溫惠英， 湯左淦

(華南理工大學 土木與交通學院，廣東 廣州 510641)

0 引 言

交通事故不僅造成財產(chǎn)損失、受傷以及死亡的嚴重后果，并且處理這些交通事故需要花費數(shù)十億美元。據(jù)世界衛(wèi)生組織2016公布的數(shù)據(jù)顯示，全球至少有125萬人死于道路交通事故，道路交通事故已成為全球第九大死亡原因，而涉及摩托車的死亡事故占了總死亡事故的23.0%，摩托車事故已經(jīng)成為道路安全的重大威脅[1]。此外，在涉及摩托車交通事故中有一半是單車碰撞事故[2]，故研究摩托車單車碰撞事故的成因以及事故傷害程度迫在眉睫。

國內(nèi)外學者對事故的研究主要集中在交叉口事故或總事故，很少有專門針對路段事故的研究。據(jù)全球的事故數(shù)據(jù)顯示，發(fā)生在路段的事故不僅占的比重很大，而且在路段區(qū)域造成的傷亡也很慘重，其中美國發(fā)生在路段的事故占總事故的60%，加拿大與新加坡為70%；荷蘭有56%(2005—2007年)的傷亡者是由路段事故造成的[3]。由于路段區(qū)域與交叉口區(qū)域的交通組織、幾何設計、速度(路段的速度普遍高于交叉口區(qū)域)等的差異性，導致事故的成因也有差異，D. N. MOORE等[4]發(fā)現(xiàn)交叉口區(qū)域與路段區(qū)域的事故嚴重程度的影響因素存在差異，因此專門針對發(fā)生在路段的事故研究就尤為必要。為了更加深入的研究路段摩托車單車事故傷害嚴重程度的影響因素，筆者使用美國印第安納州交通事故數(shù)據(jù)，為后期國內(nèi)摩托車事故分析的進一步分析提供借鑒。

國內(nèi)學者在摩托車事故研究方面取得了一些進展，CHANG F等[5]利用湖南省的摩托車事故數(shù)據(jù)研究影響摩托車駕駛員的傷害嚴重程度的因素，研究發(fā)現(xiàn)駕駛員年齡超過60歲、未帶頭盔以及在夜間無燈光的條件下與重型車輛碰撞均增加了摩托車駕駛員重傷及死亡的概率；LIN M R等[6]以臺北1889起摩托車事故數(shù)據(jù)建立了偏比例優(yōu)勢模型，研究表明事發(fā)地在鄉(xiāng)村路段、與重物碰撞、雅馬哈車型、夜間以及高速行駛均增加了年輕駕駛員的傷害程度。CHENG A S等[7]為了研究摩托車駕駛員危險駕駛行為與可感知的事故成因之間的關系，以774位摩托車駕駛員的實驗行為數(shù)據(jù)建立多元logistic回歸模型，發(fā)現(xiàn)隨著風險知覺的增加，駕駛員采取危險的駕駛行為的可能性降低；LI L等[8]利用基于汕頭市的摩托車事故數(shù)據(jù)，建立了摩托車駕駛員嚴重傷害的多因素logistic回歸模型，發(fā)現(xiàn)駕駛員性別為男性、道路缺失防護欄、早上及夜間、非城區(qū)、碰撞物為自行車、無交通管制、低可見度情況下均增加了摩托車駕駛員重傷的可能性。

國內(nèi)沒有學者專門研究摩托車單車事故，而國外學者在摩托車單車碰撞事故影響因素分析以及傷害程度估計方面的研究已經(jīng)取得了很多進展。V. SHANKAR等[9]以華盛頓州5年的摩托車單車碰撞事故數(shù)據(jù)建立多項式logit模型，分析環(huán)境因素、道路條件、車輛屬性以及駕駛員特征對事故嚴重程度的影響，發(fā)現(xiàn)多項式logit模型是研究摩托車事故嚴重程度的一種有效方法；WANG Z等[10]以佛羅里達州摩托車單車碰撞事故為基礎，分別建立了有序logit回歸、異構(gòu)選擇模型以及廣義有序選擇回歸模型分析水平曲線對事故傷害嚴重程度的影響，研究發(fā)現(xiàn)曲線半徑每增大300 m，死亡事故、重傷事故分別減少0.2%與0.15%；M. S. SHAHEED等[2]利用潛類別多項式logit模型對摩托車單車事故嚴重程度的異質(zhì)性進行了分析，模型的結(jié)果表明超速、摩托車沖出道路、與固定物發(fā)生碰撞、翻車、鄉(xiāng)村地區(qū)、道路表面環(huán)境、頭盔、年齡、酒駕以及吸毒與事故嚴重程度顯著相關；S. NUNN[11]利用印第安納州的摩托車事故數(shù)據(jù)分析死亡事故的影響因素，構(gòu)建了logistic回歸模型，發(fā)現(xiàn)摩托車行駛速度，樹、燈柱以及橋護欄碰撞物與死亡事故顯著相關；WANG Chen等[12]利用美國交通部GES數(shù)據(jù)庫的10年摩托車單車碰撞事故建立了部分比例優(yōu)勢模型，主要分析駕駛員采取避免事故發(fā)生動作(剎車、掌舵等)與事故傷害嚴重程度之間的關系，發(fā)現(xiàn)不采取任何措施的往往為嚴重的事故。

