低能見(jiàn)度水平下行人交通事故嚴(yán)重程度及異質(zhì)性分析*

董傲然 秦 丹 王長(zhǎng)帥 朱秭碩 朱 彤▲

（1.長(zhǎng)安大學(xué)運(yùn)輸工程學(xué)院 西安 710064；2.東南大學(xué)交通學(xué)院 南京 210096）

0 引 言

道路交通傷害已經(jīng)成為全球人員死亡的第八大原因，道路交通安全問(wèn)題依然是全球性的公共健康問(wèn)題[1]。根據(jù)世界衛(wèi)生組織（WHO）發(fā)布的2018年《全球道路交通安全現(xiàn)狀報(bào)告》顯示，全球每年有135萬(wàn)人死于道路交通事故。中國(guó)人口眾多，交通事故頻發(fā)，2018年中國(guó)共發(fā)生244 937起交通事故，造成63 194人死亡，直接經(jīng)濟(jì)損失達(dá)13.8億元，中國(guó)的道路交通安全形勢(shì)也相當(dāng)嚴(yán)峻[2]。在交通事故中，行人作為弱勢(shì)道路使用者，由于缺少外部的保護(hù)，其在事故中更容易遭受嚴(yán)重傷害[3]。根據(jù)美國(guó)國(guó)家公路安全管理局發(fā)布的《Traffic Safety Facts》[4]，2007—2016年，雖然交通事故死亡總數(shù)從41 259下降到了37 461，但是行人死亡人數(shù)卻從4 699上升到了5 987，行人死亡率從11%上升到了16%。此外，WHO發(fā)布的2013年《世界健康報(bào)告》[5]顯示，行人傷亡人數(shù)占道路交通事故傷亡總?cè)藬?shù)的22%，而在中國(guó)，這一占比更是達(dá)到了25%。雖然各國(guó)已經(jīng)采取許多措施來(lái)降低事故中行人的傷害，但是交通事故中的行人傷害問(wèn)題仍不可忽視。

國(guó)內(nèi)外學(xué)者針對(duì)行人事故傷害嚴(yán)重程度已經(jīng)開(kāi)展了大量的研究，Aziz等[6]利用隨機(jī)參數(shù)logit模型分析了紐約市行人傷害嚴(yán)重程度，發(fā)現(xiàn)道路、交通，以及土地利用特征是影響行人傷害嚴(yán)重程度的主要因素；Haleem等[7]運(yùn)用混合Logit模型分析了在有信號(hào)控制和無(wú)信號(hào)控制交叉口與行人傷害嚴(yán)重程度有關(guān)的因素。在影響行人-機(jī)動(dòng)車交通事故嚴(yán)重程度的因素中，能見(jiàn)度水平是1項(xiàng)重要因素，低能見(jiàn)度情況下視野范圍變小，機(jī)動(dòng)車較難發(fā)現(xiàn)行人，遇到緊急情況時(shí)留給駕駛員或行人的反應(yīng)時(shí)間大幅減少，容易發(fā)生行人傷害事故[8]。因此，能見(jiàn)度對(duì)于道路交通參與者的安全有重要影響，有必要對(duì)低能見(jiàn)度機(jī)動(dòng)車-行人事故嚴(yán)重程度進(jìn)行研究。

離散選擇模型是常用的事故數(shù)據(jù)分析模型。王濤等[9]采用有序Logit模型對(duì)影響電動(dòng)自行車事故嚴(yán)重程度的因素進(jìn)行分析和討論；Rezapour等[10]運(yùn)用有序Logit模型對(duì)單車和多車事故進(jìn)行研究，發(fā)現(xiàn)影響單車和多車事故嚴(yán)重程度的因素存在顯著差異。但傳統(tǒng)Logit模型屬于固定參數(shù)模型，其認(rèn)為影響因素在不同事故嚴(yán)重程度的作用是不變的，但交通事故是由多類復(fù)雜因素共同作用的事件，獲取與交通事故相關(guān)的所有信息是非常困難的，往往會(huì)缺失必要的事故信息，從而導(dǎo)致分析時(shí)會(huì)產(chǎn)生有偏差的參數(shù)估計(jì)，這被稱作未觀測(cè)到的異質(zhì)性，而傳統(tǒng)Logit模型無(wú)法識(shí)別數(shù)據(jù)中未觀測(cè)到異質(zhì)性。

