方 園，劉浩然，丁 琴，陸 暢，金含香

（阜陽師范學(xué)院 經(jīng)濟(jì)學(xué)院，安徽 阜陽 236037）

隨著我國經(jīng)濟(jì)的發(fā)展，公路里程不斷增加。道路交通的迅速發(fā)展給人民的發(fā)展帶來了極大的便利，同時(shí)也帶來交通事故的頻發(fā)和交通控制的不合理等問題。據(jù)官方統(tǒng)計(jì)[1]，2016年交通事故發(fā)生數(shù)總計(jì)212846起，其中死亡人數(shù)63093，受傷人數(shù)226430，造成的經(jīng)濟(jì)財(cái)產(chǎn)損失為120759.9萬元。另外，2015年交通事故死亡人數(shù)占比高達(dá)87.91%。由此可見，交通事故已成為社會(huì)公害，其直接威脅人民的生命安全，影響道路交通系統(tǒng)的正常運(yùn)作。對(duì)道路交通事故進(jìn)行預(yù)測是提升交通安全水平的主要方式之一[2]。

交通事故的發(fā)生是隨機(jī)的[3]。然而，從統(tǒng)計(jì)學(xué)的角度來看，發(fā)生事故的時(shí)間域分析具有地域性和空間自相關(guān)性。本文采用數(shù)理統(tǒng)計(jì)的有關(guān)方法研究交通事故的發(fā)展趨勢(shì)，分析事故發(fā)展的相關(guān)規(guī)律性，并預(yù)測交通事故發(fā)展趨勢(shì)。

道路交通安全的預(yù)測分析是一個(gè)較為繁瑣的過程[4-5]，常用的預(yù)測方法主要有指數(shù)平滑預(yù)測法[6]、時(shí)間序列預(yù)測法[7]、神經(jīng)網(wǎng)路預(yù)測法[8]、灰色預(yù)測法[9]、灰色馬爾科夫預(yù)測法[10]、主成分分析法[11]、回歸分析法[12]等。由于指數(shù)平滑預(yù)測法僅適用于較短期預(yù)測；時(shí)間序列預(yù)測分析法所需要的歷史數(shù)據(jù)較多，且研究對(duì)象較為穩(wěn)定，從而導(dǎo)致預(yù)測精度偏低，不利于交通事故預(yù)測的準(zhǔn)確性；神經(jīng)網(wǎng)絡(luò)預(yù)測法則需要較為完整的樣本數(shù)據(jù)，交通事故所涉及的因素眾多，該方法難以實(shí)現(xiàn)數(shù)據(jù)的完整性易出現(xiàn)偏差，導(dǎo)致訓(xùn)練出來的網(wǎng)絡(luò)外延性不強(qiáng)；灰色模型的預(yù)測精度不理想，其要求數(shù)據(jù)序列必須呈指數(shù)分布且對(duì)波動(dòng)較大的隨機(jī)序列數(shù)據(jù)擬合較差。灰色馬爾科夫預(yù)測模型只適用于中短期的預(yù)測，且只適合近似于指數(shù)增長的預(yù)測。

由于道路交通事故的發(fā)生是一個(gè)多因素事件[13]，因此采用多元線性回歸（ordinary least squares，OLS）方法來構(gòu)建道路交通事故的預(yù)測模型，為交通安全管理部門制定預(yù)防、控制相關(guān)規(guī)劃和宏觀決策提供依據(jù)，制定合理的交通安全策略。

1　數(shù)據(jù)源與研究方法

1.1　數(shù)據(jù)源

由國家統(tǒng)計(jì)局統(tǒng)計(jì)年鑒獲得2001-2016年有關(guān)各地交通事故的發(fā)生數(shù)、死亡人數(shù)、受傷人數(shù)以及財(cái)產(chǎn)損失數(shù)的變化情況。通過統(tǒng)計(jì)數(shù)據(jù)[14]獲取得到國民生產(chǎn)總值、人口、公路里程、民用汽車擁有量歷年變化數(shù)據(jù)。由于港澳臺(tái)數(shù)據(jù)暫缺，故本研究不涉及上述各省區(qū)。