除了上述涉及的研究方法外，還有其它大量的計量經(jīng)濟模型用來識別事故影響因素及分析事故傷害程度，包括巢式logit模型[13-14]、隨機參數(shù)的logit模型[15-17]、異方差logit模型[15-18]以及probit模型[19-22]。其中有序logit回歸、多項式logit模型以及巢式logit模型是3種最常用的事故嚴重程度分析模型。有序logit模型基于因變量是有序的，限制了解釋變量的影響[23]，導致增加嚴重事故與不嚴重事故的概率增加(或相反)，故有序logit模型可能不適于分析事故傷害的嚴重程度。多項式logit模型沒有有序logit模型的限制，但是它有無關方案獨立性(IIA)假設的內(nèi)在缺陷，而巢式logit模型是針對多項式logit模型的改進模型，克服了由于IIA特性帶來的估計不準問題。

綜合以上分析，對摩托車單車碰撞事故嚴重程度的分析方面取得了一些成果，但是在現(xiàn)有研究中，并沒有專門針對發(fā)生在路段的摩托車單車碰撞事故的研究。因此，筆者在前人的研究基礎上，以路段摩托車單車事故為研究對象，構(gòu)建了巢式logit模型，分析駕駛員特征、車輛屬性、道路條件、環(huán)境因素及事故特征對事故傷害嚴重程度的影響，為降低交通事故嚴重程度提供依據(jù)。

1 數(shù)據(jù)描述

基于美國印第安納州交通事故數(shù)據(jù)庫，提取了2013—2015年的摩托車單車碰撞事故(事故僅涉及1輛摩托車)共2 485起，其中發(fā)生路段(即不在交叉口或不在交叉口影響區(qū)域)的事故有1 785起，剔除事故記錄不全及不合理的數(shù)據(jù)(比如摩托車駕駛員年齡小于15歲、駕駛員性別未知等)，最終選取1 526起發(fā)生在路段的摩托車單車碰撞事故為研究對象。

美國印第安納州的交通事故數(shù)據(jù)庫將摩托車單車碰撞事故傷害嚴重程度分為死亡(fatality)、失能性傷害(incapacitating injury)、非失能性傷害(non-incapacitating injury)、可能受傷(possible injury)、未受傷(no-injury)5類。事故傷害嚴重程度是交警根據(jù)現(xiàn)場事故情況劃分的，由于交警個體的差異性，在證據(jù)不充分的情況下并不能區(qū)分未受傷與可能傷害這兩類傷害，故文中將可能受傷與未受傷這兩類傷害合并為僅財產(chǎn)損失(property damage only)。文中以此4類事故傷害嚴重程度為因變量，死亡、失能性傷害、非失能性傷害以及僅財產(chǎn)損失的頻數(shù)分別為62、244、941以及279。

根據(jù)事故記錄，從人、車、路、環(huán)境以及事故特征5方面選取了21個自變量。其中，人的方面包括駕駛員性別、年齡、是否使用頭盔、是否酒駕與是否被甩離摩托車；車的方面包括是否超速、是否沖出道路、載人和車齡；路的方面包括道路表面是否潮濕、道路線形與限速；環(huán)境方面包括月份、光線條件以及事故是否發(fā)生農(nóng)村地區(qū)；事故特征為摩托車碰撞物，包括電線桿、路緣、涵洞、護欄以及樹，詳細的變量描述及統(tǒng)計如表1。