針對(duì)事故數(shù)據(jù)中的異質(zhì)性，許多學(xué)者運(yùn)用隨機(jī)參數(shù)模型進(jìn)行分析。Kim等[11]運(yùn)用混合Logit模型分析了北卡羅來(lái)納州的機(jī)動(dòng)車-行人碰撞事故；Wu等[12]運(yùn)用混合Logit模型對(duì)新墨西哥州的農(nóng)村雙車道道路上的單車和多車碰撞事故分別進(jìn)行了研究；陳昭明等[13]構(gòu)建了混合Logit模型，準(zhǔn)確識(shí)別影響高速公路交通事故嚴(yán)重程度的因素，并提出了刻畫參數(shù)間相關(guān)性的方法。隨機(jī)參數(shù)模型主要聚焦于識(shí)別傷害嚴(yán)重程度函數(shù)中的隨機(jī)參數(shù)，但隨機(jī)參數(shù)中可能存在個(gè)體異質(zhì)性，若忽略個(gè)體異質(zhì)性則可能會(huì)導(dǎo)致有偏差的參數(shù)估計(jì)值[14]。2016年，Mannering等[15]引入1種允許將隨機(jī)參數(shù)的均值或方差與模型中的變量相關(guān)聯(lián)以識(shí)別個(gè)體異質(zhì)性的方法，并運(yùn)用到了對(duì)高速公路事故的分析之中，為異質(zhì)性模型的研究奠定了基礎(chǔ)。此后，Seraneeprakarn等[16]運(yùn)用考慮均值異質(zhì)性和均值-方差異質(zhì)性的隨機(jī)參數(shù)Logit模型研究涉及混合動(dòng)力車輛的事故嚴(yán)重程度，并證明了此模型要優(yōu)于傳統(tǒng)的隨機(jī)參數(shù)Logit模型。

綜上，國(guó)內(nèi)外學(xué)者在行人事故研究方面已取得一定成果，但國(guó)內(nèi)外的交通情況與事故致因存在一定差異，低能見(jiàn)度情況下的事故傷害嚴(yán)重程度研究依然缺乏，且傳統(tǒng)模型無(wú)法識(shí)別數(shù)據(jù)中的異質(zhì)性。因此運(yùn)用考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型對(duì)我國(guó)的低能見(jiàn)度下機(jī)動(dòng)車-行人事故進(jìn)行分析，探究影響低能見(jiàn)度事故中行人傷害嚴(yán)重程度的因素，識(shí)別可能未觀察到的異質(zhì)性，為相關(guān)部門制定行人保護(hù)對(duì)策提供一定的理論支持。

1 數(shù)據(jù)描述

從某市交通管理部門獲得了2006—2017年行人-機(jī)動(dòng)車碰撞事故數(shù)據(jù)。數(shù)據(jù)詳細(xì)記錄了如駕駛員和行人特征、車輛特征、道路特征和環(huán)境因素等事故信息。在剔除了不完整和明顯有誤的記錄后，篩選出6 405例事故數(shù)據(jù)進(jìn)行分析。

本研究的因變量為機(jī)動(dòng)車-行人碰撞事故中行人的受傷嚴(yán)重程度，可分為4類：無(wú)傷害、輕傷、重傷、死亡。在本研究中，由于行人無(wú)傷害事故數(shù)據(jù)較少，故將無(wú)傷害事故和輕傷事故合并為1組。根據(jù)每個(gè)類別的數(shù)據(jù)量、碰撞屬性和駕駛員傷害嚴(yán)重性屬性的相似性，將行人傷害嚴(yán)重程度進(jìn)一步分為3組：無(wú)傷害或輕傷、重傷、死亡，其中，無(wú)傷害或輕傷作為基準(zhǔn)變量。

