建成環(huán)境對(duì)老年人交通事故嚴(yán)重程度異質(zhì)性影響

潘義勇，吳靜婷，施穎，繆炫燁

(南京林業(yè)大學(xué)，汽車與交通工程學(xué)院，南京 210037)

0 引言

人口老齡化是當(dāng)今世界各國(guó)面臨的問(wèn)題。隨著老年人口的增加，老年人交通事故頻發(fā)，在發(fā)生交通事故時(shí)容易造成較為嚴(yán)重的傷害，因此有必要對(duì)老年人交通事故發(fā)生的原因及事故傷害嚴(yán)重程度進(jìn)行探究。

傳統(tǒng)的交通事故傷害嚴(yán)重程度研究多從駕駛員特性、車輛特性、道路特性、道路環(huán)境特性這4個(gè)方面進(jìn)行影響因素分析。溫惠英等[1]運(yùn)用多項(xiàng)式Logit 模型識(shí)別出路段類型、光線條件等19 個(gè)影響因素與道路交叉口單車事故傷害嚴(yán)重程度顯著相關(guān)。Liu等[2]發(fā)現(xiàn)，車輛類型、駕駛員性別、光照條件等影響因素顯著影響正面碰撞事故傷害嚴(yán)重程度。但上述研究忽略了建成環(huán)境相關(guān)因素對(duì)交通事故傷害嚴(yán)重程度的影響。Moudon等[3]發(fā)現(xiàn)，行人和駕駛員在參與交通時(shí)會(huì)受到周圍建成環(huán)境的影響。Xin 等[4]采用隨機(jī)參數(shù)廣義有序Logit 模型發(fā)現(xiàn)，事故發(fā)生地500 m緩沖區(qū)內(nèi)存在學(xué)校顯著影響失能性傷害事故。因此，有必要分析建成環(huán)境對(duì)老年人交通事故傷害嚴(yán)重程度的影響。

國(guó)內(nèi)外學(xué)者多使用離散選擇模型對(duì)事故嚴(yán)重程度進(jìn)行分析。傳統(tǒng)離散選擇模型(Logistic模型、多項(xiàng)式Logit 模型等)將各模型的參數(shù)設(shè)置為固定參數(shù)，具體表現(xiàn)為影響因素在不同交通事故中對(duì)嚴(yán)重程度的影響效果是恒定不變的。林慶豐等[5]運(yùn)用Logistic 模型探究城市公交車事故傷害嚴(yán)重程度。Chen 等[6]采用多項(xiàng)式Logit 模型對(duì)行人-車輛交通事故傷害嚴(yán)重程度的誘因進(jìn)行研究。由于數(shù)據(jù)間存在異質(zhì)性，因此該假設(shè)會(huì)引起模型產(chǎn)生有偏差的參數(shù)估計(jì)結(jié)果[7]。為解決該問(wèn)題，部分學(xué)者運(yùn)用隨機(jī)參數(shù)Logit模型解釋交通事故數(shù)據(jù)中未觀測(cè)到的異質(zhì)性。施穎等[8]基于混合Logit 模型提出校車事故傷害嚴(yán)重程度影響因素辨識(shí)方法。宋棟棟等[9]采用考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型對(duì)城市道路駕駛員事故傷害嚴(yán)重程度進(jìn)行異質(zhì)性分析。但上述模型并未全面探究影響隨機(jī)參數(shù)變化的原因，即考慮可能的均值和方差異質(zhì)性。因此，研究人員提出考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型捕捉隨機(jī)參數(shù)變化規(guī)律，Yu等[10]通過(guò)該模型探究了工作區(qū)追尾事故傷害嚴(yán)重程度問(wèn)題，而追尾事故與老年人交通事故的影響因素存在一定的差異，因此有必要采用均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型對(duì)老年人交通事故傷害嚴(yán)重程度影響因素進(jìn)行異質(zhì)性分析。

綜上所述，在傳統(tǒng)影響因素的基礎(chǔ)上增加建成環(huán)境因素，基于均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型對(duì)老年人交通事故傷害嚴(yán)重程度進(jìn)行分析。通過(guò)對(duì)2019年美國(guó)某州的老年人交通事故數(shù)據(jù)進(jìn)行篩選和統(tǒng)計(jì)性分析，并對(duì)模型進(jìn)行參數(shù)估計(jì)及模型對(duì)比。從老年人特性、道路特性、車輛特性、道路環(huán)境特性、建成環(huán)境特性這5個(gè)方面對(duì)老年人交通事故傷害嚴(yán)重影響程度進(jìn)行異質(zhì)性分析，研究結(jié)果為降低老年人交通事故傷害嚴(yán)重程度提供理論依據(jù)。

