚴(yán)重程度 i 的集合 （I=5） 。為解決未考慮到的個體差異性，混合Logit模型采用隨機(jī)參數(shù) β ， β 可以表示固定參數(shù)和隨機(jī)項的線性組合，混合模型的概率密度函數(shù)進(jìn)一步表示如下。

式中： 表示為隨機(jī)向量 β 的概率密度函數(shù)； φ 表示描述概率密度函數(shù)的參數(shù)向量（例如：正態(tài)分布的均值和方差）。

2.3 邊際效應(yīng)

在交通事故中，邊際效應(yīng)分析可以幫助理解各種因素對交通事故發(fā)生的影響，分析邊際效應(yīng)的結(jié)果，理解各個因素對事故發(fā)生率的影響程度。通過邊際效應(yīng)能夠進(jìn)一步確定哪些因素會造成不同程度的交通事故。在本研究中所有自變量均被編碼成虛擬變量，因此所有自變量的邊際效應(yīng)24計算如下。

當(dāng)?shù)?k 個二進(jìn)制指標(biāo)變量 X_ijk 分別等于1或0時，計算單個事件 j 的每個嚴(yán)重程度級別特定的概率。每個參數(shù)的邊際效應(yīng)是通過平均所有觀測值的邊際效應(yīng)來計算的。

3模型預(yù)測結(jié)果

3.1XGBoost模型預(yù)測結(jié)果分析

將11大類的影響因素41個自變量，刪去每類因素的基礎(chǔ)數(shù)據(jù)，將剩下的29個自變量在XGBoost回歸模型中進(jìn)行分析，并根據(jù)對發(fā)生交通事故的影響大小將這些因素進(jìn)行排序。XGBoost模型預(yù)測結(jié)果顯示：結(jié)冰一路面特征，鄉(xiāng)村一道路位置，速度大于 60km?h^-1 ，農(nóng)場、林區(qū)、牧場一功能區(qū)，二級公路一公路等級，商業(yè)區(qū)一功能區(qū)，車速分布在 ，貨車一車輛類型，酒后行駛—駕駛員特征，雪和冰雹一天氣，USstate—道路等級，年齡小于20歲，年齡大于等于60歲，洲際公路一道路類型，SUV一車輛類型，夜晚有路燈一光照條件，皮卡一車輛類型，下雨天一天氣，夜晚無路燈一光照條件，彎曲一道路特征這些前20個自變量對交通事故產(chǎn)生了重要影響，其預(yù)測結(jié)果如圖1所示。

由圖1可知，結(jié)冰一路面對交通事故的發(fā)生產(chǎn)生了重要影響，在各影響因素中占比高達(dá) 9.8% ，其次是處于鄉(xiāng)村地區(qū)的道路，對機(jī)動車頭碰頭對撞事故的發(fā)生影響高達(dá) 8.6% ，當(dāng)機(jī)動車高速行駛時，對交通事故發(fā)生的影響占比達(dá) 5.6% 。車速分布在 ，商業(yè)地區(qū)、洲際道路、農(nóng)場、林場、牧場對交通事故的發(fā)生影響占比在 4.9%～5.0% 之間。XGBoost回歸模型只能評價出各自變量對因變量的影響占比，無法給出具體影響因素對交通事故發(fā)生的影響。

3.2混合Logit模型結(jié)果

將 XGBoost模型篩選出的前20個自變量放入混合Logit模型中進(jìn)行運(yùn)行分析，識別了以下4個變量的參數(shù)具有隨機(jī)性：酒后駕駛—駕駛員特征，農(nóng)場、牧場、林場—功能區(qū)，彎曲—道路特征，結(jié)冰—路面特征，由表2可知酒后駕駛—駕駛員特征的服從均值為-1.730 8、方差為5.680 3的正態(tài)分布，即對于在酒后發(fā)生事故且事故人員受傷嚴(yán)重程度定義為輕傷的占比為 38.2% 對于“功能區(qū)一農(nóng)場、林場、牧場”發(fā)生致命傷的交通事故參數(shù)服從均值為0.1651、方差為1.5523的正態(tài)分布，表明在這些地方發(fā)生交通事故且定義為致命傷的概率為 46% 。在道路特征為“彎曲”的路況上發(fā)生重傷致殘的交通事故所對應(yīng)的參數(shù)服從均值為-2.1770、方差為4.7776的正態(tài)分布，說明在彎曲道路上發(fā)生重傷致殘的交通事故概率為 32.6% 。當(dāng)?shù)缆繁砻娼Y(jié)冰時發(fā)生的重傷且致殘的交通事故參數(shù)服從均值為-7.1332、方差為4.4040的正態(tài)分布，表明當(dāng)?shù)缆繁砻鏋榻Y(jié)冰狀態(tài)時，發(fā)生重傷致殘的交通事故概率為 5.3% 。

