基于MNL模型的車車碰撞事故嚴(yán)重程度影響因素辨識方法

王健宇，陸化普，孫智源，王天實

(1. 清華大學(xué) 土木工程學(xué)院，北京 100084；2. 北京工業(yè)大學(xué) 城市交通學(xué)院,北京 100124)

0 引言

交通安全問題是全世界共同面對的嚴(yán)峻公共安全挑戰(zhàn)。根據(jù)世界衛(wèi)生組織(World Health Organization，WHO)最新全球交通事故統(tǒng)計報告：2016年世界范圍內(nèi)因道路交通事故死亡的總?cè)藬?shù)超過135萬[1]，道路交通事故位列全球十大致死原因的第8名，是全球十大致死原因中唯一的非疾病類影響因素[2]。日益增長的道路交通量導(dǎo)致了交通事故的不斷增加[3]，因此對道路交通安全的研究一直是交通領(lǐng)域緊迫的基礎(chǔ)研究課題[4]。

道路交通事故研究的主要目的是降低事故的發(fā)生風(fēng)險和減少事故的危害性[5]，事故的頻次分析旨在降低事故的發(fā)生風(fēng)險[6]，事故的嚴(yán)重程度分析旨在減少事故的危害性[7]。本研究聚焦交通事故嚴(yán)重程度的研究。

事故嚴(yán)重程度的分析方法主要包含離散選擇模型和數(shù)據(jù)挖掘方法。離散選擇模型主要用于找尋事故嚴(yán)重程度的顯著影響因素，是穩(wěn)定且使用久遠(yuǎn)的統(tǒng)計分析模型。離散選擇模型主要包含logistic模型和probit模型[8]。Al-Ghamdi采用二項logistic回歸模型對9項相關(guān)因素(事故位置、事故形態(tài)、碰撞方位、事故時間、事故原因、駕駛員國籍、駕照狀態(tài)、車輛形態(tài)、駕駛員年齡)與事故是否致死之間的關(guān)系進(jìn)行分析，最終發(fā)現(xiàn)事故發(fā)生地點和事故原因是具有最顯著相關(guān)性的[9]。Celik和Oktay采用多項logistic回歸模型對土耳其埃爾祖魯姆省和卡爾斯省發(fā)生的11 771例道路交通事故的影響因素進(jìn)行分析，發(fā)現(xiàn)駕駛員年齡達(dá)到65歲及以上、駕齡低、高速路、人行橫道是可能導(dǎo)致死亡事故高發(fā)的因素[10]。Azimi等(2020)采用有序logistic模型對大型貨車傾覆事故的影響因素進(jìn)行分析，發(fā)現(xiàn)粗心駕駛行為和異常駕駛情況是可能導(dǎo)致嚴(yán)重事故高發(fā)的因素[11]。參考已有研究，發(fā)現(xiàn)logistic模型能夠有效地找尋事故嚴(yán)重程度的影響因素。因此，本研究采用Multinomial Logistic Regression(MNL)模型，即多項logistic回歸模型，找尋不同嚴(yán)重程度下的顯著影響因素。

交通事故嚴(yán)重程度的研究對象主要為交通事故嚴(yán)重程度的影響因素[12]。事故嚴(yán)重程度的影響因素包含人員屬性[13]、車輛屬性[14]、道路及環(huán)境屬性[15]、時間屬性[16]等。人員屬性的影響因素包括：駕駛員年齡[17]、駕齡[18]、性別[19]，是否涉及行人[20]等。車輛屬性的影響因素包括：碰撞類型[21]、事故責(zé)任[22]等。道路及環(huán)境屬性的影響因素包括：城市分區(qū)[23]、道路物理條件[24]、天氣[25]等。時間屬性的影響因素包括：季節(jié)[26]、高峰[27]等。參考已有研究中包含的影響因素，本研究整理形成4大類的影響因素進(jìn)行研究，分別為過失方人員及車輛因素、受害方人員及車輛因素、時間因素、環(huán)境因素。