1 研究方法

1.1 考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型

考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型設(shè)定隨機(jī)參數(shù)的均值和方差中存在未觀察到的異質(zhì)性。為構(gòu)建考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型，首先引入模型的效用函數(shù)，即

式中：Skn為事故n中老年人事故傷害嚴(yán)重程度為k的效用函數(shù)；βk為待估參數(shù)向量；Xkn為事故n中老年人事故傷害嚴(yán)重程度為k的解釋變量向量；εkn為誤差項(xiàng)。

當(dāng)εkn服從廣義極值分布時(shí)，則形成標(biāo)準(zhǔn)的多項(xiàng)式Logit模型，即

式中：Pn(k)為事故n中老年人事故傷害嚴(yán)重程度為k的概率；K為所有老年人事故傷害嚴(yán)重程度的集合。

由于傳統(tǒng)多項(xiàng)式Logit 模型假設(shè)βk為固定向量，即假設(shè)各影響因素在不同事故中對(duì)老年人事故傷害嚴(yán)重程度的影響相同，該假設(shè)與事實(shí)相悖。為解釋數(shù)據(jù)間存在未觀測(cè)到的異質(zhì)性問(wèn)題，基于均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit 模型將βk設(shè)置為隨機(jī)向量，并在其中引入均值異質(zhì)性向量和方差異質(zhì)性向量，即

式中：β為βk的均值；σkn為βk的標(biāo)準(zhǔn)差；Zkn為與影響因素相關(guān)的均值異質(zhì)性向量，用以捕捉均值異質(zhì)性；θkn為Zkn的待估參數(shù)向量；Wkn為與影響因素相關(guān)的方差異質(zhì)性向量，用以捕捉標(biāo)準(zhǔn)差σkn的異質(zhì)性；φkn為Wkn的待估參數(shù)向量；vkn為均值為0，標(biāo)準(zhǔn)差為1的隨機(jī)項(xiàng)。此時(shí)有

基于均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型運(yùn)用極大似然估計(jì)法進(jìn)行參數(shù)估計(jì)，由于式(4)中積分無(wú)法求出閉式解析解，故采用蒙特卡洛法仿真求近似解。Halton序列抽樣具有抽樣點(diǎn)分布均勻、效率高等優(yōu)勢(shì)，故本文運(yùn)用Halton 序列抽樣，抽樣次數(shù)取值為500次，其中對(duì)數(shù)似然函數(shù)為

式中：N為研究對(duì)象總數(shù)；δnk為指示變量，當(dāng)事故n中老年人交通事故傷害嚴(yán)重程度為k時(shí)δnk=1，否則為0。

1.2 平均彈性系數(shù)

由于考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型的估計(jì)系數(shù)無(wú)法捕捉各因素對(duì)事故傷害嚴(yán)重程度的影響程度，采用平均彈性系數(shù)評(píng)價(jià)其對(duì)事故傷害嚴(yán)重程度的影響，對(duì)于離散變量的平均彈性系數(shù)計(jì)算公式為

2 數(shù)據(jù)描述

采用2019年美國(guó)某州的交通事故數(shù)據(jù)庫(kù)，初步篩選年齡大于60歲的老年人交通事故數(shù)據(jù)8320起，剔除空值數(shù)據(jù)和異常值數(shù)據(jù)，最終得到4300起涉及老年人交通事故數(shù)據(jù)，其中包括老年行人和老年駕駛員，分別占比17.02%、82.98%。將事故傷害嚴(yán)重程度作為因變量并分為重傷事故(死亡事故和失能性傷害事故)、輕傷事故(非失能性傷害事故和可能受傷事故)和僅財(cái)產(chǎn)損失事故這3個(gè)等級(jí)，其分別占比1.7%，11.7%，86.6%。

老年人交通事故影響因素主要從老年人、車輛、道路、道路環(huán)境和建成環(huán)境這5 個(gè)方面共選擇17 個(gè)影響因素進(jìn)行分析。包括老年人特性(性別、是否逃逸)，車輛特性(車速、車輛類型)，道路特性(道路線形、、縱斷面線形、路肩類型)，道路環(huán)境特性(天氣狀況、光照條件、道路表面環(huán)境、車道數(shù)、道路分隔形式、交通控制方式)，建成環(huán)境特性(事故發(fā)生地300 m緩沖區(qū)內(nèi)是否存在銀行、醫(yī)院、公園、購(gòu)物中心)[11]。詳細(xì)信息如表1和圖1所示。