根據(jù)《水平能見(jiàn)度等級(jí)》[17]和事故數(shù)據(jù)特征，將能見(jiàn)度水平劃分為200 m及以下為低能見(jiàn)度情況，200 m以上為高能見(jiàn)度情況。在3 347起低能見(jiàn)度事故中，1 882份報(bào)告為無(wú)傷害或輕傷，占車禍車輛總數(shù)的56.23%，439份（13.12%）報(bào)告為重傷，1 026份（30.65%）報(bào)告為死亡；在3 058起高能見(jiàn)度事故中，2 037份報(bào)告為無(wú)傷害或輕傷，占車禍車輛總數(shù)的66.61%，454份（14.85%）報(bào)告為重傷，567份（48.54%）報(bào)告為死亡?？梢钥闯?，與高能見(jiàn)度事故中的行人相比，低能見(jiàn)度事故中的行人死亡的風(fēng)險(xiǎn)更高。表1為變量的描述性統(tǒng)計(jì)。

表1 變量的描述性統(tǒng)計(jì)Tab.1 Descriptive statistics of variables

2 模型構(gòu)建

2.1 均值異質(zhì)性的隨機(jī)參數(shù)Logit模型

選用考慮均值異質(zhì)性的隨機(jī)參數(shù)logit模型識(shí)別影響事故中行人傷害嚴(yán)重程度的因素，效用函數(shù)為

式中：Sin為決定事故n中的行人傷害嚴(yán)重程度為i的效用函數(shù)；Xin為影響事故中行人n的嚴(yán)重程度因素的向量；βi為對(duì)應(yīng)的估計(jì)參數(shù)的向量；εin為誤差項(xiàng)。

為了解釋可能未觀測(cè)到的異質(zhì)性，定義βn為隨事故n而變化的估計(jì)參數(shù)的向量集，βn的表達(dá)式見(jiàn)式（2）[18]。

式中：b為事故中的平均參數(shù)估計(jì)值；Zn為事故n中均值異質(zhì)性向量，它會(huì)影響βn的均值；Θ為對(duì)應(yīng)的估計(jì)參數(shù)的向量；φn為隨機(jī)分布的誤差項(xiàng)，用以捕捉事故中未觀察到的異質(zhì)性。

在存在未觀測(cè)到的異質(zhì)性的情況下，使得β具有1個(gè)連續(xù)的密度函數(shù)f(β|φ)，則事故傷害嚴(yán)重程度概率密度函數(shù)可表達(dá)為

式中：f(β|φ)為β的概率密度函數(shù)；φ為描述密度函數(shù)的參數(shù)向量。

通過(guò)基于仿真的最大似然估計(jì)方法對(duì)式（3）中的參數(shù)進(jìn)行估計(jì)，采用Halton抽樣方法，抽樣次數(shù)為200次。在進(jìn)行估計(jì)之前，必須指定參數(shù)的概率密度函數(shù)的形式。參數(shù)的概率密度函數(shù)的函數(shù)形式通常為正態(tài)分布、對(duì)數(shù)正態(tài)分布、三角分布和均勻分布。以往的文獻(xiàn)得出的普遍結(jié)論是，正態(tài)分布通常最適合事故傷害嚴(yán)重程度數(shù)據(jù)[19]。

2.2 彈性分析

利用均值異質(zhì)性的隨機(jī)參數(shù)Logit模型得出的回歸參數(shù)只能定性地反映顯著自變量對(duì)事故中駕駛?cè)耸軅麌?yán)重程度的影響趨勢(shì)，并不能定量地反映顯著自變量對(duì)機(jī)動(dòng)車間事故中駕駛?cè)耸軅麌?yán)重程度的影響大小。為了評(píng)估均值異質(zhì)性的隨機(jī)參數(shù)Logit模型中的顯著變量對(duì)駕駛員傷害結(jié)果概率的影響，還需進(jìn)行彈性分析。彈性分析計(jì)算見(jiàn)式（4）。

然而式（4）適用于連續(xù)變量，不適用于指標(biāo)變量（值為0或1的變量），因?yàn)楦怕蕦?duì)于值0或1的變量不可微。為了解決這個(gè)問(wèn)題，可以計(jì)算1個(gè)偽彈性來(lái)量化指標(biāo)變量的邊際效應(yīng)，見(jiàn)式（5）。

