城市道路交通事故嚴(yán)重程度影響因素分析

馬 柱,陳雨人,張?zhí)m芳

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 200092)

0 引 言

隨著交通量的迅速增長導(dǎo)致交通事故率明顯上升，這給交通安全帶來了不可估量的影響。研究如何降低交通事故的嚴(yán)重程度是交通安全研究的重要內(nèi)容。影響交通事故嚴(yán)重程度的因素很多且比較復(fù)雜，如何從中篩選出相關(guān)性比較大的因素，不僅對降低交通事故的危害程度有重要的意義，而且對道路交通基礎(chǔ)設(shè)施規(guī)劃設(shè)計，運(yùn)營管理和駕駛行為研究等方面都有很好的指導(dǎo)作用。

近年來，有很多學(xué)者分析了交通事故嚴(yán)重程度與人的特性、道路條件和交通環(huán)境的關(guān)系，特別是運(yùn)用Logistic 回歸模型分析交通事故嚴(yán)重程度。比如，Kim，等[1]分別用對數(shù)線性模型和Logistic模型分析事故類型與交通事故嚴(yán)重程度之間的關(guān)系；Ghamdi[2]使用Logistic模型分析了利雅得市事故嚴(yán)重程度影響因素，得到了事故嚴(yán)重程度與事故位置及事故原因間的關(guān)系；Yau，等[3-4]利用Logistic模型分別對單車碰撞和多車碰撞事故的影響因素進(jìn)行了分析。馬壯林，等[5-6]用Logistic回歸模型分別進(jìn)行了公路隧道交通事故嚴(yán)重程度影響因素分析和公路交通事故嚴(yán)重程度時空分析；H.Kirolos，等[7]分別使用了Probit模型、二項(xiàng)Logistic模型和多項(xiàng)Logistic模型對三路無信號交叉口和四路無信號交叉口事故嚴(yán)重程度的影響因素進(jìn)行了分析；S.Kaplan，等[8]采用Logistic模型研究分析了性別、年齡、限速以及駕駛員注意力對公共汽車事故嚴(yán)重程度的影響。

綜合以上分析，這些學(xué)者對城市道路事故嚴(yán)重程度的影響因素分析比較少。在現(xiàn)有研究中，對城市道路事故影響程度研究中考慮的影響因素也比較少。由于城市道路的情況較為復(fù)雜，需要考慮更多因素，需要涉及到更多更復(fù)雜的自變量，并且需要把它們有效地篩選出來并組織在一起。因此，筆者將城市道路交通事故分為嚴(yán)重事故和非嚴(yán)重事故后。因變量交通事故嚴(yán)重程度就是一個二元分類變量，根據(jù)烏魯木齊市2006—2010年的3 505條事故資料，初步選擇13個候選自變量，通過相關(guān)性分析，篩選出合適的自變量，建立與城市交通事故嚴(yán)重程度之間關(guān)系，分析各影響因素對交通事故嚴(yán)重程度的影響程度，為降低交通事故嚴(yán)重程度提供支持。

1 Logistic模型

1.1 Logistic回歸模型簡介

Logistic回歸模型, 是國外于20世紀(jì)上半葉逐漸發(fā)展起來的一類離散選擇模型，其在生物學(xué)、經(jīng)濟(jì)學(xué)、心理學(xué)、政治學(xué)和交通運(yùn)輸?shù)葘W(xué)科中都得到了廣泛的應(yīng)用[8]。

當(dāng)對數(shù)線性模型中的一個二分類變量被當(dāng)作因變量并定義為一系列自變量的函數(shù)時。對數(shù)線性模型就變成了Logistic回歸模型, 如式(1)。

(1)

事件發(fā)生概率P與事件不發(fā)生概率(1-P)之比稱為事件的發(fā)生比(Odds)。將Odds取自然對數(shù)就能夠得到線性函數(shù)，如式(2)：

(2)

1.2 Logistic回歸模型檢驗(yàn)

Logistic回歸模型檢驗(yàn)主要包括: 回歸系數(shù)的顯著性檢驗(yàn)、Logistic回歸模型的擬合優(yōu)度檢驗(yàn)和Logistic回歸模型的預(yù)測準(zhǔn)確度檢驗(yàn)。

1.2.1 回歸系數(shù)的顯著性檢驗(yàn)

