基于空間廣義有序Probit 模型的高速公路事故嚴(yán)重程度分析

胡郁蔥 韋湖 曾強(qiáng)

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

隨著我國社會(huì)經(jīng)濟(jì)的高速發(fā)展，機(jī)動(dòng)車保有量和公路通車?yán)锍坛掷m(xù)增長，交通安全問題日益突出。作為道路交通運(yùn)輸網(wǎng)絡(luò)的主骨架，高速公路具有行車速度快、貨車等大型車比例高等特點(diǎn)，且為相對(duì)封閉的系統(tǒng)，一旦發(fā)生事故，容易導(dǎo)致嚴(yán)重的人員傷亡和巨大的財(cái)產(chǎn)損失。據(jù)統(tǒng)計(jì)［1］，我國高速公路交通事故的致死率約為35%，遠(yuǎn)高于其他類型道路。如何降低高速公路事故的嚴(yán)重程度，是交通管理部門和安全研究人員面臨的重要課題。為此，有必要深入探究高速公路事故嚴(yán)重程度的影響因素及其效應(yīng)，為制定經(jīng)濟(jì)、有效的安全改善對(duì)策奠定基礎(chǔ)。

近年來，國內(nèi)外學(xué)者運(yùn)用統(tǒng)計(jì)回歸模型和機(jī)器學(xué)習(xí)方法對(duì)高速公路事故嚴(yán)重程度進(jìn)行了大量研究［2-12］。例如，Yu等［2］采用二項(xiàng)隨機(jī)參數(shù)Logit模型和支持向量機(jī)分析了實(shí)時(shí)交通參數(shù)（平均速度、速度標(biāo)準(zhǔn)差）和天氣指標(biāo)（溫度、能見度、降水量）對(duì)美國科羅拉多州I-70 高速公路事故傷亡程度的影響?；诿绹鴳讯砻髦軮-80 高速公路10 年間的交通事故數(shù)據(jù)，Haq等［3］采用貝葉斯層級(jí)二項(xiàng)Logit模型對(duì)各類型卡車事故（卡車單車事故、卡車與小汽車碰撞事故、卡車與SUV或皮卡車碰撞事故、卡車與卡車碰撞事故）的傷亡程度影響因素進(jìn)行了計(jì)量分析研究，并通過貝葉斯二項(xiàng)Logit 模型分析了因爆胎導(dǎo)致的交通事故嚴(yán)重程度的影響因素［4］。這些研究均將事故嚴(yán)重程度劃分為兩個(gè)等級(jí)，例如無傷亡和傷亡事故、嚴(yán)重和非嚴(yán)重事故。當(dāng)劃分的嚴(yán)重等級(jí)超過兩個(gè)時(shí)，則通常采用多項(xiàng)Logit/Probit、有序Logit/Probit及其改進(jìn)模型對(duì)事故嚴(yán)重程度進(jìn)行統(tǒng)計(jì)回歸分析［5］。王磊等［6］分別采用多項(xiàng)Logit和有序Logit 模型分析了國內(nèi)3 條高速公路上發(fā)生的227 起交通事故的嚴(yán)重程度。鑒于事故數(shù)據(jù)中未被觀測(cè)的異質(zhì)性，陳昭明等［7］采用混合Logit 模型（又稱多項(xiàng)隨機(jī)參數(shù)Logit 模型）分析了黑龍江省3 條高速公路的事故嚴(yán)重性，Hou等［8］則采用混合Logit模型對(duì)黑龍江省3條高速公路上發(fā)生的單車事故嚴(yán)重程度進(jìn)行了回歸分析?；趶V東省開陽高速公路2014 年的交通事故嚴(yán)重性分析，Zeng等［9］構(gòu)建了貝葉斯空間廣義有序Logit模型，在表征事故嚴(yán)重等級(jí)間的有序關(guān)系的同時(shí)，避免了傳統(tǒng)有序Logit模型對(duì)觀測(cè)因素影響效應(yīng)的限制，并解析了相鄰路段上事故嚴(yán)重等級(jí)間的空間關(guān)聯(lián)；Zhang等［10］則在多項(xiàng)Logit模型的基礎(chǔ)上考慮事故間的空間關(guān)聯(lián)，建立了貝葉斯空間多項(xiàng)Logit模型。在機(jī)器學(xué)習(xí)方面，Huang等［11］利用滬昆高速公路湖南段的交通事故數(shù)據(jù)，采用分類回歸樹識(shí)別了事故嚴(yán)重程度的重要影響因素及其交互作用；呂璞等［12］則采用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)廣西境內(nèi)的某山區(qū)高速公路嚴(yán)重程度進(jìn)行了預(yù)測(cè)。