3 結(jié)果討論

低能見(jiàn)度情況下的事故中行人傷害嚴(yán)重程度的估計(jì)結(jié)果見(jiàn)表2，根據(jù)似然比檢驗(yàn)的結(jié)果，考慮均值異質(zhì)性的隨機(jī)參數(shù)logit模型的對(duì)數(shù)似然初始值為-3 188.411 3，對(duì)數(shù)似然收斂值分別為-2 755.085 9，AIC值為5 602.2，McFadden PseudoR2為0.250 7，表明模型整體的擬合優(yōu)度良好。高能見(jiàn)度情況下所有變量的回歸參數(shù)的標(biāo)準(zhǔn)差均在統(tǒng)計(jì)意義上不顯著，所有參數(shù)均退化為固定參數(shù)，因此模型退化為多項(xiàng)式Logit模型。根據(jù)似然比檢驗(yàn)的結(jié)果，高能見(jiàn)度情況下的多項(xiàng)式Logit模型的AIC值為4 792.7，對(duì)數(shù)似然初始值為-2 649.050 8，對(duì)數(shù)似然收斂值為-2 367.348 6，多項(xiàng)式Logit模型擬合良好。

3.1 隨機(jī)參數(shù)

根據(jù)表2，在低能見(jiàn)度的情況下，有2個(gè)變量具有服從正態(tài)分布的隨機(jī)參數(shù)特征，分別為對(duì)應(yīng)傷害嚴(yán)重程度為死亡的類別中的變量“卡車”和“凌晨”。如圖1（a）所示，變量“卡車”服從均值為1.643，標(biāo)準(zhǔn)差為1.773的正態(tài)分布，這意味著在低能見(jiàn)度的情況下，事故中82.3%的行人在涉及卡車的事故受到致命傷害的可能性會(huì)增加，而17.7%的行人在涉及卡車事故中受到致命傷害的概率則會(huì)降低。變量“凌晨”對(duì)于傷害嚴(yán)重程度為死亡的類別服從均值為0.867，標(biāo)準(zhǔn)差為1.469的正態(tài)分布（見(jiàn)圖1（b）），這意味著在低能見(jiàn)度的情況下，相對(duì)于其他時(shí)間，有72.2%的行人在凌晨發(fā)生的事故中受到致命傷害的概率增加，而27.8%的行人在凌晨發(fā)生的事故中受到致命傷害的概率會(huì)有所降低。

圖1 隨機(jī)參數(shù)分布Fig.1 Distribution of random parameters

根據(jù)表2，高能見(jiàn)度情況下的顯著變量不具有隨機(jī)參數(shù)特征。

表2 參數(shù)估計(jì)結(jié)果Tab.2 Results of parameter estimation

3.2 均值異質(zhì)性

與傳統(tǒng)的隨機(jī)參數(shù)Logit模型相比，考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型能夠捕獲可能存在于隨機(jī)參數(shù)均值中的個(gè)體異質(zhì)性，進(jìn)一步探索造成隨機(jī)參數(shù)的可能因素。

由表2可知，行人年齡在26～35歲和瀝青路面會(huì)影響變量“卡車”的隨機(jī)參數(shù)均值。變量“卡車”的隨機(jī)參數(shù)均值與行人年齡在26～35歲呈正相關(guān)，意味著卡車會(huì)增大事故中行人的致死概率，并且增加幅度在涉及到26～35歲的行人時(shí)會(huì)進(jìn)一步增大。如圖2（a）所示，在低能見(jiàn)度情況下的卡車事故中，25歲以下行人對(duì)于傷害嚴(yán)重程度為死亡的參數(shù)均值為1.643，當(dāng)事故涉及到年齡在26～35歲的行人時(shí)，參數(shù)均值增大到了2.907（1.643+1.264=2.907）。變量瀝青路面與“卡車”呈負(fù)相關(guān)，在低能見(jiàn)度情況下涉及卡車的事故會(huì)增加行人死亡的可能性，但是瀝青路面能夠減小這種增加的幅度。

圖2 “卡車”均值異質(zhì)性參數(shù)分布Fig.2 Distribution of random parameters with heterogeneity in means for“truck”