由于并不是所有的候選自變量都對因變量有顯著的影響。因此，需要挑選出對因變量有顯著影響的自變量。目前，常用的自變量篩選方法有正向逐步選擇法、反向逐步選擇法和混合逐步選擇法。

1.2.2 擬合優(yōu)度檢驗(yàn)

Logistic模型擬合優(yōu)度檢驗(yàn)主要有皮爾遜χ2檢驗(yàn)、偏差(Deviance) 統(tǒng)計量和信息測量指標(biāo)。

1.2.3 預(yù)測準(zhǔn)確度檢驗(yàn)

常用評價指標(biāo)有Gramma，Somers’D，Tau-a，c。

2 變量的選取及分析

2.1 變量的選取

2.1.1 因變量

城市道路事故數(shù)據(jù)庫中的事故類型分為死亡事故、受傷事故和財產(chǎn)損失事故3 類。考慮到事故救援在事故類型中的作用。在文中，將事故嚴(yán)重程度分為嚴(yán)重事故和非嚴(yán)重事故。對死亡事故和有重傷的傷亡事故認(rèn)為是嚴(yán)重事故，而輕傷事故和財產(chǎn)損失事故認(rèn)為是非嚴(yán)重事故，編碼如表1。

表1 因變量編碼 Table 1 Description of dependent variable

2.1.2 自變量

道路交通系統(tǒng)是一個由人、車、路、環(huán)境構(gòu)成的動態(tài)系統(tǒng)。任何一個環(huán)節(jié)出現(xiàn)問題都可能產(chǎn)生交通安全問題。在交通事故分析中，因責(zé)任認(rèn)定問題，常將事故原因歸為人的主觀因素，而忽視了客觀因素在交通事故中的作用[6]。因此，筆者從客觀因素中初步選取13個候選自變量參與分析與交通事故的嚴(yán)重程度之間的關(guān)系，分別為：是否為節(jié)假日、天氣、道路橫斷面、能見度、交通信號方式、照明條件、道路類型、道路線形、路口路段類型、道路物理隔離、路側(cè)防護(hù)設(shè)施類型、道路橫斷面和道路橫斷面位置等。其中天氣、能見度、照明條件、道路類型采用啞變量方式。對分類變量進(jìn)行編碼如表2、表3。表2、表3中“*”表示通過通過混合逐步選擇法得出的對事故嚴(yán)重程度具有顯著影響的自變量。

表2 自變量編碼 Table 2 Description of independent variable

表3 分類啞變量編碼

Table 3 Description of dummy variable

2.2 模型建立

2.2.1 變量選擇

混合逐步選擇法是將正向選擇和反向選擇結(jié)合起來，根據(jù)所設(shè)的顯著性標(biāo)準(zhǔn)分別將變量加入到模型中去或刪除掉。筆者采用混合逐步選擇法對自變量進(jìn)行篩選得出在0.05的顯著性水平下的自變量有：天氣、道路線形、能見度、路側(cè)防護(hù)、道路橫斷面、地形、橫斷面位置、道路類型。

2.2.2 參數(shù)估計

對烏魯木齊市2006—2010年的3 505條事故數(shù)據(jù)進(jìn)行分析，得出擬合結(jié)果如表4。

表4 方程中的變量 Table 4 Variables in the equation

從表4 可知：

1)在不同的天氣下，陰天發(fā)生嚴(yán)重事故的概率最大，為惡劣天氣的1.049倍，相差不大，而晴天發(fā)生嚴(yán)重事故的概率只有惡劣天氣的0.676。說明良好天氣下發(fā)生嚴(yán)重事故的概率比較低。

2)丘陵和山區(qū)發(fā)生嚴(yán)重事故的概率非常低，只有平原地帶的0.262。

3)分車、分向的道路橫斷面發(fā)生嚴(yán)重事故的概率反而比混合式橫斷面高，是其的1.564倍。因?yàn)榈牡缆窓M斷面下，路況比較復(fù)雜，駕駛員的安全意識比較高。

4)其他道路上發(fā)生嚴(yán)重事故是平直道路的2.378倍。說明道路線形對事故的嚴(yán)重程度影響非常大。

5)快速路、主干路和次干路上發(fā)生嚴(yán)重事故的概率相對于其他道路要小很多，分別只有其他道路的0.483,0.377和0.443。這主要是因?yàn)檫@些道路整體車速比較低。

