基于有限混合模型的高速公路事故影響因素分析*

李 艷 王雪松 王 婷 陳志貴

（1.公安部交通管理科學(xué)研究所 江蘇 無錫 214151；2.同濟大學(xué)道路與交通工程教育部重點實驗室 上海 201804；3.西部機場集團有限公司 陜西 咸陽 712035）

0 引 言

隨著我國高速公路里程的快速增長，安全問題日漸凸顯，每年的死亡人數(shù)均超過5 000 人[1]。研究事故的影響因素，明確事故的發(fā)生機理是制定高速公路安全改善措施的關(guān)鍵。國外基于豐富的數(shù)據(jù)，對事故的空間分布、影響因素，以及事故多發(fā)路段判別進行了較為系統(tǒng)的研究。然而，由于國內(nèi)統(tǒng)一管理機制的缺失，數(shù)據(jù)分散，針對高速公路交通安全的研究停留在相關(guān)性分析階段，僅考慮單一變量與交通事故的關(guān)系，忽略了多變量對于安全的綜合影響，從而無法有效開展安全分析。

常見的安全分析將事故總數(shù)作為因變量，然而研究表明不同路段上單車事故占比、單車、多車事故的空間分布，以及2 類事故的影響因素具有明顯的差異性[2-3]，國內(nèi)尚缺少對2 類事故影響因素的比較分析。

事故發(fā)生機理復(fù)雜，影響因素眾多，交通安全分析數(shù)據(jù)需要從不同的部門收集，如交警部門、氣象部門、高速公路管理部門等。然而，這些能采集到的數(shù)據(jù)僅僅是所有可能影響因素的一部分，其他的因素?zé)o法得到。由某些無法獲取的因素導(dǎo)致變量在不同路段上對事故數(shù)的影響存在差異性，稱為潛在異質(zhì)性，該問題很難通過簡單的分析單元劃分或?qū)κ鹿蔬M行人為分組解決[4-5]。國外近年已經(jīng)致力于研究如何通過模型的改進克服異質(zhì)性帶來的問題，國內(nèi)在這方面的研究尚未開始。

國內(nèi)高速公路單車和多車事故影響因素是否存在差異、數(shù)據(jù)異質(zhì)性情況均是未知的。本文的研究目的是基于上海市精確定位的事故數(shù)據(jù)，分析道路幾何設(shè)計、交通運行與單車、多車事故的關(guān)系，通過先進的建模技術(shù)解決數(shù)據(jù)潛在異質(zhì)性問題，深入分析不同路段上事故影響因素的差異性，為高速公路設(shè)計規(guī)范制定和事故多發(fā)路段判別及安全改善提供參考。

1 研究綜述

分析單元劃分、單車和多車事故影響因素的差異性、數(shù)據(jù)異質(zhì)性問題是進行高速公路安全研究中的關(guān)鍵問題。

分析單元劃分直接關(guān)系到自變量、因變量的取值，對安全分析模型的精度及應(yīng)用產(chǎn)生影響，是高速公路安全研究的基礎(chǔ)。劃分方法主要有定長劃分法和同質(zhì)分段法2種。定長法是按照既定的固定長度對高速公路進行分段，路段長度的選擇是關(guān)鍵。然而事故時小概率事件，長度過短會導(dǎo)致研究路段的事故統(tǒng)計特征不明顯，且事故數(shù)為0的路段過多；過長的路段平、縱、橫斷面等屬性不唯一，特征混雜，變量取值難以確定，影響模型的準(zhǔn)確性。同質(zhì)分段法是以道路屬性的變化為分段依據(jù)，選取的指標(biāo)主要有交通量、限速和平縱線形、車道數(shù)、路肩寬度等道路幾何設(shè)計參數(shù)[6-7]。研究者通?；趯＜医?jīng)驗、特定研究目的，以某些參數(shù)為控制指標(biāo)，對道路進行同質(zhì)性分段。劃分后的路段特征唯一，易于建模，較有說服力，近年研究者均傾向于應(yīng)用同質(zhì)法[8]。

