考慮乘客的交通事故受傷嚴重程度模型

楊 曄，王立曉，左 志

(新疆大學 建筑工程學院，新疆 烏魯木齊 830047)

近年來，隨著城市經濟的高速發(fā)展，城市化進程的不斷加快，交通運輸業(yè)隨之得到了前所未有的發(fā)展，同時，這也給道路交通安全帶來了巨大壓力。為了有效改善道路交通安全現狀，預防道路交通事故發(fā)生，需要對交通事故嚴重程度進行建模，掌握對交通事故產生影響的因素及各因素的影響程度[1]。

交通事故具有偶然性和隨機性，并且影響交通事故嚴重程度的因素有很多并且也較為復雜[2]。國內外學者對于交通事故嚴重程度的研究已較為成熟，主要運用的是離散選擇模型[3]，其中二項Logit模型作為離散選擇模型中的一類已廣泛用于交通事故嚴重程度的研究中。例如：Theofilatos等[4]為探究城市內外影響道路交通事故嚴重程度因素的差異，根據2008年希臘的交通事故數據，以二項Logit模型為基礎，分別建立城市內與城市外的交通事故嚴重程度分析模型。Shawky等[5]為分析追尾事故的嚴重程度，根據阿布扎比酋長國2010—2014年的追尾事故數據，基于二項Logit模型建立追尾事故嚴重程度模型。Valent等[6]采用二項Logit模型，分析意大利烏迪內省的死亡事故中的主要風險因素。馬柱等[7]根據烏魯木齊市5年的交通事故統計資料，基于二項Logit模型建立城市交通事故嚴重程度分析模型。馬壯林等[8]根據京珠高速公路韶關段4個隧道的交通事故資料，采用二項Logit模型，分析了發(fā)生在隧道的交通事故的嚴重程度。王星等[9基于灰色馬爾科夫模型對交通事故進行預測，對道路安全管理提供決策支持。肖賽等[10]對駕駛疲勞致因及監(jiān)測研究進展綜述，提出建立駕駛人生理特性與車輛行為變化特性的評價指標。馮忠祥等[11]為探析及量化繞城高速交通事故影響因素，結合二項Logit模型理論，建立繞城高速公路交通事故嚴重程度模型。

通過研究現狀可知，研究者們多以駕駛員的受傷嚴重程度為研究主體，而乘客作為車內人員的一部分，并未考慮在交通事故中的受傷情況。因此，本研究根據某市2010—2015年的交通事故數據，分別以交通事故中的駕駛員和乘客的受傷程度為因變量，通過相關性和經驗判斷分析，篩選得到適合的自變量，基于二項Logit模型，分別建立交通事故駕駛員和乘客的受傷嚴重程度分析模型，分析比較影響駕駛員和乘客受傷嚴重程度的各影響因素。

1 二項Logit模型

本研究主要研究車內人員(包括駕駛員和乘客)的受傷嚴重程度，因變量分為二分類變量，分別為非嚴重受傷和嚴重受傷。設定車內人員嚴重受傷的概率為p，非嚴重受傷的概率為(1-p)，根據Logit模型定義，可得

Logit(p)=β1x1+…+βixi(i=1，2，3…).

(1)

式中：xi為第i個人員的自變量，βi為第i個人員的自變量的回歸系數。

根據Logit模型的轉化定義可得

Logit(p)=ln[p/(1-p)].

(2)

將式(2)代入式(1)，可得到車內人員嚴重受傷的概率p的計算公式

(3)

2 實證分析

2.1 數據介紹

本研究選取某市2010—2015年的道路交通事故數據，共發(fā)生3 744起事故，其中涉及的駕駛員有

5 430人，乘客有1 457人。交通事故數據可分為以下4類：事故基本信息、事故人員數據、事故車輛數據和現場環(huán)境數據。其中，事故基本信息主要有事故類型、事故傷亡人數、事故直接財產損失、事故發(fā)生的季節(jié)和地點等；事故人員數據主要有人員的性別、年齡、交通方式、受傷程度等；事故車輛信息主要包含車輛使用性質、車輛類型等；現場環(huán)境數據主要包括事故發(fā)生時的路表情況、道路物理隔離等道路信息和事故發(fā)生時天氣、能見度等環(huán)境信息。

2.2 因變量

因變量分別為交通事故的駕駛員和乘客的受傷嚴重程度。根據交通事故數據，交通事故的駕駛員和乘客的受傷嚴重程度可分以下4類：無傷害、輕傷、重傷、死亡。本研究設定無傷害和輕傷為一類，定義為非嚴重傷害，并用Y=0表示，設定重傷和死亡為一類，定義為嚴重傷害，并用Y=1表示。