上述研究雖然分析了人、車、路、環(huán)境和路政救援等因素對(duì)高速公路事故嚴(yán)重程度的影響，但由于事故等級(jí)劃分、分析方法和人文地理環(huán)境等方面的差異，研究結(jié)論并不完全統(tǒng)一。相對(duì)于兩類嚴(yán)重等級(jí)劃分，多類（不少于3類）嚴(yán)重等級(jí)劃分通常能夠更全面地反映真實(shí)的事故傷亡程度，同時(shí)也能更深入地揭示各類因素的影響。在分析方法上，統(tǒng)計(jì)回歸模型相對(duì)機(jī)器學(xué)習(xí)方法的應(yīng)用更為普遍。這主要是因?yàn)榻y(tǒng)計(jì)回歸模型不僅能夠?qū)κ鹿蕠?yán)重等級(jí)進(jìn)行預(yù)測(cè)，而且能夠清楚地解析其受到觀測(cè)因素的影響效應(yīng)及各類數(shù)據(jù)特征。異質(zhì)性和空間關(guān)聯(lián)是事故嚴(yán)重程度統(tǒng)計(jì)建模時(shí)考慮的兩個(gè)重要問題［13］，其中異質(zhì)性體現(xiàn)了未被觀測(cè)但與被觀測(cè)因素相關(guān)的因素對(duì)事故嚴(yán)重程度的影響，空間關(guān)聯(lián)則體現(xiàn)了未被觀測(cè)的因素對(duì)空間相鄰事故嚴(yán)重程度的共同影響?？臻g關(guān)聯(lián)是異質(zhì)性的重要來源之一。有研究表明［14］，解析事故數(shù)據(jù)中的空間關(guān)聯(lián)將顯著降低甚至消除其異質(zhì)性效應(yīng)。盡管文獻(xiàn)［9-10］中構(gòu)建的貝葉斯空間模型展現(xiàn)了良好的擬合預(yù)測(cè)性能，但其考慮的是路段層面的空間關(guān)聯(lián)，僅反映了未被觀測(cè)的道路因素對(duì)相鄰路段上發(fā)生事故的嚴(yán)重程度的共同影響。由于劃分的路段長度不一，路段空間關(guān)聯(lián)并不能完全準(zhǔn)確地揭示事故間的空間關(guān)聯(lián)程度，且未考慮單個(gè)事故的空間影響范圍。

為此，文中采集了廣深沿江高速公路東莞段2014—2019年的交通事故數(shù)據(jù)，將事故嚴(yán)重程度劃分為3 類（無傷亡事故、輕傷事故和重傷亡事故），考慮事故間的空間相關(guān)性和單個(gè)事故的空間影響范圍，建立基于不同距離閾值的貝葉斯空間廣義有序Probit模型，分析涉事車輛、天氣狀況、道路條件、發(fā)生地點(diǎn)和時(shí)間、事故類型等因素對(duì)事故嚴(yán)重程度的影響?；谌舾蓚€(gè)空間關(guān)聯(lián)距離閾值，構(gòu)建事故空間關(guān)聯(lián)矩陣，并根據(jù)模型的擬合性能確定事故間的空間影響范圍。最后，根據(jù)模型參數(shù)估計(jì)結(jié)果識(shí)別事故嚴(yán)重程度的顯著影響因素，計(jì)算顯著因素的邊際效應(yīng)，量化其對(duì)不同嚴(yán)重等級(jí)事故發(fā)生概率的影響，以期為制定降低高速公路事故嚴(yán)重程度的改善方案及其經(jīng)濟(jì)性評(píng)價(jià)提供技術(shù)支持。

