考慮車型與道路線形的山區(qū)公路貨車事故嚴(yán)重程度影響因素辨識

曹 瑞，戢曉峰，覃文文

(昆明理工大學(xué) 交通工程學(xué)院，云南 昆明 650504)

0 引言

隨著我國物流業(yè)的快速發(fā)展，公路貨運作為物流體系的重要基礎(chǔ)，在綜合運輸體系中發(fā)揮著越來越重要的作用。目前，公路貨物運輸正朝著車輛大型化、重載化、專業(yè)化的方向發(fā)展，貨車保有量不斷增加。2018年，我國公路貨物運輸總量達到395.69億t，貨物周轉(zhuǎn)量71 249.21億t km，分別占全方式貨物運輸總量的78.15%和35.73%。隨著公路貨運量與貨車保有量的持續(xù)增長，各等級公路的貨車混入率也普遍提高。貨車在行駛過程中，由于車身體積大、實際載貨量高等自身因素影響，以及駕駛員、交通流量、天氣、道路幾何條件等外部因素的影響容易產(chǎn)生嚴(yán)重的交通事故。近年來，我國道路交通事故數(shù)仍然居高不下，其中貨車事故占比25%以上，貨車事故死亡人數(shù)約占道路交通事故死亡總數(shù)的39.6%。由此可見，貨車事故致死率高，有效的貨車事故整治已成為重大現(xiàn)實需求。

同時，受公路設(shè)計標(biāo)準(zhǔn)、地形地質(zhì)條件和建設(shè)資金的綜合限制，我國山區(qū)公路呈現(xiàn)路窄、彎多、坡陡、載貨汽車混入率高等特征，行車條件復(fù)雜，道路安全性能偏低，導(dǎo)致其交通事故頻發(fā)且事故嚴(yán)重程度較高。以云南省為例，全省80%的大宗貨物在公路上運輸，而山區(qū)公路線形復(fù)雜、轉(zhuǎn)彎半徑小且頻率高，貨車引發(fā)交通事故的風(fēng)險遠(yuǎn)高于其他公路。據(jù)統(tǒng)計，云南省山區(qū)公路的交通事故發(fā)生率占全部公路的15%以上，貨車參與的事故高達20%以上，且人員受傷事故(包含死亡)占比高達35%以上。因此，山區(qū)公路復(fù)雜的道路線形導(dǎo)致貨車事故致死致傷概率更大，迫切需要對山區(qū)公路貨車事故嚴(yán)重程度影響因素進行分析。

