基于Logistic 回歸的交通事故嚴(yán)重性的影響因素分析

王希琳

（東北林業(yè)大學(xué)交通學(xué)院，黑龍 江哈爾濱 150040）

根據(jù)國家統(tǒng)計(jì)數(shù)據(jù)，2020 年全國共發(fā)生交通事故244674 起，造成死亡人數(shù)61703 人，受傷人數(shù)250723 人，總計(jì)財(cái)產(chǎn)損失131361 萬元[1]?？梢?，道路交通事故的數(shù)量多、影響人群廣、損失嚴(yán)重。因此，分析交通事故后果的嚴(yán)重性的影響因素，有利于管理部門精準(zhǔn)制定相關(guān)管理政策、準(zhǔn)確采取措施，提高道路使用者的安全意識(shí)。

為此，國內(nèi)外學(xué)者進(jìn)行了大量研究。Valeriy Kapitanov 等人采用相關(guān)分析和回歸分析的方法，通過對(duì)近四年俄羅斯交通事故數(shù)據(jù)的分析，從社會(huì)、經(jīng)濟(jì)、自然氣候等方面確定了事故率的影響因素[2]。Jerold Joseph Fernandez 等通過層次分析法（AHP）對(duì)駕駛?cè)朔矫娴慕煌ㄊ鹿视绊懸蛩剡M(jìn)行了優(yōu)先級(jí)排序，并得出最應(yīng)優(yōu)先考慮的因素是駕駛?cè)藢?duì)交通標(biāo)志的錯(cuò)誤認(rèn)識(shí)，優(yōu)先級(jí)最低的是駕駛?cè)瞬涣嫉鸟{駛行為[3]。Guangnan Zhang 等通過逐步logistic 回歸分析了影響交通違法和事故嚴(yán)重程度的因素[4]。孟云偉等人采用二項(xiàng)logistic 回歸，選取某高速公路的數(shù)據(jù)，從時(shí)間、道路、天氣等方面對(duì)高速公路交通事故后果的影響因素進(jìn)行分析[5]。牛毅等人基于Apriori 關(guān)聯(lián)算法等數(shù)據(jù)挖掘技術(shù)對(duì)高速公路貨車交通事故發(fā)生的位置、時(shí)間等的關(guān)聯(lián)關(guān)系以及分布規(guī)律等進(jìn)行探究，發(fā)現(xiàn)凌晨時(shí)間段與疲勞駕駛和高死亡率存在較強(qiáng)的關(guān)聯(lián)[6]。

既有相關(guān)研究從人、車、道路三個(gè)維度分別對(duì)交通事故影響因素進(jìn)行了探討，而對(duì)于“人-車-路-環(huán)境”體系中的“環(huán)境”維度進(jìn)行深入討論的研究較少。本文從“環(huán)境”這一層面出發(fā)，更加全面綜合地考慮，對(duì)影響交通事故后果嚴(yán)重程度的環(huán)境因素進(jìn)行細(xì)化分析，構(gòu)建logistic 回歸模型，研究各環(huán)境要素與事故嚴(yán)重程度之間的相關(guān)性，對(duì)現(xiàn)有研究進(jìn)行補(bǔ)充并提出應(yīng)對(duì)措施建議。

1 模型構(gòu)建

1.1 二項(xiàng)logistic 回歸

常用分析因變量影響因素的方法有多元線性回歸和logistics 回歸。本文中的自變量事故嚴(yán)重程度分為一般事故和嚴(yán)重事故，為二分類變量，故采用二項(xiàng)logistics 回歸?？杀硎緸椋?/p>

式中，Y 為事故嚴(yán)重程度的兩種取值，xk為影響事故嚴(yán)重程度的環(huán)境因素，βj為常數(shù)。

1.2 變量設(shè)置

1.2.1 因變量

本文數(shù)據(jù)均來源于美國道路交通事故統(tǒng)計(jì)[7]，對(duì)其中總計(jì)10077 起事故案例進(jìn)行分析，共篩選出了有效數(shù)據(jù)8385條。將交通事故嚴(yán)重程度分為一般事故與嚴(yán)重事故，統(tǒng)計(jì)結(jié)果如表1 所示。

表1 因變量設(shè)置統(tǒng)計(jì)表

1.2.2 自變量

根據(jù)各條事故案例所對(duì)應(yīng)的其所處環(huán)境條件，以更加客觀地反映相關(guān)性為原則，共篩選出11 個(gè)自變量，包括天氣、時(shí)間、路段特征、氣象參數(shù)等，統(tǒng)計(jì)結(jié)果如表2 所示。

表2 自變量設(shè)置統(tǒng)計(jì)表

2 模型結(jié)果及分析

2.1 模型檢驗(yàn)

對(duì)模型進(jìn)行似然比卡方檢驗(yàn)，結(jié)果表明p 值為

0.000＜0.01,說明該模型有效。一般而言，當(dāng)模型預(yù)測(cè)的正確率大于60%時(shí)，認(rèn)為該模型的預(yù)測(cè)結(jié)果良好，本文構(gòu)建的logistics 回歸模型正確率為61.6%＞60%，說明模型預(yù)測(cè)水平較好。