6)機(jī)動車道發(fā)生嚴(yán)重事故的概率是其他位置的1.385倍。在分車道的情況下，機(jī)動車間的事故要明顯嚴(yán)重很多，這和其他位置的車速較低有很大關(guān)系。

7)能見度在50～100 m范圍類時，發(fā)生嚴(yán)重事故的概率最高，是見度在200 m以上情況下的2.204倍。這和駕駛員的安全意識有很大關(guān)系。

8)有路側(cè)防護(hù)的情況下發(fā)生嚴(yán)重事故的概率高，是沒有路側(cè)防護(hù)的1.497倍。

由Logistic回歸系數(shù)的顯著性檢驗(yàn)結(jié)果可知：當(dāng)天氣情況不佳，且能見度在50～100 m時，發(fā)生嚴(yán)重事故的概率最高。在這種情況下，應(yīng)該及時通過電視廣播等媒體發(fā)布惡劣天氣注意行車安全的警示信息，以提高駕駛員的注意力。而在平原地帶、分車分向式道路橫斷面、城市公路、機(jī)動車道位置時發(fā)生嚴(yán)重事故的概率比較高的原因是這些地方行駛條件較好，平均車速相對較高甚至出現(xiàn)超速違法駕駛行為；對于這些路段有條件應(yīng)安裝電子警察、雷達(dá)測速等設(shè)備。平直道路的發(fā)生嚴(yán)重事故的概率最低，因而在規(guī)劃設(shè)計階段應(yīng)該盡量使用平直道路線形，在線形不好的地方設(shè)置警示標(biāo)志。路側(cè)防護(hù)與事故嚴(yán)重程度也有很大的相關(guān)性，因而在必須設(shè)置路側(cè)防護(hù)的地方應(yīng)該考慮到路側(cè)防護(hù)對事故發(fā)生后的影響，在材料和路側(cè)防護(hù)的類型方面都需要考慮。

2.2.3 模型檢驗(yàn)

模型整體擬合程度見表5。由LR、Score、Wald統(tǒng)計量值及P值可以看出在0.05的顯著性水平下模型的整體擬合效果比較好，自變量的解釋作用顯著。Deviance統(tǒng)計量和χ2統(tǒng)計量見表6。

表5 模型整體擬合程度參數(shù) Table 5 Model fitness coefficients

表6 擬合優(yōu)度檢驗(yàn) Table 6 Test of goodness-of-fit

從表6可以看出，Deviance 統(tǒng)計量、皮爾遜χ2統(tǒng)計量的P值均大于0.05，所以在顯著性水平A= 0.05 的條件下,χ2檢驗(yàn)不顯著, 認(rèn)為模型擬合數(shù)據(jù)比較好。

表7 是信息測量指標(biāo)的擬合優(yōu)度檢驗(yàn)的結(jié)果。從表7可以看出，加上變量的模型較優(yōu)。

表7 信息測量指標(biāo) Table 7 Information measures index

表8是序次相關(guān)指標(biāo)的準(zhǔn)確度檢驗(yàn)結(jié)果。從表8 可以看出，本研究有71.3%的數(shù)據(jù)對為和諧的, 有21.9% 為不和諧的。除了Tau-a指標(biāo)外, 其余3個指標(biāo)值都不小于0.5。說明建立的Logistic模型的預(yù)測能力較好。

表8 預(yù)測準(zhǔn)確度檢驗(yàn)

Table 8 Test of forecasting accuracy

3 結(jié) 論

1)交通事故的發(fā)生是人-車-路-環(huán)境相互作用的結(jié)果，但主觀因素很大程度上受到了客觀因素的影響。將事故嚴(yán)重程度分成嚴(yán)重事故和非嚴(yán)重事故，在客觀因素方面選取了是否為節(jié)假日、天氣、道路橫斷面、能見度、交通信號方式、照明條件、道路類型、道路線形、路口路段類型、道路物理隔離、路側(cè)防護(hù)設(shè)施類型、道路橫斷面和道路橫斷面位置13個自變量，分析自變量與因變量之間的關(guān)系。Logistic模型在處理二分類變量與其他變量之間的關(guān)系上具有很大的優(yōu)勢。