目前，國內(nèi)外學(xué)者從駕駛員特性、車輛特性、行車環(huán)境、道路幾何條件和事故形態(tài)等方面，采用數(shù)理統(tǒng)計模型分析潛在的事故影響因素與貨車事故嚴(yán)重程度的定量關(guān)系，主要針對高速公路與城市快速路，對貨車事故嚴(yán)重程度致因進行了分析。從駕駛員角度看，已有研究發(fā)現(xiàn)更嚴(yán)重的貨車事故與年輕人和老年人、無有效駕駛執(zhí)照駕駛、超速駕駛以及在酒精或毒品影響下的駕駛有關(guān)[1]。Hong等[2]以韓國高速公路事故數(shù)據(jù)為基礎(chǔ)，采用兩階段殘差包含估計方法(2SRI)分析了駕駛員違規(guī)行為與交通事故發(fā)生的內(nèi)生關(guān)系，發(fā)現(xiàn)酒后駕駛、嗜睡駕駛、中型或小型貨車會增加駕駛員違規(guī)行為的可能性，繼而增加事故風(fēng)險。從車輛特性來看，有研究發(fā)現(xiàn)更嚴(yán)重的事故傷害與貨車載重、車速差異大有關(guān)。如胥川等[3]基于新澤西事故數(shù)據(jù)庫，采用Logit和Probit模型估計解釋變量對事故嚴(yán)重程度的影響，發(fā)現(xiàn)了事故嚴(yán)重程度和貨車重量的正相關(guān)關(guān)系。從環(huán)境角度來看，有研究顯示更嚴(yán)重的事故與惡劣天氣有關(guān)[4]，但在路面潮濕情況和照明條件方面的研究結(jié)果不一致。如Azimi等[5]采用隨機參數(shù)有序logit(RPOL)模型分析了駕駛員、車輛、道路和碰撞的各種屬性對佛羅里達州際公路貨車翻車事故嚴(yán)重程度的影響，發(fā)現(xiàn)干燥的路面條件與嚴(yán)重事故相關(guān)。從道路角度來看，部分研究關(guān)注于彎道路段，當(dāng)車道寬度更小，沒有中央隔離帶、縱坡坡度較大的道路條件下更易造成嚴(yán)重事故[6]。Taylor等[7]基于美國某高速公路事故數(shù)據(jù)，建立負(fù)二項式和有序logit貨車事故嚴(yán)重程度致因分析模型，發(fā)現(xiàn)低肩寬、上坡或下坡路段更容易造成嚴(yán)重事故。從事故形態(tài)角度來看，部分研究發(fā)現(xiàn)嚴(yán)重事故與側(cè)滑碰撞有關(guān)[8]，而撞固定物和追尾碰撞與輕微傷害事故相關(guān)[9-10]。還有研究關(guān)注了貨物類型、貨車配置、流量、空間依賴和物流公司特征等方面[11-13]。最近，已有學(xué)者開始關(guān)注于山區(qū)公路行車環(huán)境，探討貨車事故嚴(yán)重程度致因。如Wang等[14]以江西省和陜西省4條山區(qū)公路上的2 695起重型貨車事故數(shù)據(jù)為基礎(chǔ)，采用部分比例優(yōu)勢模型分析幾何特征、駕駛員、碰撞、卡車和環(huán)境特征對貨車事故嚴(yán)重程度的影響，發(fā)現(xiàn)異常駕駛行為、年輕駕駛員、坡度較大與更嚴(yán)重的事故后果有關(guān)。

綜上可知，現(xiàn)有研究在貨車事故嚴(yán)重程度致因分析中考慮了較多因素，然而對道路幾何特征及貨車類型的關(guān)注較少，且目前的道路線形指標(biāo)選取較為單一，未能充分考慮不同道路等級下不同線形組合對貨車事故嚴(yán)重程度的影響差異。因此，本研究聚焦車型和線形，基于云南省楚雄州典型山區(qū)公路(元雙公路元謀-牟定段)貨車(輕型、中型、重型)涉事事故數(shù)據(jù)，建立有序logit模型(OLM)，擬合道路線形組合、曲線半徑、外距、縱向坡度和豎曲線類型等道路幾何特征因素、駕駛員、碰撞、環(huán)境和車型等因素與貨車參與事故嚴(yán)重程度的函數(shù)關(guān)系。根據(jù)模型估計結(jié)果，辨識影響山區(qū)公路貨車事故嚴(yán)重程度的顯著因素，為山區(qū)公路貨車事故整治提供參考，對提升我國山區(qū)公路交通安全水平具有重要現(xiàn)實意義。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)收集與處理