變量“凌晨”的隨機(jī)參數(shù)的均值具有異質(zhì)性，并且與駕駛員年齡在46～55歲和黎明或黃昏呈正相關(guān)，在低能見(jiàn)度情況下的凌晨事故中，對(duì)于25歲以下駕駛員以及白天，其對(duì)于傷害嚴(yán)重程度為死亡的類別的參數(shù)均值均為0.867，然而對(duì)于46～55歲的駕駛員和黎明或黃昏，參數(shù)均值分別為1.820和2.001，見(jiàn)圖3（a）～（b）。表明在低能見(jiàn)度情況下發(fā)生在凌晨的事故會(huì)增加行人死亡的可能性，并且增加的幅度對(duì)于涉及46～55歲的駕駛員和黎明或黃昏情況會(huì)進(jìn)一步增加。但變量“凌晨”與夜間有路燈照明呈負(fù)相關(guān)，從圖3（c）可見(jiàn)：在低能見(jiàn)度情況下發(fā)生于凌晨的事故中，對(duì)于白天，其對(duì)于死亡類別的參數(shù)均值為0.813，而在有路燈照明情況下，參數(shù)均值變?yōu)?0.104，這意味著在低能見(jiàn)度發(fā)生于凌晨的事故中，夜間有路燈照明能改變影響方向，使得行人在事故中無(wú)傷或受輕傷的概率增大。

圖3 “凌晨”均值異質(zhì)性參數(shù)分布Fig.3 Distribution of random parameters with heterogeneity in means for“early morning hours”

4 事故影響因素分析

由表2可見(jiàn)：低能見(jiàn)度下的事故影響因素與高能見(jiàn)度情況下存在顯著差異，因此接下來(lái)將結(jié)合彈性分析結(jié)果對(duì)低能見(jiàn)度情況下的事故影響因素進(jìn)行分析，見(jiàn)表3。

表3 彈性分析結(jié)果Tab.3 Results of elasticity analysis

4.1 駕駛員因素

在低能見(jiàn)度情況下，男性駕駛員對(duì)于死亡類別的彈性值為10.67%，意味著與女性相比，男性駕駛員在事故中造成行人死亡的概率要比女性駕駛員要更高，原因是男性駕駛員的駕駛行為更加冒進(jìn)，行駛速度更高，進(jìn)而導(dǎo)致增加發(fā)生死亡事故的概率。相較于25歲及以下的年輕駕駛員，較高年齡段的駕駛員對(duì)于死亡類別的彈性值均為負(fù)（分別為-1.62%，-1.69%，-1.01%，-0.25%），說(shuō)明年齡越大，事故中行人遭受致命傷害的可能性越低，原因是駕駛員的年齡越大，駕駛經(jīng)驗(yàn)就越豐富，遇到突發(fā)狀況時(shí)采取的應(yīng)對(duì)措施更好，而年輕駕駛員更容易采取冒險(xiǎn)的駕駛行為。在高能見(jiàn)度結(jié)果中，駕駛員年齡對(duì)于行人傷害嚴(yán)重程度沒(méi)有顯著影響。

4.2 行人因素

低能見(jiàn)度結(jié)果中，發(fā)現(xiàn)行人年齡對(duì)于事故傷害嚴(yán)重程度有顯著影響，與年輕人相比，年齡越大的行人在事故中死亡的概率越大（彈性值分別為0.72%，1.9%和8.77%），原因主要是行人年齡越大，其身體機(jī)能和健康狀況也較差，面對(duì)突發(fā)事件的應(yīng)變和反應(yīng)能力也較弱，事故發(fā)生時(shí)來(lái)不及反應(yīng)，進(jìn)而導(dǎo)致遭受嚴(yán)重的事故傷害[20]。在高能見(jiàn)度結(jié)果中，男性行人受到致命傷害的概率要高于女性。