事故數(shù)據(jù)具有隨機、離散、非負(fù)的特點，泊松模型是最基礎(chǔ)的事故數(shù)分析模型[9]。隨著對事故數(shù)據(jù)的認(rèn)識逐步深入，研究者發(fā)現(xiàn)泊松模型不能應(yīng)對數(shù)據(jù)過度離散、零值過多等問題，開始對泊松模型做各種變換來滿足數(shù)據(jù)分析的需求，如負(fù)二項模型、零堆積泊松回歸模型等[10]。然而，傳統(tǒng)模型假定事故數(shù)據(jù)服從同一分布，忽略了數(shù)據(jù)的異質(zhì)性，導(dǎo)致模型精度降低。研究者嘗試通過將事故分類或采用更為先進的建模方法來解決異質(zhì)性問題[2，5]。

未觀測到的異質(zhì)性是由交通系統(tǒng)的動態(tài)性和復(fù)雜性引起的[4]。由于與事故風(fēng)險相關(guān)的因素眾多，一些指標(biāo)難以獲取，因而無法將所有變量全部引入模型。針對這類問題，最初的解決方法是在模型中引入隨機參數(shù)或潛在類別，用以表示未觀測到的變量[11]。但這類模型在參數(shù)的收斂速度和模型的解釋性方面存在局限性。后來，馬爾可夫轉(zhuǎn)換模型作為1種多狀態(tài)方法被廣泛應(yīng)用，但這種方法仍難以全面地解釋異質(zhì)性。近年來，由于計算機的運算能力可以支持更復(fù)雜的算法，1 種更加靈活的模型應(yīng)運而生，即在馬爾可夫轉(zhuǎn)換模型中引入隨機參數(shù)或潛在類別[11]。盡管這類模型的可解釋性更好，但其參數(shù)估計過程頗為繁瑣，在未來的研究中仍需進一步探討算法復(fù)雜度與模型擬合效果之間的平衡。

有限混合負(fù)二項模型（finite mixture of negative binominal regression model，F(xiàn)MNB）將總體樣本分成若干組，各組數(shù)據(jù)可以服從參數(shù)不同的負(fù)二項分布，解決了數(shù)據(jù)的潛在異質(zhì)性問題[5,12]。國內(nèi)外采用有限混合的方法對事故建模的研究較少。Park 等[5]基于得克薩斯州的高速公路事故數(shù)據(jù)，建立了事故與幾何參數(shù)、交通流的泊松模型、負(fù)二項模型、有限混合泊松模型（finite mixture of poisson regression model，F(xiàn)MP）以及FMNB 模型，發(fā)現(xiàn)2個成分的FMNB模型最優(yōu)。Zou等[12]發(fā)現(xiàn)事故數(shù)據(jù)異構(gòu)或者高度離散時，2 個成分的FMNB 模型的優(yōu)勢更明顯。但以上研究針對事故總數(shù)建模，集中于有限混合模型與其他模型精度的比較，缺少對解釋變量安全影響的深入探討。

國外基于事故分析模型對影響高速公路安全的幾何設(shè)計、交通運行特征進行了系統(tǒng)的研究，表明單車、多車事故的影響因素具有明顯差異性。在幾何設(shè)計方面，中央分隔帶、路段長度對單車、多車事故均有影響，平曲線半徑、平曲線比例只對多車事故有顯著的影響，縱坡坡度只對單車事故有影響[2]；Council等[13]發(fā)現(xiàn)從2車道增加為4車道，事故數(shù)可以降低40%～60%，但有也有研究表明車道數(shù)的增加會導(dǎo)致事故率提高[14-15]。在交通運行方面，Ivan 等[3]發(fā)現(xiàn)隨著交通流量的增大，單車事故減少，多車事故沒有顯著變化，Pande等[16]卻指出日交通流量只對多車事故有顯著影響。從國外現(xiàn)有研究中可以看出，各道路幾何特征和交通運行特征對單車事故與多車事故的作用效果不完全一致。國內(nèi)在高速公路安全方面的研究集中于探討幾何線形與高速公路安全的關(guān)系[17-18]，部分研究對單一的交通流參數(shù)與安全的關(guān)系進行了分析[19]，缺乏綜合考慮道路幾何特征和交通流特征的事故影響因素研究。

