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)測和交通事故傷害嚴重程度分析.交通事故傷害嚴重程度分析對保障人民的人身及財產(chǎn)安全具有重要意義.隨著我國農(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事故傷害嚴重程度進行分析.

在農(nóng)村公路交叉口事故預(yù)測方面，Kim等[3]利用分層二項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動車碰撞之間的關(guān)系并對碰撞類型進行了預(yù)測.在農(nóng)村公路交叉口事故影響因素方面，Tay等[4]基于隨機參數(shù)Probit模型，對比分析農(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、周末及高峰時段等變量對農(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農(nóng)村公路交叉口事故傷害嚴重程度進行探究.

目前，大多研究采用離散選擇模型來研究事故傷害的嚴重程度與影響因素之間的關(guān)系.Wang等[5]基于偏比例優(yōu)勢模型提出了影響左轉(zhuǎn)碰撞事故傷害嚴重程度影響因素辨識方法.林慶豐等[6]利用二元Logistic回歸模型并結(jié)合K-Means聚類模型對城市公交車事故傷害嚴重程度的影響因素進行識別.Chen等[7]建立多項Logit模型分析美國北卡羅來納州行人—車輛碰撞事故中不同嚴重程度的影響因素.溫惠英等[8]采用巢式Logit模型對路段摩托車單車事故傷害嚴重程度的影響因素進行分析.上述方法對影響事故傷害嚴重程度的因素進行了探究，但并未考慮數(shù)據(jù)中普遍存在的異質(zhì)性即各因素對事故影響的隨機性[9].

綜上所述，本文采用混合Logit模型對農(nóng)村公路交叉口側(cè)面碰撞事故傷害嚴重程度進行異質(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事故傷害嚴重模型并進行參數(shù)估計和模型檢驗；最后，從駕駛員特性、道路特性、車輛特性及環(huán)境特性4個方面對事故傷害嚴重程度的影響進行分析并提出建議，為降低農(nóng)村公路交通事故傷害嚴重程度奠定理論基礎(chǔ).

1 混合Logit模型

混合Logit模型是基于隨機效用最大化的離散選擇模型，考慮不同個體之間的異質(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模型對農(nóng)村公路交叉口側(cè)面碰撞事故中駕駛員的傷害嚴重程度的影響因素進行分析.

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重程度j的效用函數(shù)；βji為事故i的駕駛員受到傷害嚴重程度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重程度j的影響因素集合；εji為隨機誤差項.若隨機誤差項服從廣義極值分布，則構(gòu)成標準多項式Logit模型：

(2)

式中：j*為事故傷害嚴重程度的類別.因為不同個體中存在異質(zhì)性，所以通過在參數(shù)向量βji中添加隨機項，引入混合Logit模型.將參數(shù)向量βji表示為固定參數(shù)和隨機項的線性組合，即：

βji=βj+σjνji

(3)

式中：σj為βji服從參數(shù)分布的標準差；βj為事故傷害嚴重程度j的參數(shù)值的總體均值；vji為隨機項，其均值為0，標準差為1.若標準差在統(tǒng)計時并未發(fā)現(xiàn)顯著異于0，則該參數(shù)將不會被識別為隨機參數(shù)且簡化為固定效應(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)，常見的分布有正態(tài)分布、均勻分布、對數(shù)正態(tài)分布等.

由于混合Logit模型的表達式中存在高維積分，無法運用數(shù)學(xué)解析法求出精確解，故采用極大似然估計法進行參數(shù)估計.其中對數(shù)似然函數(shù)為：

(5)

式中：LL(βji)為對數(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重程度為j時，yji為1，否則為0；R為抽樣次數(shù)；已有研究表明，Halton 抽樣法比隨機抽樣法求解速度快，故本文選用Halton抽樣法，共抽取500次隨機參數(shù)β進行分析[11].

2 數(shù)據(jù)描述

本文數(shù)據(jù)來源于美國某州交通事故數(shù)據(jù)庫，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象.

原始美國某州交通事故數(shù)據(jù)庫將事故傷害嚴重程度分為5個等級.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%，僅財產(chǎn)損失事故占比為71%，故本文將事故傷害嚴重程度分為3個等級：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事故現(xiàn)場)、僅財產(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事故現(xiàn)場，可能受傷事故指人員無外傷但述說有傷痛情況).

本文從人、車、道路和環(huán)境4個方面選取34個自變量參與建模，包括駕駛員特征(駕駛員性別、駕駛員年齡、駕駛員開車時是否分心)、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)計見表1.

表1 自變量的描述及頻數(shù)統(tǒng)計

續(xù)表1 自變量的描述及頻數(shù)統(tǒng)計

3 模型參數(shù)標定

3.1 參數(shù)估計

通過逐步回歸法，在95%的置信度下檢驗各影響因素對事故傷害嚴重程度的顯著影響(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個影響因素在0.05或者更低顯著水平下與事故傷害嚴重程度顯著相關(guān).

3.2 模型檢驗

在0.05顯著水平下對模型整體進行顯著性檢驗，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)，所以該事故傷害嚴重程度模型整體通過檢驗.

表2 逐步回歸估計結(jié)果

利用McFaddenR2指標評價混合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.

