高速公路單車事故等級的影響因素分析

溫惠英 張璇 曾強

(華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640)

高速公路作為我國綜合交通運輸系統(tǒng)重要的組成部分，其安全問題一直是道路交通管理部門和研究人員關(guān)注的焦點。其中，作為高速公路上一種典型的事故類型，單車事故對我國人民生命財產(chǎn)造成的威脅不容忽視。根據(jù)《2015年中華人民共和國道路交通事故統(tǒng)計年報》可知，2015年全國高速公路單車事故導(dǎo)致1 169人死亡，3 274人受傷，直接財產(chǎn)損失達7 190.9萬元。因此，有必要對高速公路單車事故等級的影響因素進行深入研究，提出相應(yīng)的安全改善措施，減少因該類事故導(dǎo)致的人員傷亡和財產(chǎn)損失。

國內(nèi)外學(xué)者對高速公路單車事故的事故頻次、發(fā)生概率和嚴(yán)重程度開展了相關(guān)的回歸分析研究。Yu等[1]利用貝葉斯雙變量對數(shù)正態(tài)泊松模型對美國科羅拉多州I-70州際高速公路的單車事故和多車事故頻次進行聯(lián)立建模，量化了道路、交通因素對這兩類事故頻次的影響。Wang等[2]針對上海一段45 km長的高速公路，建立貝葉斯雙變量負(fù)二項條件自回歸模型，在識別單車事故和多車事故的顯著影響因素的同時，判別了該高速公路上這兩類事故的多發(fā)路段。Dong等[3]采用混合logit模型對美國科羅拉多州I-25州際高速公路的單車事故發(fā)生概率進行了回歸分析，結(jié)果表明平均車速、能見度和濕滑路面對單車事故發(fā)生概率具有顯著影響。Hou等[4]基于2013—2017年黑龍江省4條高速公路的事故數(shù)據(jù)，采用均值異質(zhì)性混合logit模型，分析了駕駛員特征(年齡、性別和駕齡)、車輛類型、道路屬性(幾何設(shè)計、路面條件、中央隔離帶類型和地形地勢)、環(huán)境因素(天氣條件和照明情況)等對單車事故嚴(yán)重程度的影響。Wen等[5]針對2015—2017年發(fā)生在云南省山區(qū)高速公路上的3 037起單車事故，根據(jù)駕駛員居住地和事故地點間的距離，將駕駛員分為路況熟悉駕駛員和不熟悉駕駛員；并建立隨機效應(yīng)廣義有序probit模型，分析了駕駛員年齡、性別,是否酒駕、是否系安全帶,車齡、車輛類型、交通量、限速、天氣條件、照明情況、事故時間和季節(jié)等因素對兩類駕駛員傷亡嚴(yán)重程度的影響。

在上述高速公路單車事故嚴(yán)重程度研究中，雖已分析了人、車、路、環(huán)境相關(guān)因素的影響，但是卻忽略了路政醫(yī)療救援對降低事故嚴(yán)重程度的作用。已有研究表明[6- 7]，及時的路政醫(yī)療救援能夠有效減少交通事故人員傷亡。此外，在上述事故研究中，關(guān)于天氣狀況的相關(guān)記錄僅有事故報告中對天氣情況的簡要描述(例如：晴、雨、霧等)。該類描述并不全面，缺乏對風(fēng)速、溫度等數(shù)據(jù)的準(zhǔn)確記錄。而且，大多數(shù)事故研究中的天氣條件為交警在事故現(xiàn)場甚至通過事后回憶記錄的，難以精準(zhǔn)反映事故發(fā)生時的天氣狀況。采用氣象部門通過氣象傳感器記錄的實時風(fēng)速、降水量、溫度、濕度和能見度等氣象指標(biāo)數(shù)據(jù)能夠彌補該不足。近年來，在事故研究中融合實時氣象數(shù)據(jù)進行分析逐漸成為趨勢[8- 13]。

基于以上分析，本研究探討了高速公路單車事故等級的影響因素。即通過對路政部門和氣象部門的調(diào)研，獲取了廣東省開陽高速公路2013—2015年的單車事故數(shù)據(jù)和實時氣象數(shù)據(jù)。以事故等級為因變量，建立隨機參數(shù)有序logit模型，分析包括駕駛員特征、車輛類型、事故時間、路政救援到達時長和實時天氣條件在內(nèi)的多個因素對高速公路單車事故等級的影響?；谀Ｐ头治鼋Y(jié)果，提出了降低該類事故等級的安全改善措施。