1 數(shù)據(jù)準(zhǔn)備

廣深沿江高速東莞段全長46.257 km，共設(shè)橋梁42.853 km，橋梁長度占路線總長的92.64%，設(shè)計(jì)速度為100 km/h，路段采用全封閉、全立交、控制出入的雙向八車道高速公路標(biāo)準(zhǔn)。

課題組收集了廣深沿江高速東莞段2014—2019年的事故數(shù)據(jù)，剔除含遺漏或異常數(shù)據(jù)的事故數(shù)據(jù)后，剩余的1 490 條事故數(shù)據(jù)用于研究。這些交通事故數(shù)據(jù)包含1 273 起無傷亡事故（占85%）、188 起輕傷事故（占13%）、14 起重傷事故（占1%）和15 起死亡事故（占1%）。由于重傷事故和死亡事故的比例過低，因此將這兩類事故合并為重傷亡事故，據(jù)此將高速公路交通事故嚴(yán)重程度分為3 類：無傷亡事故、輕傷事故和重傷亡事故。這些事故按照其地點(diǎn)樁號(hào)排序后的嚴(yán)重程度分布如圖1所示。

圖1 事故嚴(yán)重程度的空間分布Fig.1 Spatial distribution of crash severity

為了衡量相鄰事故間嚴(yán)重程度的相似程度，構(gòu)造評(píng)價(jià)指標(biāo)——平均嚴(yán)重程度絕對(duì)偏差MA，計(jì)算公式如下：

式中，yi為地點(diǎn)樁號(hào)從小到大排列的第i起事故的傷亡嚴(yán)重程度。經(jīng)計(jì)算，這些事故的平均嚴(yán)重程度絕對(duì)偏差僅為0.29，接近于0，說明相鄰事故間的嚴(yán)重程度相似度很高。

除了事故嚴(yán)重等級(jí)信息外，事故數(shù)據(jù)中還包含事故類型、涉事車輛信息、事故發(fā)生時(shí)間、天氣情況、事故發(fā)生地點(diǎn)。參考以往相關(guān)研究［9-10］，從道路、車輛、環(huán)境3個(gè)維度選取10個(gè)因素構(gòu)建事故嚴(yán)重程度預(yù)測(cè)的解釋變量集。表1給出了各變量的具體含義及描述性統(tǒng)計(jì)量。對(duì)于包含3 類或3 類以上的分類變量，若其中一類被選為參考項(xiàng)，則其他類別轉(zhuǎn)化為0-1變量［15］。

2 模型建立與評(píng)價(jià)

鑒于事故嚴(yán)重程度間的有序關(guān)系以及相鄰事故間的空間相關(guān)性，建立事故嚴(yán)重程度分析的空間廣義有序Probit模型，并將其與傳統(tǒng)多項(xiàng)Logit模型和廣義有序Probit 模型進(jìn)行對(duì)比。這些模型的基本結(jié)構(gòu)、貝葉斯估計(jì)方法、評(píng)價(jià)指標(biāo)和邊際效應(yīng)估計(jì)方法分別如下。

2.1 模型結(jié)構(gòu)

2.1.1 多項(xiàng)Logit模型

多項(xiàng)Logit 模型基于效用理論擬合自變量與包含多個(gè)類別的分類變量間的內(nèi)在關(guān)系。對(duì)于任一交通事故i，其嚴(yán)重程度的效用函數(shù)為

式中：Xi為事故i對(duì)應(yīng)的影響因素觀測(cè)值組成的向量；βk為這些因素對(duì)應(yīng)事故嚴(yán)重程度k的回歸系數(shù)組成的向量（包括常數(shù)項(xiàng)）；嚴(yán)重程度k的取值1、2、3 分別表示無傷亡、輕傷和重傷亡事故；εi，k為隨機(jī)項(xiàng)，并假定相互獨(dú)立，且服從Gumbel分布（Ⅰ類廣義極值分布）。