續(xù)表

3.3邊際效應(yīng)結(jié)果及分析

由表3可知，邊際效應(yīng)結(jié)果在駕駛員特征類別中，隨著年齡的增大，重傷未致殘、重傷致殘、致命傷的邊際效應(yīng)結(jié)果均為負(fù)數(shù)，發(fā)生交通事故所引發(fā)的人員重大傷亡概率會降低。酒后駕駛在發(fā)生重傷未致殘、重傷致殘、致命傷的重大事故概率均為正數(shù)，即均出現(xiàn)增長。在道路特征方面，郊區(qū)、農(nóng)場、林場、牧場發(fā)生重大事故均有不同程度地增加，在商業(yè)功能區(qū)發(fā)生的輕微事故較多，重大交通事故有所降低。

在道路特征方面，道路位置—郊區(qū)，功能區(qū)—農(nóng)場，林場、牧場，道路特征—彎曲，道路類型—US在發(fā)生交通事故為重傷未致殘、重傷致殘、致命傷均有不同的增加；在車輛特征方面，車輛類型一貨車、車速分布為 36km?h^-1 以上發(fā)生嚴(yán)重交通事故的風(fēng)險均會不同程度地增加。

3.3.1 駕駛員特征分析

根據(jù)邊際效應(yīng)結(jié)果和圖2分析，駕駛員在60歲以上出現(xiàn)的交通事故人員受傷嚴(yán)重程度為重傷的概率會降低，發(fā)生致命傷重傷致殘的交通事故風(fēng)險分別會下降 0.6% 、 0.52% ，發(fā)生重傷未致殘的交通事故概率下降了 0.74% ，導(dǎo)致此結(jié)果可能是60歲以上老年人駕駛機(jī)動車更加謹(jǐn)慎，對路況的判斷經(jīng)驗也更為豐富，該研究結(jié)果與Rolison et al.1的研究結(jié)果一致。酒后駕駛使得機(jī)動車發(fā)生重傷事故的概率增加，酒后駕駛發(fā)生人員受到重傷未致殘交通事故、重傷致殘交通事故、致命交通事故的風(fēng)險概率分別會增加 4.77% 、 3.32% 和 3.87% 。酒后駕駛均不同程度地增加了交通事故發(fā)生的概率，故交通管理者和交通參與者在此方

面應(yīng)給予重視，交通參與者也應(yīng)該加強(qiáng)交通安全意識。交通管理者可采取相應(yīng)措施避免駕駛者酒后駕駛，可對道路上駕駛員的狀態(tài)進(jìn)行不定時檢測，以此監(jiān)督駕駛員不會在飲酒后駕駛。

3.3.2 道路特征分析

在道路的位置方面，本研究將道路位置分成郊區(qū)與城市兩類，由邊際效應(yīng)結(jié)果可知道路在郊區(qū)地帶所發(fā)生人員受到重傷未致殘的交通事故會增加3.33% 的風(fēng)險，發(fā)生重傷且致殘交通事故的概率增加 2.32% ，受到致命傷的概率增加 2.70% ，由于在鄉(xiāng)村地區(qū)，駕駛員的駕駛警惕心會有所下降，在郊區(qū)地帶也缺乏攝像等監(jiān)控措施，處于郊區(qū)的居民缺乏交通安全意識，交通違規(guī)違法行為時有發(fā)生以及交通管理人員的缺失等均能增加郊區(qū)地帶發(fā)生交通事故的概率。