本研究選取云南省楚雄州典型山區(qū)公路(元雙公路)K0+000-K87+422路段為研究對象。該路段全長87.42 km，設(shè)計速度60 km/h，路基寬8.5 m，為雙向兩車道，共有159處彎道，平曲線最小半徑125 m，其中彎道半徑小于500 m的高達117個，彎道路段長46.14 km，占研究路段總長度的52.54%。聚焦山區(qū)公路貨車事故嚴(yán)重程度致因分析的研究目標(biāo)，本研究從交警與公路管理部門收集了2012—2017年共2 215起事故數(shù)據(jù)和道路線形數(shù)據(jù)。事故原始數(shù)據(jù)主要包含案情簡要、事故發(fā)生時間、星期、樁號、天氣、路表、路面、事故形態(tài)、照明條件、涉事車輛、死亡人數(shù)、失蹤人數(shù)、受傷人數(shù)、直接財產(chǎn)損失等字段。道路線形數(shù)據(jù)由元雙公路牟定路段的豎曲表和直曲表構(gòu)成，主要包含變坡點、豎曲線類型、坡度、坡長、豎曲線長、直線坡長、交點樁號、轉(zhuǎn)角值、曲線半徑、曲線長度、緩和曲線長度、切線長度、外距、曲線位置等字段。原始數(shù)據(jù)為人工收集的全事故數(shù)據(jù)，存在信息記錄不全、有誤等現(xiàn)象，因此需要對數(shù)據(jù)進行處理，提取貨車參與事故數(shù)據(jù)，剔除無效信息，最終形成山區(qū)貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫。

山區(qū)公路上行駛的車輛有客車、貨車、摩托車、自行車、微耕機、拖拉機、電動車、三輪車、裝載機等，從元雙二級公路2012—2017年2 215起事故數(shù)據(jù)中可知，單一車輛涉事事故較少，約占20%。本研究將涉事車輛包含貨車(輕型、中型、重型)的所有事故作為貨車事故研究的原始數(shù)據(jù)集。然后對原始數(shù)據(jù)集進行分析處理，最大限度提取出可用字段，再結(jié)合豎曲表和直曲表提取事故路段的道路線形數(shù)據(jù)，形成貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫，為下一步選取模型變量做準(zhǔn)備。

1.2 變量選取

1.2.1 因變量選取

交通事故嚴(yán)重程度根據(jù)每起事故的傷亡程度及財產(chǎn)損失進行劃分，2004年公安部發(fā)布《交通事故統(tǒng)計暫行規(guī)定》，將交通事故嚴(yán)重程度劃分為死亡事故、重傷或輕傷事故和財產(chǎn)損失事故3個等級。本研究參照公安部規(guī)定，結(jié)合以往相關(guān)研究及實地調(diào)查的交通事故數(shù)據(jù)，將事故嚴(yán)重程度劃分為財產(chǎn)損失事故、輕微事故、嚴(yán)重事故3類。具體見表1。

表1 山區(qū)公路貨車事故嚴(yán)重程度劃分標(biāo)準(zhǔn)

1.2.2 自變量選取

貨車事故的發(fā)生是人-車-路-環(huán)境等各方面因素作用的結(jié)果，本研究在分析國內(nèi)外現(xiàn)有研究基礎(chǔ)上，綜合考慮山區(qū)公路線形特征，以貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫為基礎(chǔ)，最終選取了駕駛員年齡、事故發(fā)生時間、天氣、貨車類型、事故形態(tài)、道路線形等13個候選自變量來構(gòu)建山區(qū)公路貨車事故嚴(yán)重程度影響因素分析模型。自變量的定義及描述性統(tǒng)計特性見表2。

表2 自變量劃分標(biāo)準(zhǔn)

13個候選自變量中，有6個連續(xù)變量，2個二分類變量和5個多分類變量。對于多分類變量需要設(shè)置虛擬變量，若變量含有n(n≥3)個類別，模型中引入n-1個虛擬變量。如TRT分為輕型、中型和重型3類，以輕型為參考類，則引入TRT1和TRT2兩個虛擬變量，見表3。

表3 虛擬變量貨車類型分類編碼

2 研究方法

2.1 模型構(gòu)建

目前離散選擇模型被廣泛應(yīng)用于貨車事故的分析與預(yù)測研究中，且事故嚴(yán)重程度存在有序特性，其與影響因素并非只是簡單的非線性關(guān)系，傳統(tǒng)的多項logistic不能準(zhǔn)確獲取事故嚴(yán)重程度與變量之間的關(guān)系。因此，本研究采用有序logit模型(OLM)進行山區(qū)公路貨車事故嚴(yán)重程度致因分析，然后對顯著變量進行邊際效應(yīng)估計，從而更好地反映顯著自變量對事故嚴(yán)重程度的影響方向和強弱程度。

