我國交通事故時空分布規(guī)律及其影響因素研究

方 園，劉浩然，丁 琴，陸 暢，金含香

（阜陽師范學院 經(jīng)濟學院，安徽 阜陽 236037）

隨著我國經(jīng)濟的發(fā)展，公路里程不斷增加。道路交通的迅速發(fā)展給人民的發(fā)展帶來了極大的便利，同時也帶來交通事故的頻發(fā)和交通控制的不合理等問題。據(jù)官方統(tǒng)計[1]，2016年交通事故發(fā)生數(shù)總計212846起，其中死亡人數(shù)63093，受傷人數(shù)226430，造成的經(jīng)濟財產(chǎn)損失為120759.9萬元。另外，2015年交通事故死亡人數(shù)占比高達87.91%。由此可見，交通事故已成為社會公害，其直接威脅人民的生命安全，影響道路交通系統(tǒng)的正常運作。對道路交通事故進行預測是提升交通安全水平的主要方式之一[2]。

交通事故的發(fā)生是隨機的[3]。然而，從統(tǒng)計學的角度來看，發(fā)生事故的時間域分析具有地域性和空間自相關性。本文采用數(shù)理統(tǒng)計的有關方法研究交通事故的發(fā)展趨勢，分析事故發(fā)展的相關規(guī)律性，并預測交通事故發(fā)展趨勢。

道路交通安全的預測分析是一個較為繁瑣的過程[4-5]，常用的預測方法主要有指數(shù)平滑預測法[6]、時間序列預測法[7]、神經(jīng)網(wǎng)路預測法[8]、灰色預測法[9]、灰色馬爾科夫預測法[10]、主成分分析法[11]、回歸分析法[12]等。由于指數(shù)平滑預測法僅適用于較短期預測；時間序列預測分析法所需要的歷史數(shù)據(jù)較多，且研究對象較為穩(wěn)定，從而導致預測精度偏低，不利于交通事故預測的準確性；神經(jīng)網(wǎng)絡預測法則需要較為完整的樣本數(shù)據(jù)，交通事故所涉及的因素眾多，該方法難以實現(xiàn)數(shù)據(jù)的完整性易出現(xiàn)偏差，導致訓練出來的網(wǎng)絡外延性不強；灰色模型的預測精度不理想，其要求數(shù)據(jù)序列必須呈指數(shù)分布且對波動較大的隨機序列數(shù)據(jù)擬合較差。灰色馬爾科夫預測模型只適用于中短期的預測，且只適合近似于指數(shù)增長的預測。

由于道路交通事故的發(fā)生是一個多因素事件[13]，因此采用多元線性回歸（ordinary least squares，OLS）方法來構(gòu)建道路交通事故的預測模型，為交通安全管理部門制定預防、控制相關規(guī)劃和宏觀決策提供依據(jù)，制定合理的交通安全策略。

1　數(shù)據(jù)源與研究方法

1.1　數(shù)據(jù)源

由國家統(tǒng)計局統(tǒng)計年鑒獲得2001-2016年有關各地交通事故的發(fā)生數(shù)、死亡人數(shù)、受傷人數(shù)以及財產(chǎn)損失數(shù)的變化情況。通過統(tǒng)計數(shù)據(jù)[14]獲取得到國民生產(chǎn)總值、人口、公路里程、民用汽車擁有量歷年變化數(shù)據(jù)。由于港澳臺數(shù)據(jù)暫缺，故本研究不涉及上述各省區(qū)。

本文主要選取了萬車死亡率、事故平均財產(chǎn)受損、事故死亡率、死傷比以及交通事故死亡人數(shù)占比五個相對指標數(shù)據(jù)。其中萬車死亡率指死亡人數(shù)（人）與民用汽車擁有量（萬輛）之間的比率；事故平均財產(chǎn)受損（萬元）指事故直接財產(chǎn)損失（萬元）與事故發(fā)生數(shù)之間比值的數(shù)值；事故死亡率指死亡人數(shù)與事故數(shù)之間的比率；死傷比是指死亡人數(shù)與受傷人數(shù)之間的比率；交通事故死亡人數(shù)占比是指交通事故死亡人數(shù)與全國安全事故死亡總?cè)藬?shù)之間的比率。