1 數(shù)據(jù)準(zhǔn)備

本研究分析對象為2013年至2015年廣東開陽高速公路的單車事故數(shù)據(jù)。廣東開陽高速公路為G15沈海高速公路上銜接佛開高速和陽茂高速的一段，全長約為125.2 km。本研究使用的數(shù)據(jù)集由兩部分組成：來源于廣東交通集團路政管理平臺的2013年至2015年開陽高速公路事故數(shù)據(jù)，該平臺記錄了每起事故的發(fā)生日期、時間、地點、事故等級、路政救援到達時長、事故類型、肇事車輛、肇事駕駛員等信息。根據(jù)事故類型，選擇其中的單車事故數(shù)據(jù)，并剔除其中具有不完整信息的事故記錄，共獲得1 000起單車事故數(shù)據(jù)用于建模分析；由廣東氣候中心采集于氣象信息管理系統(tǒng)的實時氣象數(shù)據(jù)，具體為2013—2015年開陽高速公路沿線氣象站(開平站、恩平站和陽江站)記錄的小時風(fēng)速、降水量、能見度、濕度和溫度等指標(biāo)數(shù)據(jù)。針對上述單車事故，按照事故地點和時間匹配每起事故發(fā)生時的風(fēng)速、降水量、能見度、濕度和溫度數(shù)據(jù)。

在廣東交通集團路政管理平臺中，交通事故按照嚴(yán)重程度從低到高依次被劃分為輕微事故、一般事故、重大事故和特大事故4個等級，等級劃分標(biāo)準(zhǔn)見表1。在所獲取的1 000起單車事故中，包含214起輕微事故、758起一般事故、27起重大事故和1起特大事故。由于特大事故數(shù)量極少，本研究將其與重大事故合并為一個等級，即重特大事故，用于后續(xù)建模分析。

表1 事故等級劃分標(biāo)準(zhǔn)Table 1 Crash severity classification standard

參考以往相關(guān)研究，從人、車、環(huán)境和救援等方面構(gòu)建了11個自變量用于高速公路單車事故等級建模分析，具體包括：肇事駕駛員是否為職業(yè)駕駛員，肇事車輛是否為貨車，肇事車輛牌照是否為外省牌照，事故是否發(fā)生在工作日和夜間，路政救援到達時長，事故發(fā)生時的實時風(fēng)速、濕度、降水量、能見度和溫度。這些自變量的定義和描述性統(tǒng)計量見表2。

表2 自變量定義及描述性統(tǒng)計Table 2 Definitions and descriptive statistics of independent variables

2 模型方法

2.1 模型結(jié)構(gòu)

由于事故等級具有有序性，本研究的回歸分析將以有序logit模型為基礎(chǔ)。在傳統(tǒng)的有序logit模型中，解釋變量的系數(shù)是固定的。然而，在事故數(shù)據(jù)中，存在許多無法被觀測到的要素，如事故發(fā)生前駕駛員的心理狀態(tài)、行為和車輛的特性等，這些要素可能會對事故等級產(chǎn)生影響，或與已被觀測到的解釋變量相關(guān)，從而產(chǎn)生異質(zhì)性。在建模中忽略異質(zhì)性可能會導(dǎo)致參數(shù)估計的偏差。隨機參數(shù)有序logit模型可以作為解決該問題的有效手段。隨機參數(shù)有序logit模型基于傳統(tǒng)有序logit模型的框架，放寬了對變量系數(shù)的限制，允許變量的系數(shù)變化，從而降低因異質(zhì)性帶來的估計偏差[14]。第2.1.1節(jié)與第2.1.2節(jié)分別對有序logit模型和隨機參數(shù)有序logit模型進行介紹。

2.1.1 有序logit模型

在有序logit模型中，對于第i起事故，定義事故等級傾向zi與解釋變量Xi間存在線性關(guān)系，即

zi=βXi+εi

(1)

式中，β為與觀測因素Xi有關(guān)的待估計參數(shù)向量,εi為隨機擾動項，假定服從logistic分布。

在此基礎(chǔ)上，觀測到的事故等級yi，可被定義為

(2)

式中，j∈{0,1,…,J},表示從最低(輕微事故)至最高(重特大事故)的事故等級。閾值μ0，μ1，…，μJ-1表示不同事故等級之間的閾值，其中，μ0的值為0。

由于誤差項服從logistic分布，第i起事故的事故等級為j的累積概率計算方法如下:

(3)

因此，對于第i起事故，其事故等級為j的概率計算方法如下：

(4)

2.1.2 隨機參數(shù)有序logit模型

在隨機參數(shù)有序logit模型中，式(1)可改寫成

zi=βiXi+εi

(5)

式中，系數(shù)βi定義為

βi=β+ωi

(6)