由表3邊際效應(yīng)預(yù)測結(jié)果可知，道路所在功能區(qū)，其中農(nóng)場、林場、牧場發(fā)生嚴(yán)重交通事故的概率會上升，發(fā)生人員受到重傷未致殘、重傷致殘、致命傷交通事故的概率分別會增加 3.26% 、 2.26% 和 2.64% ，此結(jié)果可能是由于在農(nóng)場、林場、牧場這些區(qū)域的機(jī)動車密度較低，駕駛員的行駛速度較快且道路沒有設(shè)置相應(yīng)的減速措施，機(jī)動車質(zhì)量較低等，一旦發(fā)生碰撞會因為較高的行駛車速、不完善的照明設(shè)施從而增加發(fā)生嚴(yán)重事故的風(fēng)險。

當(dāng)?shù)缆吩谏虡I(yè)功能區(qū)時，由表3可知，發(fā)生的交通事故人員受傷嚴(yán)重程度不高，其中發(fā)生輕傷的交通事故概率增加 2.45% 發(fā)生嚴(yán)重的交通事故概率反而降低，發(fā)生重傷未致殘、重傷且致殘和致命的交通事故發(fā)生概率降低了 4.81% 、 3.35% 和 3.91% 導(dǎo)致該類結(jié)果的原因可能是在商業(yè)區(qū)機(jī)動車密度較高，能夠使駕駛員在駕駛機(jī)動車時保持較高的警惕心，商業(yè)區(qū)有比較完善的限速、渠化措施，可以有效地分離車流，照明設(shè)施也較為完善，這些舉措會使發(fā)生重大交通事故的概率下降，但由于機(jī)動車數(shù)量巨大，發(fā)生輕微交通事故的概率會增加。

從道路表面路況進(jìn)行分析，本研究將道路表面分為道路表面干燥、濕潤和結(jié)冰三種類型，當(dāng)路面處于結(jié)冰狀態(tài)時對交通事故發(fā)生的概率要大于當(dāng)路面處于干燥和濕潤時，由表3可知，路面處于結(jié)冰狀態(tài)時發(fā)生輕微事故會大大增加，未受傷交通事故發(fā)生的概率增加了 24.64% ，發(fā)生輕傷交通事故的概率增加 6.28% ，同時從邊際效應(yīng)預(yù)測結(jié)果中可知發(fā)生重大事故的風(fēng)險在下降，人員受到重傷未致殘、重傷致殘、致命傷的交通事故概率分別降低 12.34% 、 8.57% 和 10.01% 。路面結(jié)冰時，機(jī)動車行駛時輪胎與路面的摩擦力會大大下降，此時機(jī)動車在低速行駛時，若遇到緊急情況，隨著機(jī)動車制動能力的下降往往會發(fā)生輕微碰撞。

在分析道路在直線和彎曲狀態(tài)下發(fā)生的交通事故概率時，本文在混合Logit模型中選擇直線道路作為基礎(chǔ)數(shù)據(jù)，由混合Logit模型結(jié)果可知，彎曲道路上發(fā)生人員受到重傷未致殘交通事故、重傷致殘交通事故和受到致命傷交通事故增長的概率分別是 2.9% 、 2.01% 和 2.35% 。在彎曲道路上行駛的機(jī)動車往往會由于過高的速度在轉(zhuǎn)彎時發(fā)生車輛失控的狀況，車輛在失控后進(jìn)入相反方向的車道從而發(fā)生機(jī)動車頭碰頭交通事故，因為此時機(jī)動車速度較快且不受駕駛員控制往往會發(fā)生重大的交通事故。交通管理部門可在彎曲的道路設(shè)置警示設(shè)施和減速設(shè)施，以減少重大交通事故發(fā)生的概率。

3.3.3 車輛特征分析

本研究將車輛類型分為四類，分別為客車、皮卡、SUV和貨車，其中在混合Logit模型中篩選出貨車會對發(fā)生交通事故產(chǎn)生重要影響。由表3可知車輛類型為貨車發(fā)生人員受到重傷未致殘、重傷致殘和致命傷的交通事故均有不同程度的增加，分別增加 2.38% 、 1.66% 和 1.93% 。貨車由于其質(zhì)量、體積及車速等因素往往會發(fā)生一些較為嚴(yán)重的交通事故，貨車在制動方面的性能比客車、皮卡和SUV差一些，同時，貨車還有一定的視野盲區(qū)，當(dāng)發(fā)生交通沖突或碰撞時，貨車駕駛員無法及時做出