2 數(shù)據(jù)準(zhǔn)備

選擇沈海高速公路上海段的主線作為研究對象，總長45 km，最高限速100 km/h。考慮到高速公路兩側(cè)交通設(shè)施、交通流運行參數(shù)以及事故分布存在差異，對高速公路進行分側(cè)。對分側(cè)后的高速公路進行分析單元劃分，采集相關(guān)參數(shù)，包括平面、縱斷面、橫斷面設(shè)計參數(shù)，交通運行特征，以及2012—2013年的事故數(shù)據(jù)。

2.1 分析單元劃分

本文采用同質(zhì)性分段法對高速公路進行分段，選擇平面線形（直線段、曲線段）、縱斷面線形（上坡、下坡、凸豎曲線、凹豎曲線段）、車道數(shù)（2 車道、3 車道）、中央分隔帶寬度（2 m，3 m，3 m 以上）作為分段指標(biāo)。見圖1，當(dāng)任意指標(biāo)的取值發(fā)生變化，就對道路進行打斷，圖中道路屬性指標(biāo)的取值發(fā)生5 次改變，將其劃分為6個路段單元。

圖1 高速公路路段單元劃分示意Fig.1 Illustration of segment division

道路總共被劃分為492 個路段單元，平均長度為210.2 m，最小值7.6 m，最大值347 m。由于長度過短的路段上事故統(tǒng)計意義不明顯，美國《高速公路安全手冊（Highway Safety Manual,HSM）》[20]建議高速公路路段分析單元不宜小于160.9 m。因此，將過短的高速公路路段單元與其相鄰路段單元合并，優(yōu)先保證橫斷面參數(shù)（車道數(shù)與中央分隔帶寬度）一致?；谶@樣的準(zhǔn)則，45 km 長的高速公路最終被分為324 個分析單元。

2.2 路段幾何設(shè)計參數(shù)統(tǒng)計

路段合并導(dǎo)致分析單元內(nèi)部存在平面線形或者縱斷面線形不一致的情況，因此需要增加變量來表征分析單元內(nèi)部線形的不一致性。對于平面線形不一致的合并路段，增加曲線比例這一變量，表征曲線占總路段長度的比例，平面類型改為平面組合路段；對于縱斷面線形不一致的合并路段，增加豎曲線比例這一變量，表征豎曲線占總路段長度的比例，縱斷面類型改為縱斷面組合路段。因此，路段的幾何設(shè)計參數(shù)包括：①平曲線，平曲線類型、平曲線曲率、緩和曲線長度，以及平曲線比例；②縱斷面，縱斷面類型、最大縱坡坡度、豎曲線曲率、坡度變化值、連續(xù)縱斷面長度，以及豎曲線比例；③橫斷面，車道數(shù)和中央分隔帶寬度。幾何設(shè)計變量描述及統(tǒng)計數(shù)據(jù)見表1。

表1 高速公路道路幾何設(shè)計變量描述性統(tǒng)計Tab.1 Descriptive statistics for geometric design features

2.3 交通運行參數(shù)提取

沈海高速公路安裝了大量的交通監(jiān)測和監(jiān)控設(shè)備，監(jiān)控視頻為交通運行參數(shù)的獲取提供了數(shù)據(jù)源。所選高速公路上攝像機是全覆蓋的，每個攝像機都可以拍攝高速公路兩側(cè)的交通運行狀況，且有具體的電子坐標(biāo)，能夠與路段單元相匹配。基于2012年1周7 d的監(jiān)控視頻數(shù)據(jù)，借助于車輛監(jiān)控視頻識別軟件，獲取路段上各車道通過的車流量以及每輛車的車速數(shù)據(jù)，計算各路段的小時交通流量、平均車速等交通運行參數(shù)，見表2。

2.4 事故數(shù)據(jù)