事故i嚴(yán)重程度為k的概率為

2.1.2 廣義有序Probit模型

上述事故數(shù)據(jù)中劃分的無傷亡、輕傷和重傷亡事故嚴(yán)重等級(jí)存在明顯的有序關(guān)系，使得相鄰事故嚴(yán)重等級(jí)間存在一定的相關(guān)性。廣義有序Probit 模型是解析事故嚴(yán)重程度間有序關(guān)系的重要方法之一。對(duì)于任一交通事故i，構(gòu)造潛變量zi，以表征事故的潛在傷亡傾向：

式中，β為影響因素集Xi對(duì)應(yīng)的回歸系數(shù)向量（包括常數(shù)項(xiàng)），隨機(jī)項(xiàng)εi假定服從標(biāo)準(zhǔn)正態(tài)分布。

事故i的嚴(yán)重等級(jí)yi與其潛在傷亡傾向zi的映射關(guān)系為

式中，μi，0和μi，1為定義各事故等級(jí)邊界的閾值，且滿足如下關(guān)系：

Zi為μi，1的影響因素集，α為對(duì)應(yīng)的回歸系數(shù)向量（包括常數(shù)項(xiàng)）。不失一般性［16］，令μi，0=0。

事故i嚴(yán)重程度為k（k= 1，2，3）的累積發(fā)生概率為

由此可以計(jì)算，事故i嚴(yán)重程度為k（k=1，2，3）的概率分別為

2.1.3 空間廣義有序Probit模型

發(fā)生地點(diǎn)相鄰的交通事故可能受到某些未被觀測(cè)到的因素的共同影響，從而形成事故嚴(yán)重程度間的空間相關(guān)性。參考以往研究［9-10］，在潛在傷亡傾向zi的鏈接函數(shù)中加入具有條件自回歸先驗(yàn)的隨機(jī)項(xiàng)?i以解釋事故間的空間關(guān)聯(lián)，從而構(gòu)建空間廣義有序Probit模型，即

式中：wi，j為事故i和事故j的空間鄰接權(quán)重，令事故的空間關(guān)聯(lián)距離閾值為ds，若事故j與事故i的距離di，j≤ds，則wi，j= 1，否則wi，j= 0；σ?為空間關(guān)聯(lián)項(xiàng)的方差參數(shù)。

對(duì)應(yīng)地，事故i嚴(yán)重程度為k（k=1，2，3）的概率的計(jì)算公式分別如下：

2.2 貝葉斯參數(shù)估計(jì)

由于空間廣義有序Probit 模型結(jié)構(gòu)復(fù)雜，因此采用貝葉斯方法對(duì)上述模型進(jìn)行參數(shù)估計(jì)。WinBUGS 是進(jìn)行貝葉斯估計(jì)的主流軟件之一，它根據(jù)參數(shù)的先驗(yàn)分布和整理的數(shù)據(jù)集，采用吉布斯抽樣算法和馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）仿真，推斷出參數(shù)的后驗(yàn)分布［17］。

由于缺少有效的先驗(yàn)信息，因此將均值為0、方差很大的正態(tài)分布N（0，104）作為模型中所有的回歸系數(shù)（β和α中的元素）的先驗(yàn)分布，將γ分布γ（0.01，0.01）作為空間精度（方差的倒數(shù)）參數(shù)1/σ?的先驗(yàn)分布。條件自回歸正態(tài)分布由WinBUGS 中的Car.normal函數(shù)來表示。設(shè)定一條鏈進(jìn)行150 000次MCMC 仿真迭代，并舍棄前100 000 次迭代，根據(jù)WinBUGS 中的Gelman-Rubin 統(tǒng)計(jì)量，判斷MCMC仿真的收斂情況。

2.3 模型評(píng)價(jià)指標(biāo)