2.1.1 有序logit模型

有序logit模型主要用于處理因變量為有序的多分類結(jié)果，屬于二項logit模型的擴展[15]。OLM可表示為：

(1)

式中，P(*)為特定事故嚴(yán)重程度等級的發(fā)生概率；Yi為第i(i=1,2,…)起事故的受傷嚴(yán)重程度等級；j為事故嚴(yán)重程度等級(j=1,2,…,M)；X為自變量組成的集合；β為X的系數(shù)；αj為第j等級的常數(shù)項。由于本研究將事故嚴(yán)重程度分為3類，因此OLM模型為：

(2)

P(Y=2|X)=P(Y≤2|X)-P(Y≤1|X)，

(3)

P(Y=3|X)=1-P(Y≤2|X)。

(4)

2.1.2 邊際效應(yīng)估計

為進一步反映顯著自變量對事故嚴(yán)重程度的影響方向和強弱程度，需計算各個自變量的邊際效應(yīng)值。分兩種情況來計算：當(dāng)自變量為二分類變量時，可直接計算該變量的邊際效應(yīng)值[16]如式(5)所示；當(dāng)自變量為多分類變量時，由于變量可微，故采取彈性分析計算邊際效應(yīng)值[17]如式(6)所示。

(5)

(6)

2.2 模型檢驗

2.2.1 共線性假設(shè)檢驗

OLM前提條件要求自變量之間無多重共線性，即若自變量間存在著較強相關(guān)性時，通常情況下認(rèn)為此模型違背了基本假設(shè)。本研究采取相關(guān)性分析法和方差膨脹因子法綜合診斷自變量間的共線性[18]。方差膨脹因子法通過計算方差膨脹系數(shù)(Variance Inflation Factor，VIF)衡量多元線性回歸模型中共線性問題，一般建議若方差膨脹因子(VIF)大于等于10，則表明有多重共線性存在，在進行模型運算前應(yīng)將不滿足該假設(shè)的自變量剔除。

2.2.2 比例優(yōu)勢假設(shè)檢驗

OLM需要進行比例優(yōu)勢假設(shè)檢驗(又稱平行線假設(shè)檢驗)，否則模型的參數(shù)估計誤差太大，導(dǎo)致模型信度及效度缺乏。平行線假設(shè)檢驗的Wald檢驗由Brant(1990)提出，因此又稱Brant檢驗[19]。

2.2.3 擬合優(yōu)度檢驗

(1)似然比檢驗

本研究用似然比指數(shù)表征似然比檢驗結(jié)果，即比較僅包含常量項的模型與包含所有解釋變量的模型之間似然值的相對大小，分別記為L(Mintercept)和L(Mfull)，模型的參數(shù)個數(shù)為K，其計算公式如式(7)所示，R2越接近0，表示模型擬合程度越高。

(7)

(2)信息準(zhǔn)則指標(biāo)

信息準(zhǔn)則指標(biāo)包含赤池信息量準(zhǔn)則(Akaike Information Criterion,AIC)和貝葉斯信息準(zhǔn)則(Bayesian Information Criterion,BIC)，二者均是基于熵的概念，衡量模型的復(fù)雜度和模型擬合數(shù)據(jù)的優(yōu)度。計算方法為：

AIC=2k-2ln(L)，

(8)

(9)

式中，k為模型中自由參數(shù)的數(shù)量；L為似然值。AIC和BIC值越小，模型對數(shù)據(jù)擬合程度越佳。

3 模型結(jié)果

3.1 模型演化分析

基于貨車事故嚴(yán)重程度致因分析數(shù)據(jù)庫，首先進行共線性假設(shè)檢驗，最終剔除RDA，F(xiàn)CS和LSL3個變量，剩余變量VIF<10均滿足要求。運用stata15.0進行回歸，取顯著性水平為0.100，使用向后剔除變量法，篩選出顯著變量，模型演化結(jié)果如表4所示。