交警采集事故信息均遵從公安部制定的《道路交通事故信息采集項目表（2006 版）》[21]。該項目表包括17項基本信息、12項人員信息、10項車輛信息、17 項補充信息（其中8 項道路關(guān)聯(lián)信息、5 項人員關(guān)聯(lián)信息、4項車輛關(guān)聯(lián)信息）。采集好的事故信息需要錄入公安交通管理綜合應(yīng)用平臺，以便統(tǒng)一管理。2012年，上海市公安局交通警察總隊印發(fā)《上海市交通警察執(zhí)勤執(zhí)法地點名稱專用表述規(guī)范》[22]，規(guī)范了事故地點的文字表述，使事故定位率提高到了98%。高速公路路段事故的地點表述規(guī)范為“事故所在道路+側(cè)向+里程碑+方位+距離”，如沈海高速東側(cè) × km 前約 × m?；谑鹿实攸c的文字表述，通過《上海市事故地點錄入控件》將事故在地圖上準(zhǔn)確定位，可實現(xiàn)事故與道路的關(guān)聯(lián)。

本文采用2012 年與2013 年發(fā)生在沈海高速公路上的事故數(shù)據(jù)，事故空間分布見圖2。單車事故與多車事故在324 個路段上的分布存在明顯差異，部分路段以單車事故為主，部分路段以多車事故為主，僅9.25%路段上二者占比相當(dāng)。

圖2 高速公路各路段事故分布Fig.2 The spatial distribution of segment crash

路段單車事故數(shù)（起）的均值與方差分別為1.1，3.4，多車事故數(shù)（起）的均值與方差分別為2.9，8.3，由于方差遠(yuǎn)大于均值，過度離散，相比于泊松分布，負(fù)二項分布的擬合度更好。46.6%的路段上單車事故數(shù)為0，41.9%的路段上多車事故數(shù)為0，需要考慮采用零堆積模型。因此，通過Voung 檢驗[23]來驗證零堆積負(fù)二項模型是否顯著優(yōu)于負(fù)二項模型。檢驗結(jié)果見表3，表明不需要采用零堆積模型。

表3 Voung 檢驗結(jié)果Tab.3 Results of Voung test

3 有限混合負(fù)二項模型

有限混合模型假定總體樣本由有限個成分構(gòu)成，即將異質(zhì)性的總體樣本劃分成k組同質(zhì)性的數(shù)據(jù)。各組數(shù)據(jù)可以服從不同的分布，如泊松分布、負(fù)二項分布。作為有限混合模型的一種，F(xiàn)MNB 模型可以解決事故數(shù)據(jù)的過度離散的問題。因此本文選擇FMNB模型為建模方法，建立事故數(shù)據(jù)與幾何參數(shù)、運行指標(biāo)之間的回歸模型，分析不同類型事故的影響因素。

假設(shè)樣本分為k組，分別服從不同的二項分布，yi為路段i的事故數(shù)，則yi的密度函數(shù)f( )yi為

式中：xi為回歸變量；為第j組樣本的平均值；φj為NB模型的離散系數(shù)；βj為j組樣本的回歸參數(shù)；πj為混合比例，滿足且0 ≤ πj≤ 1；為yi的期望函數(shù)，為yi的方差函數(shù)。

在擬合k個分組的有限混合負(fù)二項模型時，為每個樣本計算成為分組j的成員的后驗概率

最終，每個樣本被分配到擁有最大后驗概率的分組中。參數(shù)βj的估計方法有極大似然估計[12]或者貝葉斯估計[5,24]。本文選擇常用的期望最大化（expectation maximization，EM）算法進行混合密度的參數(shù)估計。令k=2,3,…，分別建立FMNB模型，最優(yōu)成分?jǐn)?shù)k可以通過比較一系列模型的擬合效果來確定[5,12,23-24]。常用的比較擬合準(zhǔn)則有AIC，BIC與DIC，取值越小，模型的擬合效果越好。

為了能直觀地體現(xiàn)變量估計參數(shù)的含義，計算模型中自變量的邊際效應(yīng)，表征自變量增加1 個單位，路段事故數(shù)的變化情況。第j組樣本中自變量的邊際效應(yīng)計算公式為