車輛制動的措施，往往會發(fā)生導(dǎo)致人員受到重傷的交通事故。該分析結(jié)果可為交通管理部門管理貨車較多區(qū)域提供數(shù)據(jù)支撐，交通管理部門可在貨車出現(xiàn)頻次較高的區(qū)域設(shè)置限速措施，使貨車在低速下保持行駛，以便發(fā)生緊急情況時，能夠及時做出制動行為，避免發(fā)生交通事故和避免使交通事故升級。

在車輛速度方面，本研究將車輛速度分為三部分，分別是低速：速度 ?35km?h^-1 ，中等速度：速度在 36～ 60km?h^-1 ，高速：速度 gt;60km?h^-1 ，并將“速度 ?35km ·$＼ln ^ { - 1 } ^ { ＼prime }$ ’作為混合Logit模型中的基礎(chǔ)數(shù)據(jù)，從邊際效應(yīng)分析的結(jié)果發(fā)現(xiàn)車速分布在 36～60km?h^-1 與車速大于 60km?h^-1 發(fā)生輕微交通事故的概率均會下降，而發(fā)生重大交通事故的概率均會增加。由表3可知，當(dāng)限制車速處于 36～60km ·

時，發(fā)生人員受到重傷未致殘、重傷且致殘以及致命傷的交通事故的風(fēng)險分別會增加 3.61% 、 2.51% 和 2.93% ；當(dāng)機(jī)動車行駛速度大于 60km?h^-1 時，發(fā)生重傷未致殘、重傷致殘、致命傷的交通事故發(fā)生概率分別增加 4.63% 1 3.22% 和 3.76% 。

將機(jī)動車以 36～60km?h^-1 速度行駛與機(jī)動車以 60km?h^-1 的速度行駛發(fā)生的交通事故風(fēng)險進(jìn)行比較，由圖3可知機(jī)動車在高速行駛狀態(tài)下發(fā)生人員受到重傷未致殘的交通事故風(fēng)險比機(jī)動車處于 36～60km?h^-1 速度時發(fā)生的交通事故風(fēng)險多 1.02% ，重傷且致殘的交通事故風(fēng)險多 0.71% ，受到致命傷交通事故的概率多 0.83% ，此結(jié)果與Mahashhashetal.的研究結(jié)果一致，即高速行駛會使嚴(yán)重的交通事故顯著增加。由此看來，機(jī)動車在高速行駛時將會增加發(fā)生重大交通事故的概率，故交通管理者應(yīng)做好限速措施，同時駕駛員在駕駛機(jī)動車時，也應(yīng)該將車速控制在安全范圍內(nèi)，避免發(fā)生重大交通事故。

4總結(jié)

本研究基于北卡羅來納州2013—2017年機(jī)動車發(fā)生頭碰頭對撞事故的共 1 0 286 條數(shù)據(jù)，將數(shù)據(jù)從人、車、路和環(huán)境四大方面細(xì)化分成11類影響機(jī)動車發(fā)生頭碰頭對撞事故的因素，再將11類影響因素細(xì)化分成41個自變量，將交通事故的嚴(yán)重程度作為因變量。將處理好的數(shù)據(jù)放在XGBoost模型和混合Logit模型進(jìn)行預(yù)測分析，最后將篩選后的因變量放入邊際效應(yīng)模型中進(jìn)行分析。

由XGBoost回歸模型結(jié)果可知導(dǎo)致交通事故發(fā)生的前20個重要影響因素，但無法給出每個自變量對機(jī)動車發(fā)生頭碰頭交通事故的具體風(fēng)險概率，其中結(jié)冰一路面特征，鄉(xiāng)村地區(qū)一道路位置，速度 gt;60km?h^-1 一行駛速度，農(nóng)場、林場、牧場一功能區(qū)，洲際公路一道路類型，商業(yè)地區(qū)一功能區(qū)，速度在 36～60km?h^-1 一行駛速度對發(fā)生交通事故影響作用占總體因素前列，其中結(jié)冰一道路表面對發(fā)生交通事故的影響最大。