表4 OLM模型演化

續(xù)表4

由表4可以發(fā)現(xiàn)，模型M-1到模型M-3演化過程中，AIC和BIC不斷下降，說明模型在不斷優(yōu)化。對最終模型M-3進行似然比檢驗，模型的似然比指數(shù)Pseudo-R2為0.028 8，再結(jié)合其赤池信息量準(zhǔn)則AIC和貝葉斯信息準(zhǔn)則BIC分別為465.641和491.820，表明模型的擬合效果較好。采用Brant檢驗判定最終模型M-3中5個顯著自變量是否均滿足比例優(yōu)勢假設(shè)，結(jié)果見表5。

表5 比例優(yōu)勢假設(shè)的Brant檢驗

由表5可知，所有顯著自變量的得分檢驗χ2為9.042，自由度為5，p值為0.107，表明比例優(yōu)勢假設(shè)成立。同時，單個自變量的p值均大于0.05，表明在95%置信水平，5個自變量都滿足比例優(yōu)勢假設(shè)檢驗。對5個顯著自變量進行邊際效應(yīng)估計，結(jié)果見表6。

表6 顯著自變量對因變量的邊際效應(yīng)

從表4和表6可以發(fā)現(xiàn)，DA，LSD，TRT(中型)，AF(追尾碰撞)和VCT(凹)這5個自變量與山區(qū)公路貨車事故嚴(yán)重程度顯著相關(guān)。各顯著自變量對事故嚴(yán)重程度的影響大小依次排序為TRT，VCT，AF，LSD，DA。

3.2 影響因素分析

3.2.1 道路線形特征

本研究選取道路線形組合(RDA)，平曲線曲率(CFC)，平曲線長度(LFC)，平曲線外距(FCS)，豎曲線類型(VCT)，縱坡坡度(LSD)，縱坡坡長(LSL)7個道路特征變量探討其對貨車事故嚴(yán)重程度的影響機理，通過回歸模型最終識別出豎曲線類型和縱坡坡度2個顯著變量。其中，縱坡坡度的回歸系數(shù)為0.107，OR值為1.094，表明坡度越大，貨車事故嚴(yán)重程度越高。從邊際效應(yīng)估計結(jié)果可知，縱坡坡度與受傷事故顯著相關(guān)，坡度增加一個單位，貨車參與事故的人員受傷概率將增加0.5%，死亡概率將增加0.07%。研究結(jié)果與現(xiàn)有研究保持一致，部分研究表明當(dāng)縱坡坡度大于3%時，事故死亡概率將大幅增加[14]。坡度大的路段會導(dǎo)致駕駛員的視線受阻，同時陡坡將導(dǎo)致重載貨車等車輛的爬坡困難以及下坡時的速度上升，這些因素都會導(dǎo)致陡坡路段貨車行車安全性的降低。凹型豎曲線的回歸系數(shù)為-0.534，OR值為0.667，表明凹型豎曲線發(fā)生惡性事故的概率低于平面豎曲線和凸型豎曲線。從邊際效應(yīng)估計結(jié)果可知，凹型豎曲線與財產(chǎn)損失事故概率的增加(8.8%)和受傷事故概率的適度降低顯著相關(guān)(-7.8%)。

3.2.2 貨車類型特征

事故涉及貨車類型(TRT)標(biāo)記為此事故中涉及的最重貨車類型(輕型、中型、重型)。比如，一起事故中同時涉及中型和重型貨車，則這起事故的涉及貨車類型為重型貨車。311起貨車事故數(shù)據(jù)中，被標(biāo)記為涉及重型貨車的事故共126起，被標(biāo)記為涉及中型貨車的事故共24起，被標(biāo)記為涉及輕型貨車的事故共161起，分別占比40.5%，7.7%，51.8%。最終模型并未識別出輕型或重型貨車對事故嚴(yán)重程度的影響，研究結(jié)果顯示，中型貨車與財產(chǎn)損失事故概率的增加(20.5%)和受傷事故概率的降低高度相關(guān)(-18.6%)。