4 單車事故影響因素

基于采集的道路幾何設(shè)計參數(shù)、交通運行數(shù)據(jù)以及事故數(shù)據(jù)，分別建立單車、多車事故的有限混合負(fù)二項模型，分析高速公路事故的影響因素。建立模型之前，先對自變量間的相關(guān)性進行分析，并在建模時注意共線性問題。

建立不同成分?jǐn)?shù)（k=2, 3, 4, 5, 6, 7）的FMNB模型，各模型的擬合效果見表 4。以AIC與BIC作為模型選擇準(zhǔn)則，當(dāng)成分?jǐn)?shù)目為2時，模型結(jié)果最優(yōu)。

圖3 單車事故分組特征對比Fig.3 Characteristics comparison between groups for SV crashes

表4 不同成分?jǐn)?shù)模型擬合信息Tab.4 Fitting effects under different numbers of components

建立成分?jǐn)?shù)為2 的FMNB 模型，所有路段被分為2 組，89%的路段屬于成分1，11%屬于成分2。比較不同成分中路段的特征。其中：圖3 是連續(xù)型自變量；表5是因變量和分類型自變量。成分1中路段上發(fā)生的單車事故數(shù)遠(yuǎn)低于成分2 中的路段；相比于成分2 中的路段，成分1 中路段的縱坡變化值較小，大車比例高，中央分隔帶寬度多為3 m 或以上；成分2 中路段的縱坡變化值較大，以3 車道路段為主，2 m寬的中央分隔帶比例相對較高。

表5 單車事故分組特征對比Tab.5 Characteristics comparison between groups for SV crashes

表6 列出了顯著變量的估計系數(shù)。在2 個成分中，顯著變量不完全相同，大車比例、中央分隔帶寬度僅在成分1中顯著，平曲線曲率、豎曲線曲率以及縱坡變化僅在成分2中顯著；同一顯著變量在2個成分中的估計系數(shù)大小也存在差異，如路段長度和車道數(shù)。這表明變量對單車事故的影響復(fù)雜，在不同路段上產(chǎn)生的影響不相同。

路段越長，發(fā)生事故的概率越大。路段長度每增加1 km，成分1 中路段平均事故數(shù)增加2.55 起，成分2中路段平均事故數(shù)增加0.43起。

除長度以外，平面、縱斷面、橫斷面設(shè)計要素以及路段運行參數(shù)均對單車事故有顯著的影響，顯著變量包括平曲線曲率、豎曲線曲率、縱坡、車道數(shù)、中央分隔帶寬度以及大車比例。

表6 單車事故FMNB 模型結(jié)果Tab.6 Modeling results of the FMNB model for SV crashes

平面要素中，成分2 中平曲線曲率對事故發(fā)生的影響顯著，回歸系數(shù)為負(fù)，表明平曲線半徑越大，單車事故數(shù)顯著增加，鐘純耀[17]也得到了相同的結(jié)論。雖然平曲線半徑越大，駕駛員視距范圍內(nèi)障礙少，但在小半徑曲線上行駛，駕駛員反而更加謹(jǐn)慎，有利于減少單車事故的發(fā)生。平曲線半徑不是越大越好，在進行道路設(shè)計時，不僅要符合最小平曲線半徑要求，也要考慮最大平曲線半徑的要求。

縱斷面要素中，對單車事故數(shù)有顯著影響的是豎曲線曲率以及縱坡變化值。高速公路部分路段上，單車事故數(shù)隨著豎曲線半徑的增大而減小。這說明大豎曲線半徑下，駕駛員視距良好，行駛更為平順?？v坡變化率與單車事故有正相關(guān)關(guān)系，縱坡變化值增大1%，路段事故數(shù)平均增加0.21 起，該結(jié)論與Yu和Abdel-Aty[2]的研究一致。

圖4 多車事故分組特征對比Fig.4 Characteristics comparison between groups for MV cashes

橫斷面要素中，車道數(shù)以及中央分隔帶寬度對于單車事故數(shù)均有顯著的影響。相比于單側(cè)3 車道路段，成分1 中單側(cè)2 車道路段發(fā)生的事故數(shù)平均減少0.33 起，成分2 中則平均減少6.09 起。在成分1 中，中央分隔帶寬度由3 m 以上變窄，單車事故會顯著增加。