由混合Logit模型預(yù)測的結(jié)果可知有四個自變量的參數(shù)是隨機(jī)的，分別是酒后駕駛—駕駛員特征，農(nóng)場、牧場、林場一功能區(qū)，彎曲一道路特征，結(jié)冰一路面特征。由邊際效應(yīng)結(jié)果可知當(dāng)機(jī)動車以 .gt;60km?h^-1 的速度行駛時，易發(fā)生重大事故，其中發(fā)生致命傷的交通事故會增加 3.76% ，故應(yīng)該在易發(fā)生交通事故的區(qū)域建立限速措施，并且加強(qiáng)監(jiān)控措施測定車輛行駛時的速度，以便將速度控制在最合理范圍內(nèi)。在結(jié)冰的路面上行駛時發(fā)生受傷嚴(yán)重程度為輕傷的交通事故的概率會增加 6.28% ，故在季節(jié)寒冷時應(yīng)及時關(guān)注路面狀況，及時養(yǎng)護(hù)路面，避免交通事故的發(fā)生；雙向分隔的道路發(fā)生重大交通事故率降低，所以應(yīng)該在道路進(jìn)行渠化，合理地分配車流。

本研究將XGBost模型和混合Logit模型相結(jié)合，綜合分析了導(dǎo)致機(jī)動車發(fā)生頭碰頭對撞事故的影響因素，從而為交通管理者制定措施時提供理論依據(jù)和數(shù)據(jù)支撐。本文在研究過程中也存在以下不足：本文只將XGBost模型與混合Logit模型進(jìn)行融合以預(yù)測結(jié)果，并未考察該模型的擬合度是否優(yōu)于其他模型之間的擬合度；在數(shù)據(jù)因變量方面，僅籠統(tǒng)概括以人員作為基準(zhǔn)的事故嚴(yán)重性，未具體細(xì)分為駕駛員、乘客、受傷人數(shù)等。

參考文獻(xiàn)：

[1]World HealthOrganization.Global statusreportonroadsafety2O23[M/OL].Switzerland：WorldHealthOrganization2023. （2023-12-13）[2024-09-03].https：//www.who.int/publications/i/item/9789240086517.

[2]NationalBureauofStatistics[EB/OL].（2023-01-01）[2024-09-03].htps//data.stats.gov.cn/easyquery.htm？cn=C01amp;zb= A0S0D01amp;sj=2023.

[3]WEIFulu，CAIZhengganGUOYongqing，etal.Analysisofroadsideacidentseverityonuralandurbanroadways[J].Intellgent Automation Soft Computing， 2021，28（3）：753-767.

[4]RENQiaoqiao，XUMin，ZHOUBojian，etal.Traficsafetyassessmentandinjuryseverityanalysisforundivided two-way highway-rail gradecrosings[J/OL].Mathematics，2024，12（4）.[2024-09-05].htps：/doi.org/10.3390/math12040519.

[5]KIM D，JUNG S，YOONS.Riskpredictionforwinterroadacidentsonexpressways[J/OL].Applied Sciences，2021，（20）. [2024-09-05]. https：//doi.org/10.3390/app11209534.

[6]林慶豐，鄧院昌．廣東省機(jī)-非交通事故時空特征與嚴(yán)重程度分析[J].科學(xué)技術(shù)與工程，2019，19（29）：327-332.

[7]鄧卓，趙陽．基于XGBo0st模型的交通事故嚴(yán)重程度預(yù)測[J].中國交通信息化，2024（6）：121-124.

[8]RAMPINELLIA，CALDERONJF，BLAZQUEZAC，etal.Investigating therisk factorsasociatedwith injuryseverityin pedestriancrashesinSantiago，Chile[J/OL].InternationalJourmalofEnvironmentalResearchandPublicHealth，2O2219（17）. [2024-09-06]. https：//doi.org/10.3390/ijerph191711126.

[9]MAHASHHASHBOM，MDUSOFFIN，YAZIDMRM，etal.Factorsinfluencinginjuryseverityinroadtraficcolisions： AcomprehensiveanalysisfromLibya.InternationalJournalofTransportDevelopmentandIntegration，2O23，7（4）：303-310.