本文主要選取了萬車死亡率、事故平均財(cái)產(chǎn)受損、事故死亡率、死傷比以及交通事故死亡人數(shù)占比五個(gè)相對(duì)指標(biāo)數(shù)據(jù)。其中萬車死亡率指死亡人數(shù)（人）與民用汽車擁有量（萬輛）之間的比率；事故平均財(cái)產(chǎn)受損（萬元）指事故直接財(cái)產(chǎn)損失（萬元）與事故發(fā)生數(shù)之間比值的數(shù)值；事故死亡率指死亡人數(shù)與事故數(shù)之間的比率；死傷比是指死亡人數(shù)與受傷人數(shù)之間的比率；交通事故死亡人數(shù)占比是指交通事故死亡人數(shù)與全國安全事故死亡總?cè)藬?shù)之間的比率。

萬車死亡率、事故死亡率、死傷比指標(biāo)用來刻畫交通事故的嚴(yán)重程度；事故平均財(cái)產(chǎn)受損指標(biāo)用來刻畫交通事故的經(jīng)濟(jì)損失狀況；交通事故死亡人數(shù)占比用來比較交通事故相對(duì)于其他安全事故的危害程度。

1.2　研究方法

多元線性回歸模型可說明一個(gè)被解釋變量與多個(gè)解釋變量間的線性關(guān)系。對(duì)由n個(gè)單位構(gòu)成的整體，包含被解釋變量Y與m個(gè)解釋變量X1,X2,X3,…,Xm的多元線性總體回歸函數(shù)形式：

式中，βj(j=0,1,2,…,m)為模型的參數(shù)；μi為隨機(jī)擾動(dòng)項(xiàng)；m為解釋變量的個(gè)數(shù)。

2　我國省域交通事故事故時(shí)空分異特征

2.1　我國交通安全絕對(duì)指標(biāo)分析

本文統(tǒng)計(jì)分析了2001-2016年我國事故次數(shù)、直接財(cái)產(chǎn)損失、死亡人數(shù)以及受傷人數(shù)四項(xiàng)絕對(duì)指標(biāo)，如表1?？梢钥闯?，時(shí)域方面，4項(xiàng)絕對(duì)指標(biāo)均呈現(xiàn)出下降趨勢(shì)。事故發(fā)生數(shù)降幅為71.8%；死亡人數(shù)降幅為40.4%；受傷人數(shù)降幅為58.6%；直接財(cái)產(chǎn)損失降幅為60.9%。

表1　2001-2016年我國交通事故數(shù)據(jù)

從圖1可以看出，4項(xiàng)指標(biāo)從2002年后總體呈現(xiàn)出下滑趨勢(shì)。但在2016年事故發(fā)生數(shù)和受傷人數(shù)均有13.3%增幅，另外2016年死亡人數(shù)有8.7%的增幅，直接財(cái)產(chǎn)損失有16.5%的增幅。這表明，我國交通安全總體形勢(shì)有所好轉(zhuǎn)，但近期有惡化跡象。

圖1　2001-2016年我國交通事故各項(xiàng)指標(biāo)變化趨勢(shì)

2.2　我國交通事故相對(duì)指標(biāo)分析

為研究事故發(fā)生的嚴(yán)重程度，使用表2所示的5個(gè)相對(duì)指標(biāo)指標(biāo)來說明。根據(jù)表2中數(shù)據(jù)可繪制圖2和圖3。

由圖2可以看出2001-2016年交通事故萬車死亡率逐年下降，降幅為94.2%；而交通事故死亡人數(shù)占比則總體呈現(xiàn)出上升趨勢(shì)。其中，2001-2003年與2004-2005年以及2014-2015年交通事故死亡占比分別有小幅下滑，降幅分別為5.7%、0.8%、0.8%。此現(xiàn)象說明從時(shí)間序列分析，長期以來我國交通安全狀況逐漸改善。但從截面數(shù)據(jù)來看，我國交通死亡人數(shù)占比逐漸上升，說明我國交通安全形勢(shì)依舊嚴(yán)峻。