3.3 模型標定結(jié)果

采用Nlogit軟件進行編程，混合Logit的隨機參數(shù)分布見圖1.從圖中可以看出，男性駕駛員對應(yīng)的參數(shù)為服從正態(tài)分布的隨機參數(shù)，且該參數(shù)的均值為1.988 43，標準差為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.十字交叉口對應(yīng)的參數(shù)同樣為服從正態(tài)分布的隨機參數(shù)，且該參數(shù)的均值為7.696 81，標準差為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事故傷害嚴重程度的影響，在估計模型參數(shù)后，求出顯著影響因素的平均邊際效應(yīng)值，即：

(6)

表3 事故傷害嚴重程度的混合Logit模型參數(shù)標定結(jié)果

4 結(jié)果分析

4.1 駕駛員特性分析

駕駛員性別與輕傷事故顯著相關(guān).駕駛員性別為男性時，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駕駛行為[13]，并且在發(fā)生意外情況時男性駕駛員的應(yīng)變能力更強，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，其對應(yīng)的參數(shù)為負，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，參數(shù)為負，發(fā)生嚴重事故的概率減小了2.388%，潛在原因是駕駛員在駕駛過程中未分心，能夠?qū)崟r注意到道路上的狀況變化.

綜上，相關(guān)部門應(yīng)針對不同性別、不同年齡的駕駛員發(fā)生事故的差異性開展相應(yīng)的交通安全教育工作.同時，相關(guān)部門可以增加違法成本，加強對農(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.

4.2 車輛特性分析

輕型車與僅財產(chǎn)損失事故顯著相關(guān).車輛類型為輕型車時，參數(shù)為正，發(fā)生僅財產(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)面碰撞事故時動能較低；相比摩托車，輕型車駕駛員相對危險暴露量小，事故傷害等級通常較低.

安全氣囊未打開與輕傷事故顯著相關(guān).氣囊狀態(tài)為未打開時，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是針對較大等級碰撞事故而設(shè)計的，在輕傷事故中由側(cè)面碰撞產(chǎn)生的撞擊力通常達不到安全氣囊打開的等級.

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)生僅財產(chǎn)損失事故的概率，相關(guān)部門應(yīng)當(dāng)加強對農(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，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保護自身安全.

4.3 道路特性分析

濕潤與重傷事故顯著相關(guān).道路表面環(huán)境為濕潤時，參數(shù)為負，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，道路表面濕潤時，駕駛員會謹慎駕駛降低車速，但是由于路面濕潤，路面摩擦系數(shù)降低，從而導(dǎo)致財產(chǎn)損失和輕傷事故增加.

信號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燈控制時，參數(shù)為正，信號燈控制發(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，信號交叉口在紅燈等待時間容易出現(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，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多且農(nóng)村地區(qū)機動車、非機動車混行嚴重，駕駛員在面對復(fù)雜交通流時，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闊，視野盲區(qū)較少，發(fā)生僅財產(chǎn)損失事故和輕傷事故的概率減小.

彎曲與僅財產(chǎn)損失事故顯著相關(guān).與此同時，當(dāng)?shù)缆肪€形為彎曲時，參數(shù)為負，彎曲的道路線形發(fā)生財產(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，駕駛員無法預(yù)判前方路況，因此會降低車速謹慎駕駛.

綜上所述，相關(guān)部門可以增設(shè)警示標志，提醒駕駛?cè)嗽诼访娉睗?、道路線路彎曲的路段謹慎駕駛.除此之外，在進行路面管理時應(yīng)當(dāng)結(jié)合車速控制和道路抗滑能力進行綜合管理[14].由邊際效應(yīng)值可知，信號交叉口發(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)置減速標志提醒駕駛員降低車速并進行合理的信號配時.

4.4 環(huán)境特性分析

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，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，駕駛員不易看清前方道路[15].

多云與僅財產(chǎn)損失事故顯著相關(guān).當(dāng)天氣為多云時，參數(shù)為負，發(fā)生僅財產(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，駕駛員視野清晰并且無陽光刺眼，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的時間段，無論是否有路燈，駕駛員都必須打開車燈行駛.同時，當(dāng)天氣環(huán)境不佳時，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)案來保障交通安全[16].

5 結(jié)論

(1)本文從駕駛員特性、車輛特征、道路條件和環(huán)境因素4個方面選取34個自變量，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、駕駛員開車時是否分心、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)面碰撞事故傷害嚴重程度顯著相關(guān).

(2)以事故傷害嚴重程度為因變量，光線條件、駕駛員年齡、天氣情況、車輛類型、道路表面環(huán)境、駕駛員開車時是否分心、交叉口控制方式、安全氣囊狀態(tài)、駕駛員性別等11個因素為自變量，采用混合Logit模型建立事故傷害嚴重程度分析模型.

(3)本文采用混合Logit模型識別出男性駕駛員、十字交叉口兩個變量對應(yīng)的參數(shù)為隨機參數(shù)且服從正態(tài)分布.

鑒于調(diào)研條件有限，本文沒有將建成環(huán)境、駕齡、事故發(fā)生時間等因素引入自變量，且沒有考慮模型變量之間的關(guān)系對事故傷害嚴重程度交互影響，這是今后需要研究的重要方向之一.