表1 變量描述及頻數(shù)統(tǒng)計Table 1 Variables description and frequency statistics

注：除駕駛員年齡外，其它變量均為0,1變量，1代表是，0代表否

2 巢式logit模型的構(gòu)建

文中路段摩托車單車碰撞事故共有4種，分別為死亡事故、失能性傷害事故、非失能性傷害事故以及僅財產(chǎn)損失事故。根據(jù)前人的研究發(fā)現(xiàn)，在低事故嚴重程度中有不可觀測的效應，即低嚴重程度的誤差項相關[13-14, 23]。故將非失能性傷害事故與僅財產(chǎn)損失事故歸為同一選擇巢內(nèi)，即非嚴重事故，對于4種事故傷害嚴重程度的巢式結(jié)構(gòu)如圖1。

基于隨機效應與效應最大化的理論假設，效應函數(shù)如式(1)：

(1)

其中，Uij是第i起事故的嚴重程度為j的效應，xi是自變量的集合，比如駕駛員的性別、年齡、路面潮濕、事故發(fā)生在鄉(xiāng)村地區(qū)等，βj為第j個類別的自變量回歸系數(shù)，εij為觀測到的擾動項。第i起事故的嚴重程度為j的概率為

Pi(j)=P(Uij≥Uim),(m≠j)

(2)

將式(2)代入到式(1)中，得到：

(3)

假設εij服從廣義極值分布(GEV)時，對于第i起事故的嚴重程度為j的概率，巢式logit模型有如下形式：

(4)

(5)

(6)

Pi(j)是第i起事故為上層事故嚴重程度j的概率，Pi(m|j)是第i起事故為上層事故嚴重程度j的條件下，又是下層事故嚴重程度m的概率。J為上層事故嚴重程度的類別集合，文中為死亡、失能性傷害及非嚴重傷害；M為下層事故嚴重程度的類別集合，文中為僅財產(chǎn)損失與非失能性傷害。Lij是第i起事故為上層事故嚴重程度j的最大效應值，一般稱為包容值，表示下層因素對上層的影響。θj為包容值的估計系數(shù)，系數(shù)必須在0～1之間，對于文中的2層巢式logit而言，如果其估計系數(shù)不顯著地區(qū)別于1，則巢式logit模型退化為標準的多項式logit模型。

圖1 巢式logit結(jié)構(gòu)Fig. 1 Nested logit model structure

3 模型的參數(shù)估計與結(jié)果分析

估計巢式logit模型的參數(shù)有全信息最大似然估計法與分階段估計法兩種。分階段估計法是先將下層模型當作獨立的多項式logit模型進行參數(shù)估計，根據(jù)下層參數(shù)的估計結(jié)果計算離散數(shù)據(jù)的值然后將其作為影響上層模型的一個因素，之后對上層模型進行參數(shù)估計。全信息最大似然估計法是同時估計巢式logit模型的參數(shù)，其估計量具有無偏性、漸進正態(tài)以及有效性，而分階段估計法是近似地估計模型的參數(shù)，降低了參數(shù)估計的有效性，故文中采用全信息最大似然估計法。

采用全信息最大似然法對模型參數(shù)進行估計，取顯著性水平為0.1，運用計量經(jīng)濟學軟件Nlogit5.0進行求解，得到人、車、路、環(huán)境以及事故特征5方面21個自變量與路段摩托車單車碰撞事故傷害嚴重程度顯著相關，其中下層(僅財產(chǎn)損失與非失能性傷害)事故嚴重程度的參數(shù)估計如表2，上層事故嚴重程度的參數(shù)估計如表3。

表2 非嚴重傷害(下層)事故嚴重程度的參數(shù)估計Table 2 Parameters estimation for the slight or no injury severity(lower nest)

注：空白欄是參照類

表3 上層事故嚴重程度的參數(shù)估計Table 3 Parameters estimation of crash injury severity for the upper nest

注：失能性傷害為參考

表2與表3的參數(shù)顯示估計的結(jié)果是具有可解釋性的，并且調(diào)整McFadden R2為0.428 6，表示文中的巢式模型有較高的擬合度。此外，非嚴重傷害的包容值系數(shù)為0.316 07，其T-test值為1.82，則可以認為在90%的置信水平上包容值系數(shù)不同于0與1，這有理由認為文中構(gòu)建的巢式logit模型是有效的。