萬車死亡率、事故死亡率、死傷比指標用來刻畫交通事故的嚴重程度；事故平均財產(chǎn)受損指標用來刻畫交通事故的經(jīng)濟損失狀況；交通事故死亡人數(shù)占比用來比較交通事故相對于其他安全事故的危害程度。

1.2　研究方法

多元線性回歸模型可說明一個被解釋變量與多個解釋變量間的線性關系。對由n個單位構(gòu)成的整體，包含被解釋變量Y與m個解釋變量X1,X2,X3,…,Xm的多元線性總體回歸函數(shù)形式：

式中，βj(j=0,1,2,…,m)為模型的參數(shù)；μi為隨機擾動項；m為解釋變量的個數(shù)。

2　我國省域交通事故事故時空分異特征

2.1　我國交通安全絕對指標分析

本文統(tǒng)計分析了2001-2016年我國事故次數(shù)、直接財產(chǎn)損失、死亡人數(shù)以及受傷人數(shù)四項絕對指標，如表1?？梢钥闯?，時域方面，4項絕對指標均呈現(xiàn)出下降趨勢。事故發(fā)生數(shù)降幅為71.8%；死亡人數(shù)降幅為40.4%；受傷人數(shù)降幅為58.6%；直接財產(chǎn)損失降幅為60.9%。

表1　2001-2016年我國交通事故數(shù)據(jù)

從圖1可以看出，4項指標從2002年后總體呈現(xiàn)出下滑趨勢。但在2016年事故發(fā)生數(shù)和受傷人數(shù)均有13.3%增幅，另外2016年死亡人數(shù)有8.7%的增幅，直接財產(chǎn)損失有16.5%的增幅。這表明，我國交通安全總體形勢有所好轉(zhuǎn)，但近期有惡化跡象。

圖1　2001-2016年我國交通事故各項指標變化趨勢

2.2　我國交通事故相對指標分析

為研究事故發(fā)生的嚴重程度，使用表2所示的5個相對指標指標來說明。根據(jù)表2中數(shù)據(jù)可繪制圖2和圖3。

由圖2可以看出2001-2016年交通事故萬車死亡率逐年下降，降幅為94.2%；而交通事故死亡人數(shù)占比則總體呈現(xiàn)出上升趨勢。其中，2001-2003年與2004-2005年以及2014-2015年交通事故死亡占比分別有小幅下滑，降幅分別為5.7%、0.8%、0.8%。此現(xiàn)象說明從時間序列分析，長期以來我國交通安全狀況逐漸改善。但從截面數(shù)據(jù)來看，我國交通死亡人數(shù)占比逐漸上升，說明我國交通安全形勢依舊嚴峻。

從圖3可以看出，事故死亡率呈現(xiàn)出上升趨勢，漲幅為111.25%；死傷比總體呈現(xiàn)出上升趨勢，漲幅為43.7%；事故平均財產(chǎn)受損總體呈現(xiàn)出波動上升趨勢，在不考慮通過膨脹的影響下其漲幅為38.7%。其中，死傷比2004-2006年有小幅下降，降幅為6.8%；事故平均財產(chǎn)受損2003-2006年有一定下降，降幅為27.4%。這說明我國交通安全狀況呈現(xiàn)出交通經(jīng)濟損失量大，交通傷亡嚴重程度深，交通形勢依舊嚴峻。

圖2　2001-2016年交通事故死亡率，萬車死亡率變化

圖3　2001-2016年事故平均財產(chǎn)受損、事故死亡率和死傷比變化

表2　2001-2016年交通事故相對指標變化數(shù)據(jù)

2.3　我國交通事故省域分析

由于我國國土面積大，地質(zhì)結(jié)構(gòu)十分復雜，區(qū)域間的經(jīng)濟發(fā)展水平差異較大，道路狀況差異較大，各省的交通安全形勢具有明顯的差別。近期省域交通事故分析以2016年交通事故截面數(shù)據(jù)為例繪制圖4。