圖1 部分建成環(huán)境因素分布Fig.1 Distribution of built environment factors

表1 影響因素的描述性統(tǒng)計(jì)Table 1 Descriptive statistics of influencing factors

3 參數(shù)標(biāo)定

采用回歸系數(shù)方差分解法進(jìn)行多重共線性診斷，建成環(huán)境類4 個(gè)指標(biāo)中300 m 緩沖區(qū)內(nèi)存在醫(yī)院、銀行、公園、購(gòu)物中心這4個(gè)影響因素的方差膨脹因子均小于10，即4個(gè)建成環(huán)境特性指標(biāo)之間不存在顯著的共線性。利用逐步回歸法在95%置信水平下挑選出13個(gè)對(duì)事故傷害嚴(yán)重程度有顯著影響的因素，包括男性老年人、摩托車、越野車、硬路肩，以及建成環(huán)境因素中緩沖區(qū)300 m內(nèi)存在購(gòu)物中心等?；贜logit軟件，采用混合Logit模型、考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit 模型，以及考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型對(duì)老年人交通事故傷害嚴(yán)重程度進(jìn)行參數(shù)估計(jì)，模型計(jì)算結(jié)果如表2所示。根據(jù)模型的擬合指標(biāo)：最小信息準(zhǔn)則AIC(越小越好)、對(duì)數(shù)似然值(越大越好)以及Mc Fadden偽R2值，均表明基于均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型擬合能力最好。故在量化自變量對(duì)事故傷害嚴(yán)重程度的影響時(shí)，只計(jì)算考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型中顯著自變量的邊際效應(yīng)值并對(duì)其進(jìn)行分析，各影響因素的邊際效應(yīng)值如表3所示。

表2 模型參數(shù)估計(jì)結(jié)果Table 2 Model parameter estimation results

表3 各影響因素的平均彈性系數(shù)Table 3 Average elastic coefficients of various influencing factors

4 結(jié)果分析

4.1 隨機(jī)參數(shù)

通過(guò)混合Logit模型可以識(shí)別出硬路肩和事故發(fā)生地300 m 緩沖區(qū)內(nèi)存在購(gòu)物中心為隨機(jī)變量。硬路肩服從N(3.676,5.0282)的正態(tài)分布，即相比其他類型路肩，23.24%的老年人群體在當(dāng)路肩類型為硬路肩時(shí)更不容易發(fā)生僅財(cái)產(chǎn)損失事故，76.76%的老年人群體在當(dāng)路肩類型為硬路肩時(shí)更容易發(fā)生僅財(cái)產(chǎn)損失事故。事故發(fā)生地300 m 緩沖區(qū)內(nèi)存在購(gòu)物中心服從N(4.214,4.9992)的正態(tài)分布，即相比在事故發(fā)生地300 m緩沖區(qū)內(nèi)不存在購(gòu)物中心，19.96%的老年人群體在事故發(fā)生地300 m緩沖區(qū)內(nèi)存在購(gòu)物中心時(shí)更不容易發(fā)生僅財(cái)產(chǎn)損失事故，80.04%的老年人群體在事故發(fā)生地300 m緩沖區(qū)內(nèi)存在購(gòu)物中心時(shí)由于購(gòu)物中心車輛較多交通狀況復(fù)雜更容易發(fā)生僅財(cái)產(chǎn)損失事故。

4.2 均值和方差異質(zhì)性

考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型不僅能識(shí)別出具有隨機(jī)效應(yīng)的影響因素還能進(jìn)一步探究影響隨機(jī)參數(shù)變化的原因。根據(jù)表2 均值和方差異質(zhì)性的結(jié)果可得：

(1)事故緩沖區(qū)300 m 存在購(gòu)物中心這一隨機(jī)參數(shù)變量在性別為男性的老年人和車道數(shù)為3 中存在均值異質(zhì)性，且系數(shù)分別為3.044和2.315。表明在事故緩沖區(qū)300 m內(nèi)存在購(gòu)物中心的情況下，事故中老年人性別為男性和車道數(shù)為3 會(huì)增加事故緩沖區(qū)300 m 存在購(gòu)物中心這一隨機(jī)參數(shù)變量的均值，增加老年人發(fā)生僅財(cái)產(chǎn)損失事故的概率。

(2)事故發(fā)生地300 m 緩沖區(qū)內(nèi)存在購(gòu)物中心這一隨機(jī)參數(shù)變量在控制方式為未控制中存在方差異質(zhì)性，且系數(shù)為-0.166。表明在事故緩沖區(qū)300 m 內(nèi)存在購(gòu)物中心的情況下，若控制方式為未控制會(huì)使該隨機(jī)參數(shù)的分布變窄，降低其離散程度，減小其隨機(jī)性。