路段運行參數(shù)中，成分1 中大車比例對事故數(shù)有顯著影響，大車比例每增加1%，單車事故數(shù)減少2.68起。這與Chang等[25]結(jié)論相反，因為大車較多的路段，駕駛員更加謹(jǐn)慎，翻車、撞固定物等單車事故的發(fā)生概率相對較小。

5 多車事故影響因素

通過比較不同成分?jǐn)?shù)FMNB模型的擬合效果，發(fā)現(xiàn)成分?jǐn)?shù)為2的FMNB模型最優(yōu)。所有路段被分為2 組，77%的路段屬于成分1，23%屬于成分2。比較不同成分中路段的特征，其中：圖4是連續(xù)型自變量，表7是因變量和分類型自變量。成分1中路段上發(fā)生的多車事故數(shù)遠(yuǎn)低于成分2 中的路段；相比于成分2 中的路段，成分1 中路段的緩和曲線長度更短，以直線與曲線路段為主；成分2中緩和曲線長度較長，直線和平曲線組合的路段比例較高。

表7 多車事故分組特征對比Tab.7 Characteristics comparison between groups for MV crashes

表8 列出了多車事故模型中變量的估計系數(shù)。在2個成分中，顯著變量不完全相同，中央分隔帶寬度僅在成分1中顯著，緩和曲線長度、最大縱坡與流量僅在成分2 中顯著；同一顯著變量的估計系數(shù)大小或符號也存在差異，如路段長度、平曲線曲率，以及豎曲線比例。這表明變量對多車事故的影響復(fù)雜，在不同路段上影響不相同。

表8 多車事故FMNB 模型結(jié)果Tab.8 Modeling Results of the FMNB Model for MV Crashes

與單車事故一樣，路段長度與多車事故數(shù)之間存在正相關(guān)關(guān)系，長度增加，多車事故數(shù)增加。平面、縱斷面、橫斷面設(shè)計要素以及路段運行對于多車事故數(shù)均有影響，顯著影響指標(biāo)包括平曲線類型、平曲線曲率、緩和曲線長度、縱斷面類型、最大縱坡、豎曲線曲率、車道數(shù)、中央分隔帶寬度，以及流量。

平面要素中，平曲線類型、平曲線曲率，以及緩和曲線長度對于多車事故數(shù)均有顯著的影響。在成分1 中，曲線路段比組合平曲線路段平均多發(fā)生0.28 起多車事故，成分2 中組合平曲線路段比直線路段更容易發(fā)生事故。與Kopelias 等[26]的研究結(jié)果相同，成分1 中平曲線曲率與多車事故數(shù)呈正相關(guān)關(guān)系，平曲線半徑每增加10 000 m，多車事故減少0.06 起。在成分2 的路段上卻有相反的結(jié)論，隨著平曲線半徑增大，更容易發(fā)生多車事故。這表明設(shè)計標(biāo)準(zhǔn)高、行駛條件好的路段，駕駛員可能會掉以輕心從而引發(fā)事故。在成分2 中，緩和曲線長度對多車事故有顯著影響，符號為負(fù)，表明緩和曲線越長，直線與曲線之間過渡越平緩，行車更安全。

縱斷面要素中，縱斷面類型、最大縱坡以及豎曲線比例對于事故數(shù)有顯著的影響。在大部分樣本中，相對于組合路段，豎曲線路段發(fā)生事故的可能性更低，少數(shù)樣本中上下坡路段安全性更高。最大縱坡與多車事故呈負(fù)相關(guān)，坡度越大發(fā)生多車事故的可能性小。多數(shù)路段上，豎曲線比例的增加會導(dǎo)致多車事故數(shù)的增加，有些路段則相反。

橫斷面要素中，車道數(shù)以及中央分隔帶寬度對于多車事故數(shù)均有顯著影響。與單車事故相同，單側(cè)2 車道的路段比3 車道路段更安全。在成分1中，相比于中央分隔帶寬度為3 m 或以下的路段，中央分隔帶為3 m以上的路段上多車事故平均減少0.48起。