3.2.3 其他特征

一般而言，回歸模型應(yīng)盡可能控制性別、年齡、歸屬地等駕駛員特征相關(guān)的因素，然而由于采集到的原始數(shù)據(jù)能提取到的有效變量僅為年齡變量，因此模型最終選取年齡變量進行回歸分析。最優(yōu)模型中年齡的回歸系數(shù)為0.027，OR值為1.027，表明年輕貨車司機(20～61歲)不易造成嚴(yán)重事故。研究結(jié)果與現(xiàn)有部分研究不一致，可能是因為未考慮駕駛員不當(dāng)操作、疲勞駕駛等行為的影響。追尾碰撞事故形態(tài)的回歸系數(shù)為-0.404，OR值為0.668，表明相同條件下，追尾碰撞的事故嚴(yán)重程度低于其他事故形態(tài)。從邊際效應(yīng)估計結(jié)果可知，追尾碰撞與財產(chǎn)損失事故概率的增加(9.1%)和受傷事故概率的適度降低顯著相關(guān)(-8.0%)。換言之，與現(xiàn)有研究保持一致的結(jié)論是追尾碰撞不太可能導(dǎo)致人員嚴(yán)重受傷，因為追尾碰撞主要造成車輛結(jié)構(gòu)損傷[10]。

4 結(jié)論

(1)以貨車事故嚴(yán)重程度為因變量，將其分為僅財產(chǎn)損失、輕傷、重傷或死亡事故3個等級，從人、車、路、環(huán)境、事故形態(tài)5個方面，結(jié)合山區(qū)雙車道公路特點，選取13個候選自變量建立了山區(qū)公路貨車事故嚴(yán)重程度分析模型。

(2)與山區(qū)公路貨車事故嚴(yán)重程度顯著相關(guān)的5個自變量分別為貨車類型(中型)、豎曲線類型(凹)、事故形態(tài)(追尾碰撞)、縱坡坡度、駕駛員年齡，且5個顯著自變量均滿足比例優(yōu)勢假設(shè)。值得關(guān)注的是，本研究發(fā)現(xiàn)了山區(qū)道路線形特征、貨車類型對貨車事故受傷率和財產(chǎn)損失率的影響效應(yīng)。縱坡坡度與貨車事故嚴(yán)重程度的正向變動效應(yīng)說明貨車事故整治應(yīng)重點關(guān)注坡度較陡路段。研究結(jié)果表明，凹型豎曲線、中型貨車類型與財產(chǎn)損失事故概率的增加和受傷事故概率的適度降低顯著相關(guān)。

(3)分析結(jié)果從道路、駕駛員、車輛等角度對山區(qū)公路貨車事故整治提供了參考。從道路角度看，交通管理部門應(yīng)對山區(qū)公路凹形豎曲線、陡坡等安全隱患路段進行重點排查，加強對此類路段的交通安全監(jiān)測預(yù)警。從駕駛員角度看，針對不同年齡段的貨車駕駛員采取差異化措施(提醒駕駛員謹(jǐn)慎駕駛、減少跟馳、超車等)干涉其駕駛行為。從車輛角度看，應(yīng)重點關(guān)注中型貨車，及時布控、攔截、查處該類車輛的超載超速等違法行為。

(4)由于數(shù)據(jù)樣本容量有限及人工統(tǒng)計數(shù)據(jù)等方面的局限性，模型中未能充分體現(xiàn)山區(qū)公路環(huán)境對貨車事故嚴(yán)重程度的影響。因此，獲取更精確的山區(qū)公路環(huán)境、交通流狀況等數(shù)據(jù)，并結(jié)合地理空間技術(shù)、仿真技術(shù)對貨車事故影響機理進行深入分析將是下一步研究的重點。