其中，ωi為服從均值為0、方差為σ2的正態(tài)分布隨機項。

與第2.1.1節(jié)相似，在隨機參數(shù)有序logit模型中，第i起事故等級為j的累積概率計算方法如下：

(7)

同理，第i起事故對應(yīng)事故等級為j的概率計算方法如下：

(8)

2.2 模型估計

通過最大似然估計法，可估計得有序logit模型的參數(shù)結(jié)果。然而，由于隨機參數(shù)有序logit模型系數(shù)的求解沒有閉型解，僅能使用仿真求解。仿真求解涉及到隨機抽樣，而Halton序列抽樣在隨機抽樣中的效果較好，因此本研究將使用Halton抽樣對隨機參數(shù)有序logit模型進行估計。根據(jù)文獻[15]，Halton抽樣次數(shù)為1 000時可滿足需求。因此，本研究設(shè)定隨機參數(shù)有序logit模型使用Halton抽樣的次數(shù)為1 000。在分析過程中，本研究先基于表2的解釋變量進行有序logit回歸，再刪除不顯著的解釋變量，重新進行有序logit模型回歸和隨機參數(shù)有序logit模型回歸。

2.3 模型對比準(zhǔn)則

本研究選擇了赤池信息準(zhǔn)則(AIC)和分類精度來評估模型對數(shù)據(jù)的擬合程度。其中，AIC的定義為

AIC=-2LL+2K

(9)

式中，LL為似然函數(shù)值，K為模型中擬合參數(shù)的數(shù)量。AIC值越小，說明模型擬合能力越優(yōu)。

分類精度為在整個數(shù)據(jù)集的范圍中，通過模型可準(zhǔn)確預(yù)測事故等級的數(shù)量與數(shù)據(jù)樣本量的比例[16]，其定義為

(10)

2.4 邊際效應(yīng)

邊際效應(yīng)的引入是為了說明變量變化(連續(xù)變量變化一個單位或分類變量由0變1)時相應(yīng)的事故等級j的概率變化情況。

若xk為分類變量，對應(yīng)事故等級j的邊際效應(yīng)為當(dāng)變量xk為1時事故等級j的估計概率和變量xk為0時對應(yīng)事故等級為j的估計概率的差值。

若xk為連續(xù)變量，變量xk對應(yīng)事故等級j的邊際效應(yīng)為

(11)

3 模型結(jié)果

對有序logit模型和隨機參數(shù)有序logit模型進行參數(shù)標(biāo)定后，得到參數(shù)結(jié)果和模型擬合指標(biāo)，見表3與表4。

表3 模型結(jié)果1)Table 3 Model results

表4 模型對比參數(shù)Table 4 Model comparison parameters

3.1 模型比較

模型擬合指標(biāo)顯示：隨機參數(shù)有序logit模型的對數(shù)似然值(越大越好)和分類精度均大于有序logit模型的對數(shù)似然值和分類精度，表明隨機參數(shù)有序logit模型的擬合能力更優(yōu)。

隨機參數(shù)有序logit模型識別出“貨車”和“濕度”兩個變量對應(yīng)的系數(shù)為隨機參數(shù)(以上2個變量的系數(shù)均值和參數(shù)分布標(biāo)準(zhǔn)差在99%的置信水平上顯著)。該結(jié)果表明，高速公路單車事故數(shù)據(jù)中存在異質(zhì)性。異質(zhì)性可能源于尚未被觀測的變量，如駕駛員的行為或車輛事故前的狀態(tài)等。

隨機參數(shù)有序logit模型的數(shù)據(jù)擬合能力更優(yōu)，且可有效識別異質(zhì)性，均表明隨機參數(shù)有序logit模型優(yōu)于傳統(tǒng)有序logit模型。

3.2 參數(shù)解釋

在有序logit模型和隨機參數(shù)有序logit模型中，以下變量在90%以上的置信水平上顯著：職業(yè)駕駛員、貨車、救援到達時長、風(fēng)速、濕度和夜間。鑒于第3.1節(jié)的結(jié)論之隨機參數(shù)有序logit模型更優(yōu)，本研究將結(jié)合其邊際效應(yīng)結(jié)果(見表5)對參數(shù)進行解釋。

相比于非職業(yè)駕駛員，職業(yè)駕駛員更易導(dǎo)致高等級的單車事故。當(dāng)車主為職業(yè)駕駛員時，事故等級為一般事故和重特大事故的概率分別提高7.63%和6.22%，而輕微事故的概率降低13.85%。潛在原因為：相較于非職業(yè)駕駛員，職業(yè)駕駛員易在高速公路上行駛過長時間，疲勞駕駛的可能性較高，一旦發(fā)生單車事故，更可能引發(fā)嚴(yán)重的事故后果[17]。