綜上所述，本研究采用MNL模型，對車輛間的交通事故進(jìn)行分析，辨識影響事故嚴(yán)重程度的主要因素。

1 影響因素的定義與數(shù)據(jù)描述統(tǒng)計

根據(jù)沈陽市2015年至2017年的交通事故數(shù)據(jù)，對兩車之間的不同類型事故進(jìn)行研究，提取對象為碰撞雙方具有差異化的責(zé)任，即同時包含過失方(全責(zé)或主責(zé))和受害方(無責(zé)或次責(zé))，共提取事故593例。

對593例事故進(jìn)行標(biāo)定和結(jié)構(gòu)化處理，將事故嚴(yán)重程度定義為因變量Y，將事故嚴(yán)重程度的影響因素定義為自變量Xk。影響因素Xk共包含19項，可分為4大類：過失方人員及車輛因素、受害方人員及車輛因素、時間因素、環(huán)境因素。其中每大類包含的具體因素如下所示：

(1)過失方人員及車輛因素：車輛類型(X1)、性別(X2)、年齡(X3)、駕齡(X4)、逃逸行為(X5)、碰撞類型(X6)；

(2)受害方人員及車輛因素：車輛類型(X7)、性別(X8)、年齡(X9)、駕齡(X10)；

(3)時間因素：工作日(X11)、季節(jié)(X12)、時段(X13)、高峰時刻(X14)；

(4)環(huán)境因素：城市分區(qū)(X15)、道路橫斷面位置(X16)、道路物理隔離(X17)、路面狀況(X18)、天氣(X19)。

表1所示的結(jié)果為車輛間事故嚴(yán)重程度和影響因素不同取值的定義。其中，根據(jù)貨運(yùn)、客運(yùn)車輛的差異性將車輛類型分為小客車、大客車、小貨車、大貨車和其他等5類，對年齡和駕齡通過合理分組進(jìn)行分析。

表1 車輛間事故嚴(yán)重程度和影響因素不同取值的定義Tab.1 Definitions of different values of accident severity and influencing factors between vehicles

2 多項logistic回歸模型

本研究以沈陽交通事故為數(shù)據(jù)來源進(jìn)行分析，令Y為事故嚴(yán)重程度。依照財產(chǎn)損失、受傷人數(shù)和死亡人數(shù)的參考值，事故的嚴(yán)重程度被設(shè)置為3分類變量。令Y的取值為1，2，3，分別對應(yīng)僅財產(chǎn)損失、有受傷但無死亡、有死亡這3種事故嚴(yán)重程度的情況，數(shù)據(jù)中僅財產(chǎn)損失(Y=1)占比12.14%、有受傷但無死亡(Y=2)占比47.55%、有死亡(Y=3)占比40.30%。Xk為K個影響因素的第k項，bjk為影響因素Xk的影響系數(shù)，則對j=1，2，3的無分類變量，則可構(gòu)建2個分類變量的模型，其模型表達(dá)式為：

(1)

(2)

式中，a1,a2為常數(shù)項；α為模型參數(shù)，即Logistic回歸系數(shù)。

對全部J分類中的第j項概率計算表達(dá)式為：

(3)

通過計算，可獲得bjk的值，即為各項影響因素的系數(shù)，其指數(shù)函數(shù)Exp(bjk)即為各影響因素的OR值，也稱優(yōu)勢比，表示相對于被參考項，該影響因素在此取值情況下可能導(dǎo)致Y發(fā)生變化的相對概率。通常顯著水平P的臨界值設(shè)為0.05來篩選顯著的影響因素。對建立的模型需進(jìn)行似然比檢驗，當(dāng)P<0.05時說明模型具有意義。