從圖3可以看出，事故死亡率呈現(xiàn)出上升趨勢(shì)，漲幅為111.25%；死傷比總體呈現(xiàn)出上升趨勢(shì)，漲幅為43.7%；事故平均財(cái)產(chǎn)受損總體呈現(xiàn)出波動(dòng)上升趨勢(shì)，在不考慮通過膨脹的影響下其漲幅為38.7%。其中，死傷比2004-2006年有小幅下降，降幅為6.8%；事故平均財(cái)產(chǎn)受損2003-2006年有一定下降，降幅為27.4%。這說明我國交通安全狀況呈現(xiàn)出交通經(jīng)濟(jì)損失量大，交通傷亡嚴(yán)重程度深，交通形勢(shì)依舊嚴(yán)峻。

圖2　2001-2016年交通事故死亡率，萬車死亡率變化

圖3　2001-2016年事故平均財(cái)產(chǎn)受損、事故死亡率和死傷比變化

表2　2001-2016年交通事故相對(duì)指標(biāo)變化數(shù)據(jù)

2.3　我國交通事故省域分析

由于我國國土面積大，地質(zhì)結(jié)構(gòu)十分復(fù)雜，區(qū)域間的經(jīng)濟(jì)發(fā)展水平差異較大，道路狀況差異較大，各省的交通安全形勢(shì)具有明顯的差別。近期省域交通事故分析以2016年交通事故截面數(shù)據(jù)為例繪制圖4。

從圖4中可以看出2016年沿海地區(qū)交通事故數(shù)量較內(nèi)地更多。這與我國經(jīng)濟(jì)發(fā)展重心、交通安全監(jiān)督管理狀況以及地質(zhì)條件相關(guān)。但僅考慮交通事故的發(fā)生數(shù)并不能客觀地刻畫出交通事故的嚴(yán)重程度，因此可從萬車死亡率的角度進(jìn)行描述。從圖4(b)得知天津、安徽、湖北、貴州和海南等地的交通事故嚴(yán)重程度較高；西北和華南地區(qū)適中；東北、華北和西南地區(qū)較輕。

從圖5可以看出2001-2016年交通事故發(fā)生頻率較高的省份為廣東、浙江、山東和江蘇省份，上述省份占比為35%，可見交通事故發(fā)生的集聚性較高。因此交通管理部門需要對(duì)這些重點(diǎn)省份制定合理的安全管理目標(biāo)，采取合理的安全對(duì)策。

3　交通事故預(yù)測模型

選取交通事故死亡人數(shù)指標(biāo)作為因變量，這主要因?yàn)樗劳鋈藬?shù)最能反映交通事故的危害程度，選取民用汽車擁有量、公路通車?yán)锍獭DP和人口數(shù)指標(biāo)作為因變量。匯總后數(shù)據(jù)如表3。

3.1　回歸模型的建立與求解

設(shè)y為交通事故死亡人數(shù)、x1為民用汽車擁有量、x2為公路通車?yán)锍?、x3為GDP、x4為人口數(shù)，假設(shè)

上式為線性回歸方程，其中β0,β1,...,β4是回歸系數(shù)。根據(jù)表3中數(shù)據(jù)求解得到回歸方程：

由上式可知，民用汽車擁有量、人口數(shù)與死亡人數(shù)呈現(xiàn)出正相關(guān)，即隨著公路通車?yán)锍毯腿丝跀?shù)的增加，死亡人數(shù)指標(biāo)呈上升趨勢(shì)；相反GDP、公路通車?yán)锍膛c死亡人數(shù)呈負(fù)相關(guān)關(guān)系，表明隨著GDP和公路通車?yán)锍痰纳仙?，死亡人?shù)下降。