采用偏差信息準(zhǔn)則（Deviance Information Crite?rion，DIC，記為CDI）和各事故嚴(yán)重等級(jí)及全體數(shù)據(jù)的分類準(zhǔn)確度（Classification Accuracy，CA，記為AC）比較各個(gè)模型的優(yōu)劣。DIC綜合考慮了模型擬合度和復(fù)雜度［18］，其值越小代表模型的整體性能越好；當(dāng)兩個(gè)模型的DIC差值超過10時(shí)，可判定模型間具有顯著的差異。DIC可以在WinBUGS軟件中直接獲取，其計(jì)算公式為

式中：為后驗(yàn)平均偏差，反映了模型的擬合程度；npD為有效參數(shù)的數(shù)量，體現(xiàn)了模型的復(fù)雜程度。

各事故嚴(yán)重等級(jí)的分類準(zhǔn)確度衡量了模型對(duì)各嚴(yán)重等級(jí)的事故實(shí)現(xiàn)準(zhǔn)確估計(jì)的比例，計(jì)算公式如下：

式中，為事故i的模型估計(jì)嚴(yán)重等級(jí)，yi為事故i的實(shí)際嚴(yán)重等級(jí)。

全體數(shù)據(jù)的分類準(zhǔn)確度則衡量了模型對(duì)所有事故數(shù)據(jù)實(shí)現(xiàn)準(zhǔn)確估計(jì)的比例，計(jì)算公式如下：

2.4 邊際效應(yīng)

雖然可以通過各因素對(duì)潛在嚴(yán)重傾向和閾值的系數(shù)估計(jì)量判別該因素是否對(duì)事故嚴(yán)重程度具有顯著影響，但是并不能直接通過相應(yīng)系數(shù)確定顯著因素對(duì)各事故嚴(yán)重程度發(fā)生概率的影響。為此，需根據(jù)參數(shù)估計(jì)結(jié)果，進(jìn)一步計(jì)算顯著因素的邊際效應(yīng)。

以空間廣義有序Probit 模型為例，連續(xù)變量x對(duì)嚴(yán)重等級(jí)k（k=1，2，3）的邊際效應(yīng)計(jì)算公式分別如下：

式中，βx和αx分別為變量x在潛變量zi和閾值μi，1擬合中的系數(shù)。

0-1 變量x對(duì)嚴(yán)重等級(jí)k（k=1，2，3）的邊際效應(yīng)計(jì)算公式如下：

3 結(jié)果分析

3.1 模型最優(yōu)空間關(guān)聯(lián)距離閾值的確定

為了探索事故間的空間影響范圍，令其關(guān)聯(lián)距離閾值分別為200、250 和300 m。根據(jù)前述貝葉斯方法獲得的廣義有序Probit 模型及各空間廣義有序Probit 模型的評(píng)價(jià)指標(biāo)結(jié)果及空間方差參數(shù)的估計(jì)量如表2所示。

由表2可知，基于各關(guān)聯(lián)距離閾值的空間廣義有序Probit模型的Dˉ值均明顯小于多項(xiàng)Logit模型和廣義有序Probit 模型，說明解釋事故間的空間關(guān)聯(lián)能夠顯著提高事故嚴(yán)重性分析模型的擬合性能［9-10］。盡管npD值表明空間廣義有序Probit 模型更加復(fù)雜，但其更小的CDI值（與多項(xiàng)Logit模型和廣義有序Pro?bit 模型的差值均超過了130）反映了空間模型更佳的綜合性能。分類準(zhǔn)確性結(jié)果進(jìn)一步證實(shí)了空間廣義有序Probit 模型的優(yōu)越性。具體而言，除了在無傷亡事故等級(jí)上達(dá)到了100%的分類準(zhǔn)確度外，空間廣義有序Probit 模型在其他事故嚴(yán)重等級(jí)和全體事故上也都具有更高的分類準(zhǔn)確度。尤其是針對(duì)重傷亡事故，多項(xiàng)Logit模型和廣義有序Probit模型的分類準(zhǔn)確度均為零，而空間廣義有序Probit 模型最高達(dá)到了55.17%。重傷亡事故因造成了嚴(yán)重的人員傷亡，一直是社會(huì)大眾和交通安全部門關(guān)注的重點(diǎn)，準(zhǔn)確地估計(jì)和預(yù)測(cè)該類事故的發(fā)生概率對(duì)高速公路交通安全狀況的改善具有重要的實(shí)踐價(jià)值。此外，3 個(gè)空間模型中的空間方差參數(shù)估計(jì)量均明顯大于0，充分說明了事故間高強(qiáng)度的空間關(guān)聯(lián)性，進(jìn)一步體現(xiàn)了空間廣義有序Probit模型的合理性。