(3)硬路肩這一隨機(jī)變量并未識(shí)別出對(duì)其均值和方差有影響的因素，雖然該變量具有異質(zhì)性但基于本文的研究樣本并不能使其異質(zhì)性問(wèn)題得到良好地解釋，還有待進(jìn)一步研究。

4.3 車輛特性分析

由表3 可知，當(dāng)車輛類型為摩托車時(shí)，相比其他類型車輛，發(fā)生重傷事故的概率增加3.62%，而當(dāng)車輛類型為越野車時(shí)，發(fā)生僅財(cái)產(chǎn)損失事故的概率增加0.50%，發(fā)生重傷事故降低3.31%。當(dāng)車輛行駛速度為(30,40]km·h-1，發(fā)生僅財(cái)產(chǎn)損失事故和輕傷事故的概率分別增加0.02%和0.35%，而發(fā)生重傷事故概率降低5.18%。

4.4 道路特性分析

路肩為硬路肩時(shí)，根據(jù)混合Logit 模型可得76.76%的老年人會(huì)增加發(fā)生僅財(cái)產(chǎn)損失事故概率，23.24%的老年人會(huì)降低發(fā)生僅財(cái)產(chǎn)損失事故概率。且根據(jù)表3 邊際效應(yīng)值可得當(dāng)路肩為硬路肩時(shí)，發(fā)生僅財(cái)產(chǎn)損失事故的概率增加2.27%。潛在原因是當(dāng)老人在硬路肩上行走時(shí)，由于老年人視力、聽力逐漸衰弱，容易忽視標(biāo)志線而緊貼車道行走，從而發(fā)生刮擦等輕微交通事故。當(dāng)?shù)缆坟Q曲線類型為下坡時(shí)，相比其他道路豎曲線類型，發(fā)生僅財(cái)產(chǎn)損失事故的概率降低0.22%，發(fā)生輕傷事故和重傷事故的概率分別增加1.35%，1.66%。當(dāng)?shù)缆肪€形為直線時(shí)，發(fā)生僅財(cái)產(chǎn)損失事故和重傷事故的概率分別降低3.71%和78.95%，而發(fā)生輕傷事故的概率增加35.81%。

4.5 道路環(huán)境特性分析

當(dāng)車道狀態(tài)為無(wú)分離時(shí)，相比其他車道狀態(tài)，發(fā)生輕傷事故和重傷事故的概率分別增加4.5%和4.38%，當(dāng)車道數(shù)為3時(shí)，發(fā)生重傷事故的概率降低1.99%[12]。天氣條件為晴朗時(shí)，相比其他天氣條件，發(fā)生重傷事故的概率降低51.33%。道路表面環(huán)境為濕潤(rùn)時(shí)，相比道路表面環(huán)境為干燥時(shí)，發(fā)生輕傷事故概率增加7.79%。

5 結(jié)論

本文得到的主要結(jié)論如下：

(1)男性老年人、越野車、硬路肩、無(wú)分離道路等因素與僅財(cái)產(chǎn)損失老年人交通事故正相關(guān)，下坡路段與僅財(cái)產(chǎn)損失事故負(fù)相關(guān)；直線路段、路面濕潤(rùn)因素與輕傷事故正相關(guān)，未控制因素與輕傷事故負(fù)相關(guān)；摩托車因素與重傷事故正相關(guān)，晴朗天氣和車道數(shù)為3因素與重傷事故負(fù)相關(guān)。

(2)硬路肩對(duì)老年人事故傷害嚴(yán)重程度的影響具有差異性，即23.24%的老年人群體在當(dāng)路肩類型為硬路肩時(shí)更不容易發(fā)生僅財(cái)產(chǎn)損失事故，76.76%的老年人群體在當(dāng)路肩類型為硬路肩時(shí)更容易發(fā)生僅財(cái)產(chǎn)損失事故。

(3)建成環(huán)境因素對(duì)老年人交通事故傷害嚴(yán)重程度影響顯著，且存在未觀察到的異質(zhì)性。建成環(huán)境因素中，事故發(fā)生地300 m緩沖區(qū)內(nèi)存在購(gòu)物中心與老年人交通事故傷害嚴(yán)重程度顯著相關(guān)，且存在均值和方差異質(zhì)性。在事故發(fā)生地300 m 緩沖區(qū)內(nèi)存在購(gòu)物中心時(shí)，男性的老年人和車道數(shù)為3因素增加老年人發(fā)生僅財(cái)產(chǎn)損失事故的概率，交通控制方式為未控制會(huì)減小該變量的方差。