3 虛擬變量的建立

對影響因素Xk需對其中的多分類變量進(jìn)行處理，引入虛擬變量，使多分類變量轉(zhuǎn)化多個為0-1分類的變量，代入進(jìn)行計算。通常引入虛擬變量的規(guī)則為：對某含有n分類的變量因素Xk，引入n-1個虛擬變量，使得該變量避免多重共線性。以過失方車輛類型(X1)為例建立虛擬變量，共5種取值，分別為1=小客車(低速汽車、微型客車、小型客車)；2=小貨車(輕型貨車)；3=大客車(中型客車、大型客車)；4=大貨車(汽車列車、中型貨車、重型貨車)；5=其他。其中，以1=小客車為參考，引入4個虛擬變量，如表2所示。

表2 過失方車輛類型(X1)引入虛擬變量后的結(jié)果Tab.2 result of introducing dummy variable into vehicle type of fault party (X1)

依照上述方法對過失方年齡(X3)、過失方駕齡(X4)、碰撞類型(X6)、受害方車輛類型(X7)、受害方年齡(X9)、受害方駕齡(X10)、季節(jié)(X12)、時段(X13)、城市分區(qū)(X15)、道路橫斷面位置(X16)、道路物理隔離(X17)進(jìn)行數(shù)據(jù)處理，引入虛擬變量代入計算。

4 MNL模型結(jié)果分析

MNL模型在加入二元自變量參量和經(jīng)虛擬變量處理后的自變量參量后，擬合優(yōu)化，最終模型擬合似然比檢驗P<0.05，說明構(gòu)建模型具有統(tǒng)計學(xué)意義，模型分析結(jié)果具有可靠性。

令P=0.05為顯著性界限值，在全部19項影響因素中，經(jīng)模型計算可得過失方車輛類型(X1)、過失方年齡(X3)、碰撞類型(X6)、受害方車輛類型(X7)、城市分區(qū)(X15)這5項影響因素為顯著的影響因素，其對應(yīng)P值分別為0.004，0.021，0.003，0.000，0.000，Y=1與Y=2情況下的計算結(jié)果如表3和表4所示。其中，B表示影響因素的對應(yīng)參數(shù)；P為顯著值；Wald，即參數(shù)B與其標(biāo)準(zhǔn)誤平方值的比值，表征對參數(shù)B的檢驗值；OR值為參數(shù)B的指數(shù)函數(shù)，即優(yōu)勢比，表征相對的發(fā)生概率倍數(shù)。本研究對Y=1和Y=2情況下的OR值進(jìn)行分析，以Y=3為參照，表征不同場景發(fā)生的相對概率。

4.1 僅財產(chǎn)損失事故的計算結(jié)果

Y=1表示事故嚴(yán)重程度為“僅財產(chǎn)損失”，其顯著值P小于0.05處對應(yīng)自變量的系數(shù)有顯著統(tǒng)計意義，即對因變量有顯著性的影響。OR值表示Y=1“僅財產(chǎn)損失”場景在該參考項下對Y=3“有死亡”場景發(fā)生概率相對的可能性倍數(shù)。根據(jù)表3所示的結(jié)果，正面碰撞(X6=1)、受害方車輛類型為小客車(X7=1)、主城區(qū)(X15=1)、近郊區(qū)(X15=2)為具有顯著意義的參考項，過失方車輛類型(X1)、過失方年齡(X3)的各類取值為無顯著意義的參考項。

表3 MNL模型下Y=1的參數(shù)估計值Tab.3 Estimated parameters in MNL model when Y=1

(1)碰撞類型(X6)

對于碰撞類型(X6)，其取值為1時為具有顯著影響的參考項取值(P=0.033)，表明“僅財產(chǎn)損失”事故與“有死亡”事故相比，當(dāng)碰撞事故類型為正面碰撞(X6=1)時，更偏向于出現(xiàn)“僅財產(chǎn)損失”的事故，這種可能性為其他碰撞類型(X6=4)情況的4.854倍。因此對于不同碰撞類型而言，正面碰撞更多出現(xiàn)的是輕微事故。

(2)受害方車輛類型(X7)