表2 模型結(jié)果對(duì)比Table 2 Comparison of model results

對(duì)比各空間廣義有序Probit 模型可以發(fā)現(xiàn)：基于250 m 關(guān)聯(lián)距離閾值的空間廣義Probit 模型的CDI值最?。ㄅc其他空間模型的差值均超過了200），且分類準(zhǔn)確度（尤其是對(duì)輕傷和重傷亡事故）最高，這些指標(biāo)均體現(xiàn)了該模型的優(yōu)異性能。而且，該模型中的空間方差參數(shù)估計(jì)量最大，說明以250 m 作為關(guān)聯(lián)距離閾值能夠最大程度地挖掘相鄰事故間的空間相關(guān)性，用以解釋未被觀測(cè)到的因素對(duì)相鄰事故嚴(yán)重程度的共同影響。綜合以上結(jié)果，可以認(rèn)為250 m是最佳的事故空間關(guān)聯(lián)距離閾值。

3.2 事故嚴(yán)重程度影響因素分析

由3.1 節(jié)可知，基于250 m 關(guān)聯(lián)距離閾值的空間廣義有序Probit 模型綜合性能最佳，因此根據(jù)該模型的參數(shù)估計(jì)結(jié)果識(shí)別對(duì)事故嚴(yán)重程度具有顯著影響的因素（如表3所示），并以此估計(jì)其邊際效應(yīng)（如表4所示），量化顯著因素對(duì)各事故嚴(yán)重程度發(fā)生概率的影響。

由表3 可知，單車事故、本省車、客車、貨車、周末和曲率6個(gè)變量對(duì)潛在傷亡傾向具有顯著影響，其他類型車輛和夏天這2個(gè)變量對(duì)輕傷與重傷亡間的閾值具有顯著影響，而橋梁則對(duì)兩者有顯著影響。表3 中的9 個(gè)變量都是高速公路交通事故嚴(yán)重程度的顯著影響因素。

表3 基于250 m關(guān)聯(lián)距離閾值的空間廣義Probit模型的參數(shù)估計(jì)結(jié)果1）Table 3 Results of parameter estimation in the spatial generalized ordered Probit model with 250 m correlation distance threshold

由表4可知，單車事故比多車事故的嚴(yán)重程度低。具體而言，相對(duì)于多車事故，單車事故造成無傷亡的概率高7.58%，造成人員輕傷的概率低5.94%，造成人員重傷或死亡的概率低1.64%。這可能是因?yàn)槎嘬囀鹿噬婕暗娜藛T和車輛更多，在事故發(fā)生時(shí)，駕駛員為了降低本車人員傷亡而采取的避險(xiǎn)措施有可能對(duì)其他車輛的駕駛員和乘客造成更大的傷害；而單車事故涉及的人員和車輛較少，在事故發(fā)生時(shí)，駕駛員能夠相對(duì)從容地采取有效措施來降低人員傷亡程度［9］。

表4 顯著影響因素的邊際效用Table 4 Marginal effects of significant influential factors

相對(duì)于涉及外省車的交通事故，僅涉及本省車的交通事故導(dǎo)致無傷亡的概率高4.56%，導(dǎo)致人員輕傷的概率低3.54%，導(dǎo)致重傷或死亡的概率低1.02%。這可能是因?yàn)楸臼≤囻{駛員對(duì)道路交通環(huán)境更加熟悉，能夠更快地感知道路上的行車危險(xiǎn)源，并及時(shí)做出反應(yīng)，從而降低了事故傷亡程度［19］。