關(guān)于肇事車輛類型對高速公路單車事故等級的影響，由表3可知，“貨車”的系數(shù)服從均值為-0.7、標(biāo)準(zhǔn)差為1.35的正態(tài)分布，該系數(shù)小于0的概率為69.8%。該結(jié)果說明，相比于其他類型的車輛，在69.8%的高速公路單車事故中，貨車發(fā)生高等級事故的傾向更低；相反，在另外30.2%的高速公路單車事故中，貨車發(fā)生高等級事故的傾向更高。由其邊際效應(yīng)可知，綜合而言，貨車發(fā)生重特大事故的概率比其他車輛的低0.59%。這可能是因為貨車相對于小汽車、長途客車等客運車輛的載客量更低、耐撞性更高[18]。

救援到達時長的增加將提高發(fā)生嚴(yán)重事故的概率。救援到達時長每增加1 min，事故等級為一般事故和重特大事故的概率分別增加0.14%和0.01%，輕微事故的概率減少0.15%。潛在原因為：救援到達時長的增加會導(dǎo)致單車事故中人員傷亡水平更嚴(yán)重。隨著事故救援到達時長的增加，人員的傷亡情況傾向于從較輕的水平向嚴(yán)重的水平轉(zhuǎn)化。其他研究中也可得到類似結(jié)論[19- 20]。

氣象要素方面，風(fēng)速和濕度都對單車事故等級有顯著影響。當(dāng)風(fēng)速增加一個單位，單車事故的事故等級為一般事故和重特大事故的概率分別減少1.30%和0.10%，輕微事故的概率增加1.40%。潛在原因為：當(dāng)駕駛員感受到風(fēng)速增加時，會提高警惕，控制行駛速度，從而規(guī)避風(fēng)險。濕度方面，由表3可知，濕度的系數(shù)服從均值為0.02、標(biāo)準(zhǔn)差為0.01的正態(tài)分布，表明該系數(shù)小于0的概率為2.28%，大于0的概率為97.72%。由表5可知，當(dāng)濕度增加1個單位時，重特大事故發(fā)生的概率增加0.02%。其潛在原因為：濕度的增加會導(dǎo)致高速公路路面摩擦系數(shù)降低，車輛容易打滑，從而導(dǎo)致風(fēng)險的上升。

表5 邊際效應(yīng)Table 5 Marginal effect %

事故時間方面，相較于白天(早上六時至晚上六時)，若事故發(fā)生在夜間(晚上六時至第2天早上六時)，單車事故等級為輕微事故的概率提高4.33%，一般事故和重特大事故的概率分別降低4.01%和0.31%。潛在原因為：由于夜間光線較暗，駕駛員在夜間駕駛時警惕性更高，駕駛更為謹(jǐn)慎，從而降低了發(fā)生嚴(yán)重事故的風(fēng)險。

4 結(jié)論

以高速公路單車事故等級為因變量，將事故等級劃分為輕微事故、一般事故和重特大事故3個等級，并從人、車、環(huán)境和救援等方面選擇了11個自變量，分別建立了有序logit模型和隨機參數(shù)有序logit模型，得到如下結(jié)論。

(1)對數(shù)似然值、AIC和分類精度等評價指標(biāo)的結(jié)果表明，隨機參數(shù)有序logit模型比傳統(tǒng)有序logit模型具有更優(yōu)的數(shù)據(jù)擬合性能。

(2)肇事車主是否為職業(yè)駕駛員、肇事車輛是否為貨車、救援到達時長、風(fēng)速、濕度和事故發(fā)生時間是否為夜間對單車事故等級具有顯著影響。其中，肇事車輛是否為貨車和濕度對單車事故等級的影響存在顯著的異質(zhì)性。這些因素的邊際效應(yīng)表明：相比于非職業(yè)駕駛員，職業(yè)駕駛員發(fā)生重特大事故的概率更高；救援到達時長和濕度的增加以及風(fēng)速的減小，將提高重特大事故的發(fā)生概率；相比于客運車輛等，貨車發(fā)生重特大事故的概率更低；相比于白天，夜間發(fā)生重特大事故的概率更低。

(3)結(jié)合本研究的結(jié)果，提出以下安全改善措施：交管部門和運輸企業(yè)需加強對職業(yè)駕駛員進行關(guān)于駕駛安全的教育，提高該群體對疲勞駕駛的警惕性；加強對高速公路的監(jiān)控，及時識別事故的發(fā)生；優(yōu)化事故救援流程，縮短事故救援到達時長；遇到濕度較大的天氣時，高速公路管理部門及導(dǎo)航平臺應(yīng)在電子信息板和手機導(dǎo)航軟件上發(fā)布相關(guān)消息，提醒駕駛員注意行車安全等。