對于受害方車輛類型(X7)，其取值為1時為具有顯著影響的參考項取值(P=0.001)，表明“僅財產(chǎn)損失”事故與“有死亡”事故相比，當(dāng)受害方車輛類型為小客車(X7=1)時，更偏向出現(xiàn)“僅有財產(chǎn)損失”的事故，這種可能性為其他車輛類型(X7=4)情況的9.986倍。因此，對于不同類型的車輛而言，小客車發(fā)生事故類型多為僅有財產(chǎn)損失的輕微事故，相比于小客車，其他類型的車輛更應(yīng)該關(guān)注其產(chǎn)生嚴(yán)重交通事故的可能性。

(3)城市分區(qū)(X15)

對于城市分區(qū)(X15)，其取值為1和2都具有顯著影響的參考項取值(P=0.003和P=0.012)，表明“僅財產(chǎn)損失”事故與“有死亡”事故相比，當(dāng)城市分區(qū)分別為主城區(qū)(X15=1)和近郊區(qū)(X15=2)時，更偏向于出現(xiàn)“僅財產(chǎn)損失”事故，這種可能性分別為市域高速(X15=4)情況的35.292倍、18.549倍。因此，相比于在市域高速出現(xiàn)的交通事故，出現(xiàn)在主城區(qū)和近郊區(qū)的交通事故都主要為僅有財產(chǎn)損失的輕微事故。王建軍等通過統(tǒng)計分析方法發(fā)現(xiàn)高速公路發(fā)生的事故具有重大、特大事故占比高的特點，部分原因可能為追尾碰撞、氣候情況、駕駛員特征及車輛本身特征，需相應(yīng)找尋預(yù)防事故和提高保護(hù)措施的方法[28]。對于沈陽市，主城區(qū)和近郊區(qū)的經(jīng)濟(jì)發(fā)展水平高于遠(yuǎn)郊區(qū)，基礎(chǔ)設(shè)施防護(hù)水平相對較高，因而更傾向于出現(xiàn)輕微事故。

(4)對整體顯著但對僅財產(chǎn)損失事故不顯著

過失方車輛類型(X1)和過失方年齡(X3)這兩項影響因素對模型整體為顯著的影響因素，但在Y=1情況與Y=3情況的比對分析中未展現(xiàn)其顯著性。因而對“僅財產(chǎn)損失”事故和“有死亡”事故相比較的場景，過失方車輛類型(X1)和過失方年齡(X3)并未展現(xiàn)其顯著性。

4.2 有受傷但無死亡事故的計算結(jié)果

Y=2表示事故嚴(yán)重程度為“有受傷但無死亡”，其顯著值P小于0.05處對應(yīng)自變量的系數(shù)有顯著統(tǒng)計意義，即對因變量有顯著性的影響。OR值表示Y=2“有受傷但無死亡”場景在該參考項下對Y=3“有死亡”場景發(fā)生概率相對的可能性倍數(shù)。根據(jù)表4的結(jié)果，過失方年齡為19至45歲(X3=2)、側(cè)面碰撞(X6=2)為具有顯著意義的參考項。過失方車輛類型(X1)、受害方車輛類型(X7)、城市分區(qū)(X15)的各類取值為無顯著意義的參考項。

表4 MNL模型下Y=2的參數(shù)估計值Tab.4 Estimated parameters in MNL model when Y=2

(1)過失方年齡(X3)

對于過失方年齡(X3)，其取值為2時為具有顯著影響的參考項取值(P=0.008)，表明“有受傷但無死亡”事故與“有死亡”事故相比，當(dāng)過失方年齡為19～45歲(X3=2)時，更偏向出現(xiàn)“有受傷但無死亡”的事故，這種可能性為60歲及以上(X3=4)情況的6.671倍。因此，對于不同年齡的過失方，19～45歲的群體容易出現(xiàn)受傷事故而非死亡事故，一種可能的解釋為19～45歲群體精力很旺盛，因而可能在駕駛過程中風(fēng)格依然較為激進(jìn)，但由于其身體反應(yīng)條件和注意力都更加集中，因此，當(dāng)遇到危險時，通常這一年齡段的駕駛員都可以通過使用果斷的措施來避免致命事故的出現(xiàn)。在未來的監(jiān)管改進(jìn)中，可對這一年齡段群體進(jìn)行持續(xù)研究，挖掘其出現(xiàn)更容易出現(xiàn)交通事故，但并非出現(xiàn)致死交通事故的根本原因。