表3 模型檢驗(yàn)結(jié)果

2.2 結(jié)果分析

二項(xiàng)logistics 回歸結(jié)果如表4 所示。其中當(dāng)p 值＜0.05時(shí)，認(rèn)為該影響因素顯著。OR 值為某一事件發(fā)生的概率與不發(fā)生概率的比值，在本文中OR 值指的是由在某自變量下的嚴(yán)重事故與一般事故的比值。對(duì)于連續(xù)變量，OR 值表示該變量每增加一個(gè)單位，導(dǎo)致的嚴(yán)重事故與一般事故的比值變化了（OR-1）%, 對(duì)于分類變量OR 值表示該變量從0 變?yōu)?時(shí)，嚴(yán)重事故與一般事故的比值變化了（OR-1）%。

表4 計(jì)算結(jié)果

由表4 可知，天氣、時(shí)間、路段特征、溫度、風(fēng)速的P 值均小于0.1，認(rèn)為其對(duì)交通事故嚴(yán)重程度影響顯著。而濕度、氣壓、事故點(diǎn)附近是否設(shè)置有讓行標(biāo)志則對(duì)事故嚴(yán)重性無明顯影響。

天氣狀況對(duì)交通事故嚴(yán)重程度有顯著影響，其中惡劣雨雪天氣（4）的OR 值為2.773，表明在惡劣雨雪天氣中發(fā)生嚴(yán)重交通事故的概率較一般交通事故高了117.3%；輕微雨雪天氣（3）OR 為1.798，表明在輕微雨雪天氣中發(fā)生嚴(yán)重交通事故的概率較一般交通事故高了79.8%；陰天發(fā)生嚴(yán)重交通事故的概率較一般交通事故高了27%。在雨雪天氣，由于路面濕滑，車輛與路面的摩擦系數(shù)降低，易發(fā)生側(cè)滑的同時(shí)也使得制動(dòng)距離延長(zhǎng)，使得容易造成嚴(yán)重后果。

在時(shí)間上，夜間發(fā)生事故的后果更為嚴(yán)重。相較于白天，夜間發(fā)生嚴(yán)重事故的概率較一般事故高了48.9%。夜間行駛對(duì)駕駛?cè)说木駹顟B(tài)要求較高，容易由于疲勞駕駛產(chǎn)生困意，且外界光線較白天顯著不足，容易造成誤判、制動(dòng)不及時(shí)等情況，引發(fā)嚴(yán)重事故。

路段特征也會(huì)對(duì)事故嚴(yán)重性產(chǎn)生顯著影響，結(jié)果表明交叉口路段發(fā)生嚴(yán)重交通事故的概率較一般事故高了111.5%，交叉口增加了交通復(fù)雜性和交通沖突，是交通事故的多發(fā)點(diǎn)；設(shè)有交通信號(hào)設(shè)施、停車標(biāo)志、人行橫道的路段發(fā)生嚴(yán)重交通事故的概率較一般事故分別低了68.6%、96.6%、72.2%，說明在路段設(shè)置交通管控設(shè)施有利于減少重大交通事故的發(fā)生。

溫度每增加一個(gè)單位，嚴(yán)重事故的概率較一般事故減少了0.788%，寒冷天氣較溫暖天氣容易發(fā)生嚴(yán)重事故。同時(shí)，大風(fēng)天氣較微風(fēng)、無風(fēng)天氣，嚴(yán)重事故概率較一般事故有所增加。

根據(jù)以上交通事故嚴(yán)重性影響因素分析，提出了以下減輕事故的嚴(yán)重程度措施建議：

a.在雨天、雪天等特殊天氣，及時(shí)處理路上積水、積雪，在路段設(shè)置減速提醒設(shè)施以及封閉事故多發(fā)的危險(xiǎn)路段等；

b.增設(shè)照明路燈、夜間警示設(shè)施等；

c.完善路段管控設(shè)施，如交通信號(hào)燈、讓行標(biāo)志、路面結(jié)冰警示標(biāo)志等，對(duì)于老舊破損設(shè)施及時(shí)更換維修。

3 結(jié)論

通過對(duì)總計(jì)10077 起交通事故數(shù)據(jù)分析，構(gòu)建了二項(xiàng)logistics 回歸模型，檢驗(yàn)結(jié)果證明了模型的有效性和準(zhǔn)確性。根據(jù)模型計(jì)算得到了影響道路交通事故嚴(yán)重性的環(huán)境因素，并提出了應(yīng)對(duì)措施建議。本文對(duì)“人-車-路-環(huán)境”中的環(huán)境進(jìn)行了模型建立與分析，研究結(jié)論可作為下一步研究的參考，下一步可對(duì)人、車、路、環(huán)境四項(xiàng)要素進(jìn)行全面分析討論，形成完整體系。