[10]JAMALA，ZAHIDM，TAUHIGERRAHMANM，etal.Injuryseveritypredictionoftraffccrasheswithensemblemachine learningtechniques：Acomparativestudy[J].InternationalJounalofInjuryControlandSafetyPromotion21，28（4）：408427.

[1]王立曉，左志，楊曄，等．基于 Scobit 的交通事故受傷嚴(yán)重程度模型[J].重慶交通大學(xué)學(xué)報（自然科學(xué)版），2020，39（4）：1-5.

[12] 肖樂，周華，王朝健，等．交叉口車車碰撞事故車損程度的影響要素[J].汽車安全與節(jié)能報，2023，14（1）：23-30.

[13]YANG Yang，WANGKun，YUANZhenzhou，etal.Predicting freewaytraffccrashseverityusingXGBoost-Bayesiannetwork modelwithconsiderationoffeatureinteraction[J/OL].JournalofAdvanedTransportation，2022：1-16.[2024-09-0.https：/ doi.org/10.1155/2022/4257865.

[14]WANG Yonggang，LUO Xianyu.Analyzingrear-endcrashseverityforamountainousexpresswayinChinaviaaclasification andregression tree with random forestapproach[J]. Archives of Civil Engineering，2O21，67（4）：591-604.

[15]董傲然，王長帥，秦丹，等．機(jī)動車-行人事故中行人傷害嚴(yán)重程度分析[J]中國安全科學(xué)學(xué)報，2020，30（11）：141-147.

[16]SARI N，MALKHAMAHS，SUPARMABL.Roadtraficacidentsfactoronuralarterialroads[J].JouralofAppliedEngineering Science， 2024，22（2）：470-482.

[17]ROLISONJJ，MOUTARIS.Combinationsoffactorscontributetoyoungdrivercrashes[J].JournalofSafetyResearch，2020 （73）：171-177.

[18]WANG Chen，ZHONG Ming，ZHANGHui，etal.Impactsofreal-time traficstateonurban expresswaycrashes bycolion and vehicle type[J/OL]. Sustainability，2022，14（4）.[2024-09-08]. https：/doi.org/10.3390/su14042238.

[19]YEFeiCHENGWen，WANGChangshuai，etal.Investigatingtheseverityofexpresswaycrashbasedontherandom parameterlogitmodelacountingforunobservedheterogeneityl/OL].AdvancesinMechanicalEngineering，2021，13（12）. [2024-09-08]. https：//doi.org/10.1177/16878140211067278.

[20]EBOLILFORCINIC.TheseverityoftraffccrashesinItaly：Anexplorativeanalysisamongdiferentdrivingcircumstances[J/OL]. Sustainability，2020，12（3）.[2024-09-10]. https：//doi.org/10.3390/su12030856.

[21] SOYB，RAOCHH.Reviewandanalysisofroadwaycrashpredictionstudiesonurbanroadsunder heterogeneoustraffic conditions[C/OL]/InternationalConferencesonAdvancesinCivil （ICACE2021）.IOPConferenceSeries：MaterialsScience andEngineering，2021，1197（1）：1-10.（2021-1-01）2024-09-10].htps：//ww.researchgate.et/publication/35654489Rview_and_analysis_of_roadway_crash_prediction_studies_on_urban_roads_under_heterogeneous_trafic_conditions.

[22] CHEN Tianqi，GUESTRINC.XGBoost：A scalable tree bostingsystem[C/OL// KDD'16：Procedingsof the 22ndACM SIGKDD International Conferenceon KnowledgeDiscoveryandData Mining，San Francisco，2016：785-794.（2016-08-13） [2024-09-15]. https：//doi.org/10.48550/arXiv.1603.02754.

[23]LIUPengfei，F(xiàn)ANWei （David）.Modeling head-oncrashseverityonNCDOTfreeways：Amixedlogitmodelapproach[J]. Canadian Journal of Civil Engineering，2019，46（4）：322-328.

[24]LIUPengfei，F(xiàn)ANWei（David）.Analyzinginjuryseverityofrear-endcrashesinvolvinglargetrucksusingamixedlogit model：A case study in North Carolina[J]. Journal of Transportation Safetyamp; Security，2O22，14（5）：723-736.