(2)碰撞類型(X6)

對于碰撞類型(X6)，其取值為2時為具有顯著影響的參考項取值(P=0.018)，表明“有受傷但無死亡”事故與“有死亡”事故相比，當(dāng)碰撞類型為側(cè)面碰撞(X6=2)時，更偏向于出現(xiàn)“有受傷但無死亡”的事故，這種可能性為其他碰撞類型(X6=4)的2.037倍。因此，說明參與交通組織的交通工具中對于側(cè)面碰撞風(fēng)險的保護(hù)做得較好，可有效地降低死亡事故出現(xiàn)的概率，下一步提高方向為車輛提高側(cè)面碰撞的承受能力，進(jìn)一步將“有死亡”事故轉(zhuǎn)化為“有受傷但無死亡”事故。通過側(cè)面碰撞的分析模型，評價側(cè)面碰撞對乘客胸部、髖關(guān)節(jié)等部位的損傷，發(fā)現(xiàn)當(dāng)側(cè)面碰撞被限制在一定的低侵入速度時，通過車門自身剛度可顯著減輕乘客所受到的傷害[29]。同時，側(cè)面氣囊在側(cè)面碰撞時對乘客的保護(hù)效果也是至關(guān)重要的[30]。以上研究和本節(jié)的結(jié)論充分說明在汽車工業(yè)設(shè)計中，通過合理的工藝設(shè)計使得車輛在發(fā)生側(cè)面碰撞時，有效地降低了致死事件發(fā)生的可能性。

(3)對整體顯著但對有受傷但無死亡事故不顯著

過失方車輛類型(X1)、受害方車輛類型(X7)和城市分區(qū)(X15)這3個影響因素對模型整體為顯著的影響因素，但在Y=2情況與Y=3情況的比對分析中未展現(xiàn)其顯著性。因而對“有受傷但無死亡”事故和“有死亡”事故相比較的場景，過失方車輛類型(X1)、受害方車輛類型(X7)、城市分區(qū)(X15)并未展現(xiàn)其顯著性。

過失方車輛類型(X1)在Y=1和Y=2兩種情況與Y=3的比對分析中均未展現(xiàn)出顯著性，但對模型是顯著的影響因素，則可得其為弱影響因素，僅有部分取值貼近影響因素顯著性的臨界值。

5 結(jié)論

本研究以沈陽為例，進(jìn)行了車輛間碰撞事故影響因素的研究。從過失方人員及車輛屬性、受害方人員及車輛屬性、時間屬性、道路及環(huán)境屬性等4個方面構(gòu)建了影響因素集合。建立MNL模型識別道路交通安全的顯著性影響因素，并根據(jù)事故嚴(yán)重程度的不同等級進(jìn)行了差異性討論，獲得研究結(jié)論如下：

(1)在降低車輛間事故的安全風(fēng)險時，需要重點考慮過失方車輛類型、過失方年齡、碰撞類型、受害方車輛類型、城市分區(qū)等5個因素。

(2)對僅財產(chǎn)損失事故和有受傷但無死亡事故，影響因素的取值存在差異性。其中對僅財產(chǎn)損失事故，正面碰撞、受害方車輛類型為小客車,主城區(qū)、近郊區(qū)是可能的顯著影響因素。對有受傷但無死亡事故，過失方年齡為19～45歲,側(cè)面碰撞是可能的顯著影響因素。

(3)持續(xù)提高對駕駛員的教育警示，使用新技術(shù)監(jiān)督駕駛員的行車狀態(tài)，提升車輛防御側(cè)面碰撞的能力是可能降低事故嚴(yán)重程度的手段。