從圖4中可以看出2016年沿海地區(qū)交通事故數(shù)量較內(nèi)地更多。這與我國經(jīng)濟發(fā)展重心、交通安全監(jiān)督管理狀況以及地質(zhì)條件相關。但僅考慮交通事故的發(fā)生數(shù)并不能客觀地刻畫出交通事故的嚴重程度，因此可從萬車死亡率的角度進行描述。從圖4(b)得知天津、安徽、湖北、貴州和海南等地的交通事故嚴重程度較高；西北和華南地區(qū)適中；東北、華北和西南地區(qū)較輕。

從圖5可以看出2001-2016年交通事故發(fā)生頻率較高的省份為廣東、浙江、山東和江蘇省份，上述省份占比為35%，可見交通事故發(fā)生的集聚性較高。因此交通管理部門需要對這些重點省份制定合理的安全管理目標，采取合理的安全對策。

3　交通事故預測模型

選取交通事故死亡人數(shù)指標作為因變量，這主要因為死亡人數(shù)最能反映交通事故的危害程度，選取民用汽車擁有量、公路通車里程、GDP和人口數(shù)指標作為因變量。匯總后數(shù)據(jù)如表3。

3.1　回歸模型的建立與求解

設y為交通事故死亡人數(shù)、x1為民用汽車擁有量、x2為公路通車里程、x3為GDP、x4為人口數(shù)，假設

上式為線性回歸方程，其中β0,β1,...,β4是回歸系數(shù)。根據(jù)表3中數(shù)據(jù)求解得到回歸方程：

由上式可知，民用汽車擁有量、人口數(shù)與死亡人數(shù)呈現(xiàn)出正相關，即隨著公路通車里程和人口數(shù)的增加，死亡人數(shù)指標呈上升趨勢；相反GDP、公路通車里程與死亡人數(shù)呈負相關關系，表明隨著GDP和公路通車里程的上升，死亡人數(shù)下降。

圖4　2016年各省事故發(fā)生數(shù)以及嚴重程度等級劃分

圖5　2001-2016年各省交通事故發(fā)生數(shù)匯總統(tǒng)計

表3　2011-2016年交通事故死亡人數(shù)及4項影響因素的統(tǒng)計數(shù)據(jù)

3.2　回歸方程的顯著性檢驗

為檢驗上述方程回歸效果的顯著性，本文使用F檢驗法來檢驗方程整體回歸效果。檢驗得出的觀測值F=134.42，在顯著性水平a=0.01下，F(xiàn)0.99(4,16-4-1)=5.67，由于F＞F0.99(4,16-4-1)，因此拒絕關于回歸方程顯著性檢驗的零假設，故4個因素對交通事故死亡人數(shù)整體上具有顯著性的線性影響。

3.3　單個回歸系數(shù)的顯著性檢驗

從F檢驗的結(jié)果可以看出該方程整體回歸效果顯著，下面本文探討單個系數(shù)的顯著性效果，在此使用t統(tǒng)計量來檢驗單個回歸系數(shù)是否顯著。通過計算得

給定顯著性水平a=0.05，查t分布表可知：t0.0975(16-4-1)=2.2010。對比觀察可知，4個影響因素中，民用汽車擁有量指標對交通事故死亡人數(shù)影響最為顯著，其次陸續(xù)為GDP、公路通車里程、人口數(shù)。在顯著性水平a=0.05下，民用汽車擁有量、GDP與死亡人數(shù)的線性關系是顯著的；相反公路通車里程和人口數(shù)是非顯著的。

3.4　向后篩選下的回歸分析

由上述單個回歸系數(shù)的顯著性檢驗中我們得知民用汽車擁有量和GDP變量對交通事故死亡人數(shù)的線性影響是顯著的。由此我們采用向后篩選以完成自變量的選擇，通過篩選依次剔除了變量公路通車里程和人口數(shù)，最終保留了民用汽車擁有量和GDP兩個變量。從而建立回歸方程

此時的回歸方程以及系數(shù)的p值均約等于0，其遠低于顯著性水平a=0.01，故上述模型是恰當?shù)?。通過上式可知：民用汽車擁有量與死亡人數(shù)成正比，GDP與死亡人數(shù)成負比。