圖4　2016年各省事故發(fā)生數(shù)以及嚴(yán)重程度等級(jí)劃分

圖5　2001-2016年各省交通事故發(fā)生數(shù)匯總統(tǒng)計(jì)

表3　2011-2016年交通事故死亡人數(shù)及4項(xiàng)影響因素的統(tǒng)計(jì)數(shù)據(jù)

3.2　回歸方程的顯著性檢驗(yàn)

為檢驗(yàn)上述方程回歸效果的顯著性，本文使用F檢驗(yàn)法來檢驗(yàn)方程整體回歸效果。檢驗(yàn)得出的觀測值F=134.42，在顯著性水平a=0.01下，F(xiàn)0.99(4,16-4-1)=5.67，由于F＞F0.99(4,16-4-1)，因此拒絕關(guān)于回歸方程顯著性檢驗(yàn)的零假設(shè)，故4個(gè)因素對(duì)交通事故死亡人數(shù)整體上具有顯著性的線性影響。

3.3　單個(gè)回歸系數(shù)的顯著性檢驗(yàn)

從F檢驗(yàn)的結(jié)果可以看出該方程整體回歸效果顯著，下面本文探討單個(gè)系數(shù)的顯著性效果，在此使用t統(tǒng)計(jì)量來檢驗(yàn)單個(gè)回歸系數(shù)是否顯著。通過計(jì)算得

給定顯著性水平a=0.05，查t分布表可知：t0.0975(16-4-1)=2.2010。對(duì)比觀察可知，4個(gè)影響因素中，民用汽車擁有量指標(biāo)對(duì)交通事故死亡人數(shù)影響最為顯著，其次陸續(xù)為GDP、公路通車?yán)锍?、人口?shù)。在顯著性水平a=0.05下，民用汽車擁有量、GDP與死亡人數(shù)的線性關(guān)系是顯著的；相反公路通車?yán)锍毯腿丝跀?shù)是非顯著的。

3.4　向后篩選下的回歸分析

由上述單個(gè)回歸系數(shù)的顯著性檢驗(yàn)中我們得知民用汽車擁有量和GDP變量對(duì)交通事故死亡人數(shù)的線性影響是顯著的。由此我們采用向后篩選以完成自變量的選擇，通過篩選依次剔除了變量公路通車?yán)锍毯腿丝跀?shù)，最終保留了民用汽車擁有量和GDP兩個(gè)變量。從而建立回歸方程

此時(shí)的回歸方程以及系數(shù)的p值均約等于0，其遠(yuǎn)低于顯著性水平a=0.01，故上述模型是恰當(dāng)?shù)?。通過上式可知：民用汽車擁有量與死亡人數(shù)成正比，GDP與死亡人數(shù)成負(fù)比。

3.5　交通事故預(yù)測

上式通過檢驗(yàn)得知其回歸效果和回歸系數(shù)均顯著，當(dāng)給定x1=m,x3=n時(shí)，可以預(yù)測出y的估計(jì)值為以及的1-a置信區(qū)間。

當(dāng)給出某一年民用汽車擁有量和GDP指標(biāo)的預(yù)測值，便可以計(jì)算出該年交通事故死亡人數(shù)的點(diǎn)估計(jì)值。根據(jù)官方數(shù)據(jù)[15]得知2017年GDP增速為6.9%，國內(nèi)生產(chǎn)總82.7122萬億元，假設(shè)民用汽車擁有量按10%的速度增長則2017年其值為20432萬輛，計(jì)算出2017年交通事故死亡人數(shù)的預(yù)測值為57815人，95%置信水平下的預(yù)測區(qū)間為（46039，62716）。