4.3 車輛因素

在低能見(jiàn)度情況下，廂式貨車、卡車和客車均會(huì)顯著增加事故中行人受到嚴(yán)重傷害的可能性（對(duì)應(yīng)于死亡的彈性值分別為1.69%，4.39%和0.84%）。原因是中大型車輛的體積、質(zhì)量較大，駕駛室的位置較高，駕駛?cè)舜嬖谝曇懊^(qū)，且車輛的慣性大、制動(dòng)距離較長(zhǎng)在行駛過(guò)程的操控性較差，遭遇緊急情況時(shí)不易采取應(yīng)對(duì)措施，進(jìn)而導(dǎo)致行人在事故中遭受重傷或死亡的可能性增大。與車輛直行相比，在車輛左轉(zhuǎn)、右轉(zhuǎn)、掉頭和倒車時(shí)發(fā)生事故，行人無(wú)傷或僅受輕傷的概率分別增加了1.7%，0.86%，0.34%和0.38%。主要原因是車輛在轉(zhuǎn)彎和倒車時(shí)，車速較低、車輛轉(zhuǎn)彎半徑較大、駕駛?cè)吮容^警惕，觀察較為充分，降低了事故中行人受到嚴(yán)重傷害的風(fēng)險(xiǎn)。

4.4 道路因素

在低能見(jiàn)度情況下，相較于破損的路面，完好的路面的彈性值為-0.082，意味著完好的路面能使行人受重傷的概率下降8.2%，此變量在高能見(jiàn)度情況下并不顯著。瀝青路面對(duì)于重傷和死亡類別的彈性值分別為27.5%和19.1%，說(shuō)明在瀝青路面上的事故會(huì)顯著增加事故中行人受到嚴(yán)重傷害的風(fēng)險(xiǎn)。

與一般城市道路相比，等級(jí)公路會(huì)顯著影響行人死亡的概率（對(duì)應(yīng)于死亡的彈性值為2.66%），而發(fā)生在其他類型道路上的事故造成的事故后果更為嚴(yán)重（對(duì)應(yīng)于重傷和死亡的彈性值分別為0.55%和0.94%）。

4.5 環(huán)境因素

根據(jù)表3，與農(nóng)村地區(qū)相比，低能見(jiàn)度情況下發(fā)生在城市地區(qū)的事故造成行人死亡的可能性會(huì)下降7.34%，原因可能是在農(nóng)村地區(qū)，交通標(biāo)志標(biāo)線和信號(hào)燈不如城市地區(qū)普遍，并且農(nóng)村地區(qū)的交通流密度較低，交通信號(hào)控制設(shè)施缺乏，增大了車輛超速行駛的可能，致使行人死亡的概率上升。變量“周末”只在低能見(jiàn)度情況下會(huì)顯著影響事故中行人死亡的概率，其彈性值為1.08%，意味著與周內(nèi)相比，發(fā)生在周末的事故會(huì)使事故中行人死亡的概率增加3.9%。

低能見(jiàn)度情況下，變量“凌晨”具有隨機(jī)參數(shù)特征，72.2%的行人在凌晨發(fā)生的事故中受到致命傷害的概率增加，其對(duì)于傷害嚴(yán)重程度為死亡的彈性值為2.67%，這主要是因?yàn)橐归g光線昏暗，能見(jiàn)度低，駕駛?cè)说母兄L(fēng)險(xiǎn)的能力較低，面對(duì)突發(fā)情況，反應(yīng)時(shí)間更長(zhǎng)，故增加了其發(fā)生嚴(yán)重傷害的風(fēng)險(xiǎn)。與變量“凌晨”相反，“晚高峰”對(duì)應(yīng)于重傷和死亡的彈性值均為負(fù)，意味著與其他時(shí)間相比，行人在發(fā)生在晚高峰的事故中受重傷或死亡的概率分別下降了-0.73%和-1.44%，潛在原因是在該時(shí)段光線較暗，駕駛員行車較為謹(jǐn)慎，并且晚高峰時(shí)交通較為擁堵，車速較慢，因此降低了行人受到嚴(yán)重傷害的概率。