3.5　交通事故預測

上式通過檢驗得知其回歸效果和回歸系數(shù)均顯著，當給定x1=m,x3=n時，可以預測出y的估計值為以及的1-a置信區(qū)間。

當給出某一年民用汽車擁有量和GDP指標的預測值，便可以計算出該年交通事故死亡人數(shù)的點估計值。根據(jù)官方數(shù)據(jù)[15]得知2017年GDP增速為6.9%，國內(nèi)生產(chǎn)總82.7122萬億元，假設民用汽車擁有量按10%的速度增長則2017年其值為20432萬輛，計算出2017年交通事故死亡人數(shù)的預測值為57815人，95%置信水平下的預測區(qū)間為（46039，62716）。

同理對各省數(shù)據(jù)指標進行回歸分析后也可以計算出各省的的點估計值和預測區(qū)間，本文查閱了各省統(tǒng)計局的地區(qū)生產(chǎn)總值數(shù)據(jù)，除云南和內(nèi)蒙古自治區(qū)尚未公布2017的GDP數(shù)據(jù)其余省份均已公布，通過計算平均增長率預測云南省和內(nèi)蒙古自治區(qū)2017年GDP數(shù)據(jù)分別為16282.6億元和19377.87億元；另外通過對各省2001-2016年民用汽車擁有量數(shù)據(jù)計算平均增長率，進而預測2017年各省民用汽車擁有量數(shù)據(jù)。從而可以計算出各省交通事故死亡人數(shù)的點估計值并進行區(qū)間預測。

4　小結(jié)

本文采集了2001-2016年我國交通事故的相關各項數(shù)據(jù)，分析了全國交通事故現(xiàn)狀和發(fā)展趨勢。分析發(fā)現(xiàn)：2001-2016年間，事故發(fā)生數(shù)、直接財產(chǎn)損失、死亡人數(shù)以及受傷人數(shù)四大指標均總體呈現(xiàn)出下降趨勢，這說明我國交通安全狀況總體趨于好轉(zhuǎn)，但2016年四大指標均有較大增幅，這說明近期形勢嚴峻。

采用相對指標的分析發(fā)現(xiàn)：萬車死亡率逐年下降，這說明了長期以來我國交通安全狀況逐漸改善；交通事故死亡人數(shù)占比則總體呈現(xiàn)出上升趨勢，說明交通事故越來越成為事故主要危害；事故死亡率和死傷比總體呈現(xiàn)出上升趨勢，說明交通事故的嚴重程度逐漸加深；事故平均財產(chǎn)受損總體呈現(xiàn)出波動上升趨勢，說明交通事故帶來的經(jīng)濟損失加大。

通過對近期全國省域交通事故分析，選取2016年全國各地區(qū)相關數(shù)據(jù)，發(fā)現(xiàn)沿海地區(qū)交通事故發(fā)生數(shù)較內(nèi)地更多；危害程度方面，津皖鄂黔瓊五省事故嚴重程度高，西北和華南地區(qū)適中，東北、華北和西南地區(qū)較輕。長期方面分析發(fā)現(xiàn)：2001-2016年間交通事故發(fā)生主要聚集在東部沿海地區(qū)，其中長三角、京津冀和珠三角地區(qū)事故發(fā)生次數(shù)較多，且聚集性較高。

選取全國交通事故死亡人數(shù)為因變量，民用汽車擁有量、公路通車里程、GDP和人口數(shù)為自變量，利用2001-2016年的數(shù)據(jù)進行多元線性回歸，分析得出：4個因素總體對交通事故死亡人數(shù)具有顯著的線性影響。通過向后篩選的回歸分析發(fā)現(xiàn)GDP、民用汽車擁有量與死亡人數(shù)之間的線性關系是顯著的，且隨著GDP上升，死亡人數(shù)減少；而民用汽車擁有量則相反，并以此構(gòu)建起交通事故死亡人數(shù)預測模型。

通過對交通事故的分析預測，提出建議如下：相關部門要合理控制汽車數(shù)量，加強汽車品質(zhì)監(jiān)管，提升汽車安全系數(shù)，嚴格進行車輛年檢；政府要大力發(fā)展經(jīng)濟，提高經(jīng)濟發(fā)展水平，大力發(fā)展新能源及混合動力技術以建設生態(tài)綠色經(jīng)濟；針對交通事故方面，可大力發(fā)展自動駕駛技術減少交通事故數(shù)量，降低經(jīng)濟財產(chǎn)損失。