交通運行方面，小時交通流量對于多車事故數(shù)影響顯著。部分路段上隨著交通流量的增加，多車事故數(shù)有減少的趨勢，與已有的一些研究結(jié)論相反[26]。這是因為在流量較大的情況下，變換車道更加困難，隨意變道的情況減少，駕駛員也更為謹(jǐn)慎。

6 單車與多車事故影響因素對比

為了探究單車、多車事故分開建模的必要性以及分析單車、多車事故影響因素的差異性，基于事故總數(shù)建立負(fù)二項模型，對比事故總數(shù)、單車事故、多車事故模型結(jié)果，模型顯著變量的邊際效應(yīng)見表9。

表9 不同類型事故顯著變量的邊際效應(yīng)匯總Tab.9 Summary of significant variables'marginal effects for each crash type

路段長度、平曲線類型、車道數(shù)、中央分隔帶寬度，以及大車比例對事故總數(shù)均有顯著影響。其中，路段長度、車道數(shù)與中央分隔帶寬度對事故總數(shù)的影響同對單車、多車事故的影響相似，但影響程度大小不同。相比于組合平曲線路段，曲線路段的事故總數(shù)平均高1.39 起，77%的路段上多車事故平均高0.28 起，單車事故數(shù)沒有顯著區(qū)別。大車比例每增加1%，事故總數(shù)減少1.62 起，89%的路段上單車事故減少2.68起，多車事故數(shù)沒有顯著變化。

路段長度、平曲線曲率、車道數(shù)，以及中央分隔帶寬度對單車、多車事故均有顯著影響，但影響程度不同。單車事故主要是車輛自身的行為引發(fā)的，多車事故則涉及多個主體，是車輛間存在交通沖突引起的，其影響因素更復(fù)雜。豎曲線曲率、縱坡變化和大車比例僅對單車事故有影響，平曲線類型、緩和曲線長度、豎曲線類型、最大縱坡、豎曲線比例，以及流量僅與多車事故有相關(guān)關(guān)系。2 類事故發(fā)生機理的差異性導(dǎo)致其影響因素存在明顯的差異，分別建立安全影響模型有利于發(fā)現(xiàn)事故特有的影響因素。

7 結(jié)束語

本文基于同質(zhì)性分段的方法對高速公路進行分段，采集各路段的幾何設(shè)計參數(shù)、交通運行參數(shù)，以及事故數(shù)據(jù)，建立有限混合負(fù)二項模型，分別研究單車、多車事故的影響因素。

1）單車、多車事故影響因素存在顯著的差異，后者的影響因素更復(fù)雜。路段長度、平曲線曲率、車道數(shù)和中央分隔帶寬度對2 類事故均有影響，但程度不同；單車事故的影響因素還有豎曲線曲率、縱坡變化，以及大車比例，多車事故則受平曲線類型、緩和曲線長度、豎曲線類型、最大縱坡、豎曲線比例，以及流量的影響。因此，在事故多發(fā)路段判別與改善方面，運用單車事故模型與多車事故模型分別預(yù)測事故數(shù)，基于預(yù)測結(jié)果進行事故多發(fā)路段判別，鑒別出對應(yīng)不同類型事故的事故多發(fā)路段，便于針對不同路段采取不同的安全改善措施。

2）有限混合模型能有效解決數(shù)據(jù)異質(zhì)性問題。成分?jǐn)?shù)為2的有限混合負(fù)二項模型擬合效果最優(yōu)，部分變量在不同路段對同一類事故的影響不同。在縱坡變化值小的路段上，中央分隔帶變窄和大車比例減小，單車事故顯著增加，在縱坡變化值大的路段上則沒有顯著變化；在緩和曲線長度較短的路段上，平曲線半徑減小和豎曲線比例增大，多車事故顯著增加，在緩和曲線較長的路段上則相反。因此，在道路設(shè)計方面，需要綜合考慮平面、縱斷面、橫斷面各要素的取值，不同組合的線形設(shè)計中同一要素對事故的影響并非不變。后續(xù)研究將進一步考慮同一路段的單車、多車事故頻次可能受到的未被觀測因素的共同影響，采用雙變量有限混合模型進行聯(lián)立建模。