2)采用混合逐步選擇法分析候選自變量與因變量是否顯著相關(guān)。研究發(fā)現(xiàn)，天氣、道路線形、能見度、路側(cè)防護(hù)、道路橫斷面、地形、橫斷面位置、道路類型與事故嚴(yán)重程度顯著相關(guān)，而是否為節(jié)假日，交通信號方式、路口路段類型、道路物理隔離與事故嚴(yán)重程度的相關(guān)性不大。

3)采用Logistic回歸模型，分析各自變量與事故嚴(yán)重程度的影響程度并對模型進(jìn)行了檢驗(yàn)。結(jié)果表明，Logistic 回歸模型的擬合效果和預(yù)測能力還是比較好的。

4) Logistic回歸模型結(jié)果表明，在不同的天氣下，晴天發(fā)生嚴(yán)重事故的概率明顯小很多，同樣，能見度在200 m以上發(fā)生嚴(yán)重事故的概率最低，說明事故的嚴(yán)重程度與視線有很大的關(guān)系，視線越好，發(fā)生嚴(yán)重事故的概率越低。丘陵和山區(qū)發(fā)生嚴(yán)重事故的概率非常低，分車、分向的道路橫斷面發(fā)生嚴(yán)重事故的概率反而比混合式橫斷面高，表明在駕駛條件差的地方，發(fā)生嚴(yán)重事故的可能性反而比較低，說明這些地方駕駛員的安全意識起了主導(dǎo)作用。平直道路發(fā)生嚴(yán)重事故的概率比較低。而其他道路發(fā)生嚴(yán)重事故的概率明顯比城市快速路、主次干路高。同樣，機(jī)動車道發(fā)生嚴(yán)重事故的概率最高，有路側(cè)防護(hù)的情況下發(fā)生嚴(yán)重事故的概率最高。研究分析結(jié)果可以為道路交通基礎(chǔ)設(shè)施規(guī)劃設(shè)計，運(yùn)營管理和駕駛行為研究以及事故救援等提供很好的指導(dǎo)作用，并為提高城市道路交通系統(tǒng)安全性能提供決策依據(jù)。

5)筆者假設(shè)自變量對因變量是線性的、可加的，但是，很有可能存在非線性和非加性作用。鑒于調(diào)研條件所限，沒有將車速、交通流量等引入自變量，這是今后需要研究的重要方向之一。

[1] Kim K,Nitz L,Richardson J,et al.Analyzing the relationship between crash types and injury severity in motor vehicle collisions in Hawaii [J].Transportation Research Record, 1994,1467:9-13.

[2] Al-Ghamdi A S.Using logistic regression to estimate the influence of accident factors on accident severity [J].Accident Analysis & Prevention,2002,34(6):729-741.

[3] Kelvin K W Y.Risk factors affecting the severity of single vehicle traffic accidents in Hong Kong [J].Accident Analysis and Prevention.2004,36 (3):333-340.

[4] Kelvin K W Y,Lo H P,Sherrice H H F.Multiple-vehicle traffic accidents in Hong Kong [J].Accident Analysis and Prevention,2006,38(6):1157-1161.

[5] 馬壯林，邵春福,李霞.基于Logistic模型的公路隧道交通事故嚴(yán)重程度的影響因素[J].吉林大學(xué)學(xué)報:工學(xué)版,2010,40(2):423-426.Ma Zhuanglin,Shao Chunfu,Li Xia.Analysis of factors affecting accident severity in highway tunnels based on logistic model [J].Journal of Jilin University: Engineering and Technology,2010, 40(2):423-426.

[6] 馬壯林，邵春福.基于累積Logistic模型的交通事故嚴(yán)重程度時空分析[J].中國安全科學(xué)學(xué)報,2011,21(9):94-99.Ma Zhuanglin,Shao Chunfu.Temporal-spatial analysis model of traffic accident severity based on cumulative Logistic model [J].China Safety Science Journal,2011,21(9):94-99． [7] Kirolos H,Abdel-Aty M.Examining traffic crash injury severity at un-signalized intersections [J].Journal of Safety Research,2010,41(4):347-357.

[8] Kaplan S,Prato C G.Risk factors associated with bus accident severity in the United States:A generalized ordered logit model [J].Journal of Safety Research,2012,43:171-180.

[9] 王濟(jì)川，郭志剛.Logistic 回歸模型—方法與應(yīng)用[M].北京:高等教育出版社,2001.Wang Jichuan,Guo Zhigang.Logistic Regression Model-Methods and Applications [M].Beijing:Higher Education Press,2001.