2.3 自變量

道路交通事故人員受傷嚴重程度的影響因素主要有人、車輛、道路和環(huán)境。本研究選取以下16個備選自變量，包括人員的性別、人員的年齡、事故是否發(fā)生在節(jié)假日、事故發(fā)生的季節(jié)、事故是否發(fā)生在高峰時段、事故形態(tài)、天氣、能見度、路面狀況、路表情況、照明條件、道路類型、道路線形、路口路段類型、道路物理隔離、路側防護設施類型。受數據的限制，對于每個車內人員，無法得到與其相應的車輛信息，因此本研究未選擇與車輛信息相關的變量。

本研究通過因變量和自變量的相關性分析對自變量進行了前期的篩選，將相關性較弱的變量根據經驗判斷選擇性剔除，最終篩選得到以下9個變量：人員的性別、人員的年齡、事故發(fā)生的季節(jié)、事故是否發(fā)生在高峰時段、事故形態(tài)、路面狀況、照明條件、路口路段類型、路側防護設施類型。具體各自變量設置見表1。

當某個變量有k(k>2)個分類時，模型需要引入(k-1)個虛擬變量，將所有變量變?yōu)?-1變量。以人員的年齡變量為例，其分為3類，需要引入2個虛擬變量，具體如表2。

3 模型的建立與參數估計結果

對原始數據量化后，分別建立駕駛員和乘客的二項Logit模型，并利用R語言軟件對模型參數進行估計，估計結果如表3所示。

表1 模型自變量設置

表2 人員年齡虛擬變量

表3 二項Logit模型的參數估計結果

注：|t|>1.64：90%置信水平顯著，|t|>1.96：95%置信水平顯著，|t|>2.58：99%置信水平顯著

根據模型的估計結果，可以得到以下結論：

1)人員的性別：此變量在乘客模型中不顯著，而在駕駛員模型中顯著，參數值為負，表明女性駕駛員相較于男性駕駛員更容易受到嚴重的傷害。

2)人員的年齡：在駕駛員模型中，僅有變量年齡為22～60歲顯著，且參數估計值為負，表明相較于年齡為22～60歲的駕駛員，年齡為22歲以下的駕駛員更容易受到嚴重傷害；在乘客模型中，變量年齡為22～60歲和年齡為60歲以上均表現為顯著，且參數估計值均為負值，說明相較于年齡為22歲以上的乘客，年齡為22歲以下的駕駛員更容易受到嚴重傷害。

3)事故發(fā)生的季節(jié)：在駕駛員模型中，夏季和秋季是顯著的，且參數估計值為正，說明春季發(fā)生的事故相較于夏季和秋季的發(fā)生事故對駕駛員造成的傷害可能更重；在乘客模型中，該變量不顯著。

4)事故是否發(fā)生在高峰時段：在駕駛員模型中，該變量是顯著的，參數估計值均為正，表明在高峰時段發(fā)生的事故更容易對駕駛員造成嚴重的傷害。在乘客模型中，該變量不顯著。

5)事故形態(tài)：在駕駛員模型和乘客模型中，人車事故、碰撞運動車輛均為顯著的，且參數均為負值，表明單車事故與人車事故和碰撞運動車輛事故相比，駕駛員和乘客的受傷程度可能會更重；除此之外，變量碰撞靜止車輛還在駕駛員模型表現為顯著，參數估計值為負，說明表明單車事故與碰撞靜止車輛事故相比，駕駛員的受傷程度可能會更重。

6)路面狀況：該變量在駕駛員模型中顯著，參數估計值均為正，說明非完好路面下更容易發(fā)生嚴重的事故。在乘客模型中，該變量不顯著。

7)照明條件：在駕駛員模型中，夜間無路燈照明變量為顯著變量，并且夜間無路燈照明的參數估計值為正，這表明在夜間無路燈照明的條件下發(fā)生的事故可能會對駕駛員造成更嚴重的傷害。在乘客模型中，該變量不顯著。

8)路口路段類型：此變量僅在乘客模型中顯著，其參數值為負，說明在非普通路段的道路上發(fā)生的事故更容易對乘客造成嚴重的傷害。

9)路側防護設施類型：此變量僅在駕駛員模型中顯著，其參數值為負，說明在無路側防護設施的道路上發(fā)生的事故更容易對駕駛員造成嚴重的傷害。在乘客模型中，該變量不顯著。

4 結 論

本研究分別以駕駛員和乘客受傷嚴重程度為因變量，選取9個影響因素作為自變量，基于二項Logit模型，分別建立駕駛員和乘客的受傷嚴重程度模型，并利用某城市的交通事故數據進行參數估計。通過模型可以得出，性別、年齡、事故發(fā)生的季節(jié)、事故是否發(fā)生在高峰時段、事故形態(tài)、路面狀況、照明條件、路側防護設施類型對駕駛員的受傷嚴重程度有顯著的影響，而年齡、事故形態(tài)、路口路段類型與乘客的受傷嚴重程度顯著相關。今后的研究不僅要關注駕駛員的受傷嚴重程度，還要重視乘客在事故中的受傷情況，更深入地分析乘客的受傷機理和特征。