同理對(duì)各省數(shù)據(jù)指標(biāo)進(jìn)行回歸分析后也可以計(jì)算出各省的的點(diǎn)估計(jì)值和預(yù)測區(qū)間，本文查閱了各省統(tǒng)計(jì)局的地區(qū)生產(chǎn)總值數(shù)據(jù)，除云南和內(nèi)蒙古自治區(qū)尚未公布2017的GDP數(shù)據(jù)其余省份均已公布，通過計(jì)算平均增長率預(yù)測云南省和內(nèi)蒙古自治區(qū)2017年GDP數(shù)據(jù)分別為16282.6億元和19377.87億元；另外通過對(duì)各省2001-2016年民用汽車擁有量數(shù)據(jù)計(jì)算平均增長率，進(jìn)而預(yù)測2017年各省民用汽車擁有量數(shù)據(jù)。從而可以計(jì)算出各省交通事故死亡人數(shù)的點(diǎn)估計(jì)值并進(jìn)行區(qū)間預(yù)測。

4　小結(jié)

本文采集了2001-2016年我國交通事故的相關(guān)各項(xiàng)數(shù)據(jù)，分析了全國交通事故現(xiàn)狀和發(fā)展趨勢(shì)。分析發(fā)現(xiàn)：2001-2016年間，事故發(fā)生數(shù)、直接財(cái)產(chǎn)損失、死亡人數(shù)以及受傷人數(shù)四大指標(biāo)均總體呈現(xiàn)出下降趨勢(shì)，這說明我國交通安全狀況總體趨于好轉(zhuǎn)，但2016年四大指標(biāo)均有較大增幅，這說明近期形勢(shì)嚴(yán)峻。

采用相對(duì)指標(biāo)的分析發(fā)現(xiàn)：萬車死亡率逐年下降，這說明了長期以來我國交通安全狀況逐漸改善；交通事故死亡人數(shù)占比則總體呈現(xiàn)出上升趨勢(shì)，說明交通事故越來越成為事故主要危害；事故死亡率和死傷比總體呈現(xiàn)出上升趨勢(shì)，說明交通事故的嚴(yán)重程度逐漸加深；事故平均財(cái)產(chǎn)受損總體呈現(xiàn)出波動(dòng)上升趨勢(shì)，說明交通事故帶來的經(jīng)濟(jì)損失加大。

通過對(duì)近期全國省域交通事故分析，選取2016年全國各地區(qū)相關(guān)數(shù)據(jù)，發(fā)現(xiàn)沿海地區(qū)交通事故發(fā)生數(shù)較內(nèi)地更多；危害程度方面，津皖鄂黔瓊五省事故嚴(yán)重程度高，西北和華南地區(qū)適中，東北、華北和西南地區(qū)較輕。長期方面分析發(fā)現(xiàn)：2001-2016年間交通事故發(fā)生主要聚集在東部沿海地區(qū)，其中長三角、京津冀和珠三角地區(qū)事故發(fā)生次數(shù)較多，且聚集性較高。

選取全國交通事故死亡人數(shù)為因變量，民用汽車擁有量、公路通車?yán)锍?、GDP和人口數(shù)為自變量，利用2001-2016年的數(shù)據(jù)進(jìn)行多元線性回歸，分析得出：4個(gè)因素總體對(duì)交通事故死亡人數(shù)具有顯著的線性影響。通過向后篩選的回歸分析發(fā)現(xiàn)GDP、民用汽車擁有量與死亡人數(shù)之間的線性關(guān)系是顯著的，且隨著GDP上升，死亡人數(shù)減少；而民用汽車擁有量則相反，并以此構(gòu)建起交通事故死亡人數(shù)預(yù)測模型。

通過對(duì)交通事故的分析預(yù)測，提出建議如下：相關(guān)部門要合理控制汽車數(shù)量，加強(qiáng)汽車品質(zhì)監(jiān)管，提升汽車安全系數(shù)，嚴(yán)格進(jìn)行車輛年檢；政府要大力發(fā)展經(jīng)濟(jì)，提高經(jīng)濟(jì)發(fā)展水平，大力發(fā)展新能源及混合動(dòng)力技術(shù)以建設(shè)生態(tài)綠色經(jīng)濟(jì)；針對(duì)交通事故方面，可大力發(fā)展自動(dòng)駕駛技術(shù)減少交通事故數(shù)量，降低經(jīng)濟(jì)財(cái)產(chǎn)損失。