地形對(duì)于低能見(jiàn)度事故中行人傷害嚴(yán)重程度也有顯著影響，變量“丘陵”對(duì)于死亡類別的彈性值為1.7%，而變量“山區(qū)”對(duì)于重傷類別的彈性值為1.3%，說(shuō)明相較于平原地形，發(fā)生在丘陵和山區(qū)地形的事故會(huì)增加行人受到嚴(yán)重傷害的概率。這主要是由于與上述地區(qū)相比，平原地區(qū)擋駕駛?cè)艘暰€的障礙物較少，駕駛?cè)艘曇伴_(kāi)闊，能對(duì)前方狀況進(jìn)行預(yù)判且在事故發(fā)生前有足夠的時(shí)間采取合理的避險(xiǎn)措施[21]。高能見(jiàn)度結(jié)果中地形對(duì)于行人傷害嚴(yán)重程度沒(méi)有顯著影響，因此需要重點(diǎn)關(guān)注低能見(jiàn)度情況下的非平原地區(qū)的行人安全。

低能見(jiàn)度情況下，“夜間有路燈照明”對(duì)于重傷和死亡類別的彈性值分別為2.43%和2.78%，“夜間無(wú)路燈照明”對(duì)于重傷和死亡類別的彈性值分別為1.7%和4.64%，原因是在上述情況下光線暗淡，能見(jiàn)度降低，駕駛員視距變短，在此條件下感知風(fēng)險(xiǎn)的能力會(huì)降低，遇到應(yīng)對(duì)突發(fā)情況所需的反應(yīng)時(shí)間需要更多的反應(yīng)時(shí)間，增加了行人受到嚴(yán)重傷害的風(fēng)險(xiǎn)[22]。因此在夜間低能見(jiàn)度情況下，無(wú)論是否有路燈照明，駕駛員都應(yīng)該謹(jǐn)慎低速駕駛，以保護(hù)道路交通參與者的安全。發(fā)生在凌晨或黃昏時(shí)分的事故中行人死亡的概率上升了0.39%。

5 結(jié)束語(yǔ)

為了分析在低能見(jiàn)度情況下與行人-機(jī)動(dòng)車碰撞事故中行人傷害嚴(yán)重程度顯著相關(guān)的因素，基于中國(guó)某市6 405起的行人-機(jī)動(dòng)車碰撞數(shù)據(jù)，建立考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型分析影響事故中行人傷害嚴(yán)重程度的因素，并與高能見(jiàn)度情況進(jìn)行對(duì)比。得出以下主要結(jié)論。

1）低能見(jiàn)度情況下，考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型的結(jié)果表明，變量“卡車”和“凌晨”具有服從正態(tài)分布的隨機(jī)參數(shù)特征。

2）隨機(jī)參數(shù)變量“卡車”和“凌晨”具有均值異質(zhì)性，表現(xiàn)為涉及到卡車時(shí)，事故中26～35歲的行人遭受致命傷害的概率會(huì)增大，而在瀝青路面上能夠減小發(fā)生死亡事故的風(fēng)險(xiǎn)；當(dāng)事故發(fā)生在凌晨時(shí)，46～55歲的駕駛員和黎明或黃昏會(huì)增大事故中行人死亡的可能性，而在夜間有路燈照明情況下發(fā)生死亡事故的幾率降低。

3）研究發(fā)現(xiàn)不同能見(jiàn)度情況下，事故影響因素有非常明顯的差異：高能見(jiàn)度情況下未發(fā)現(xiàn)具有異質(zhì)性的影響因素；高能見(jiàn)度情況下，駕駛員年齡、路面情況、周末和地形對(duì)行人傷害嚴(yán)重程度影響并不顯著，而男性行人和摩托車在低能見(jiàn)度情況下并未觀測(cè)到會(huì)對(duì)事故嚴(yán)重程度產(chǎn)生顯著影響。

研究結(jié)果可為制定不同能見(jiàn)度情況下的行人保護(hù)措施提供依據(jù)：①需要加強(qiáng)對(duì)于重型車輛的監(jiān)管，在非瀝青路段設(shè)置限速標(biāo)志，限制車速并提高駕駛員警惕性，降低事故風(fēng)險(xiǎn)；②交通管理部門加強(qiáng)對(duì)于凌晨時(shí)分的道路管理，對(duì)于年齡偏大的駕駛員增加安全教育與培訓(xùn)，增設(shè)道路照明設(shè)施，降低事故嚴(yán)重程度；③改善非城市地區(qū)的道路基礎(chǔ)設(shè)施建設(shè)，加強(qiáng)周末的交通管理，更多的關(guān)注非平原地區(qū)的行人安全等。