在車輛類型方面，相對(duì)于小汽車間的交通事故，涉及客車、貨車和其他類型車輛（例如，拖掛車、油罐車等）的交通事故都更容易導(dǎo)致人員傷亡，重傷亡的概率分別提高3.27%、1.53%和4.11%。根據(jù)文獻(xiàn)［9，20］的研究結(jié)論，客車、貨車和其他類型車輛相比于小汽車的體積和質(zhì)量都更大，在事故發(fā)生時(shí)，會(huì)對(duì)其他車輛和人員造成更嚴(yán)重的傷害。

相對(duì)于工作日，周末發(fā)生的交通事故造成無傷亡的概率高4.18%，造成人員輕傷的概率低3.31%，造成人員重傷或死亡的概率低0.87%。Christoforou 等［21］也有類似的研究發(fā)現(xiàn)。對(duì)于本研究，這可能是因?yàn)橹苣┩祻V州、深圳及沿線的東莞等城市進(jìn)行休閑娛樂、探親訪友的人員及車輛眾多，車流量比工作日更大，車速相對(duì)較低，使得事故發(fā)生時(shí)的車輛間（或車輛與固定物體間）碰撞較輕，傷亡程度較低。

相比于春季，夏季發(fā)生的交通事故導(dǎo)致重傷或死亡的概率高2.38%。廣深沿江高速公路位于北回歸線以南并靠近南海，夏季頻降暴雨且多伴隨強(qiáng)風(fēng)甚至臺(tái)風(fēng)，這些惡劣天氣會(huì)顯著惡化高速公路的安全行車環(huán)境。

道路平面曲率每增加1 km-1，無傷亡事故的概率增加6.99%，輕傷事故和重傷亡事故的概率分別降低5.45%和1.54%。道路曲率越大，曲線半徑就越小，車輛通過該路段時(shí)的速度相對(duì)也就越低；而且，曲線段的設(shè)置將緩解因道路線形的單調(diào)性導(dǎo)致的駕駛疲勞，從而減少因駕駛員反應(yīng)不及時(shí)導(dǎo)致的重大傷亡事故。

相比于非橋梁路段，橋梁上發(fā)生的交通事故導(dǎo)致人員輕傷的概率增加8.85%，重傷亡的概率降低0.08%。橋梁占廣深沿江高速公路東莞段90%以上的路段長度，它能夠有效減少高低起伏的地形地勢(shì)條件對(duì)道路線形的不利影響，保持線路的整體平順性，在保障高速公路交通運(yùn)輸效率的同時(shí)，提高其安全性水平，從而顯著降低重傷亡事故發(fā)生的概率。

4 結(jié)語

基于事故間的空間關(guān)聯(lián)，文中建立了貝葉斯空間廣義有序Probit模型，分析了車輛類型與歸屬地、天氣狀況、發(fā)生時(shí)間和季節(jié)、道路曲率與坡度、事故類型等因素對(duì)高速公路事故嚴(yán)重程度的影響。DIC 和分類準(zhǔn)確度等指標(biāo)結(jié)果表明，空間廣義有序Probit 模型優(yōu)于多項(xiàng)Logit 模型和廣義有序Probit 模型，且250 m 為最佳的空間關(guān)聯(lián)距離閾值。研究發(fā)現(xiàn)：涉及客車、貨車和其他類型車輛以及夏天發(fā)生的交通事故的嚴(yán)重程度相對(duì)較高；本省車、周末和曲率高的路段上發(fā)生的交通事故的嚴(yán)重程度相對(duì)較低，單車事故比多車事故的嚴(yán)重程度低。

本研究的不足之處在于：分析的高速公路范圍較窄，采集的交通事故數(shù)據(jù)相對(duì)有限，且未能獲取肇事駕駛?cè)说南嚓P(guān)屬性；模型分析結(jié)果的可移植性仍有待檢驗(yàn)。后續(xù)研究中，將對(duì)此進(jìn)行改進(jìn)，進(jìn)一步提高模型的準(zhǔn)確性。