3.1 下層模型的結(jié)果分析

基于表2的下層事故嚴重程度的參數(shù)估計結(jié)果，女性、使用頭盔、酒駕、超速、載人及路面潮濕與事故傷害嚴重程度顯著相關。以下依次對各變量進行分析。

1)女性。相對于僅財產(chǎn)損失事故，摩托車駕駛員的性別為女性時增加了發(fā)生非失能性傷害事故的概率。

2)使用頭盔。相對于非失能性傷害事故，使用頭盔增加了僅財產(chǎn)損失事故的概率，即使用頭盔可以保護頭部從而有效降低了事故嚴重程度。

3)酒駕。摩托車駕駛員酒駕增加了發(fā)生非能性傷害事故的可能性。因為酒精會導致駕駛員反應遲鈍，遇到突發(fā)情況不能及時做出回避反應，從而增加了發(fā)生非失能性傷害事故的概率。

4)超速。超速行駛傾向于發(fā)生非失能性傷害事故。超速行駛影響駕駛員的觀察、判斷的準確性，降低了摩托車的行駛的穩(wěn)定性，發(fā)生碰撞時，摩托車的沖量大，易發(fā)生嚴重事故。

5)載人。摩托車上載有乘客增加發(fā)生了非失能性傷害事故的概率。

6)路面潮濕。路面潮濕的條件下傾向于發(fā)生僅財產(chǎn)損失事故，這可能是因為摩托車駕駛者一旦發(fā)現(xiàn)路面潮濕，駕駛者會更加謹慎，主動降低車速行駛，故而降低了事故嚴重程度。

3.2 上層模型的結(jié)果分析

1)年齡。相對于失能性傷害事故，隨著摩托車駕駛員的年齡增大，發(fā)生非嚴重性事故的概率隨之降低，即增加了非失能性傷害事故的概率。這是因為隨著駕駛員的年齡越大，駕駛員的注意力及反應能力下降，更容易發(fā)生非失能性傷害事故，這與以往的研究結(jié)果類似[22]。

2)使用頭盔。相對于失能性傷害事故，使用頭盔增加了非嚴重性事故的發(fā)生概率，這與以往的研究結(jié)果類似[2, 9]。

3)酒駕。相對于失能性傷害事故，酒駕降低了非嚴重性事故的發(fā)生概率，即是增加了發(fā)生失能性傷害的可能性。因為酒精會導致駕駛員反應遲鈍，遇到突發(fā)情況不能及時做出回避反應，從而增加了發(fā)生非失能性傷害事故的概率。M. S. SHAHEED等[2]在研究摩托車單車事故時，發(fā)現(xiàn)在酒精或者毒品的影響下，發(fā)生死亡事故或重傷事故的概率增加了2%。

4)甩出車外。摩托車駕駛員被甩出車外，傾向于發(fā)生死亡事故。

5)超速。超速行駛降低了非嚴重事故的發(fā)生概率，同時又增加了死亡事故發(fā)生的概率，即超速行駛增加了嚴重事故的發(fā)生概率，這與過去的研究結(jié)果一致[2, 9]。

6)沖出道路。摩托車沖出道路增加了死亡事故的發(fā)生概率。因為摩托車沖出道路，如果掉到山坡下、河流中，很有可能會導致死亡事故的發(fā)生。

7)車齡大于10年。車齡超過10年易發(fā)生死亡事故，這是一個非常重要的發(fā)現(xiàn)，長時間的車輛使用后，摩托車的各方面性能及穩(wěn)定性在降低，交通管理部門需要加強車輛年檢力度。

8)曲線無坡度。曲線無坡度路段降低了非嚴重事故發(fā)生的概率，即傾向于發(fā)生失能性傷害事故。因為在曲線路段降低了摩托車駕駛員的視距以及增加了駕駛難度所致。

9)限速大于80 km/h。路段限速值大于80 km/h易發(fā)生失能性傷害事故，速度越高，碰撞時的動能越大，駕駛員所受的沖擊越大。M. S. SHAHEED等[2]發(fā)現(xiàn)當路段限速超過89 km/h，更容易發(fā)生嚴重性事故。

10)月份。4月份與7月份均易發(fā)生死亡事故。這可以解釋為4月份是春天，雨雪天氣較多，道路表面易滑，摩托車制動能力降低，其次春天容易發(fā)困，駕駛員容易注意力不集中，從而不能及時采取有效措施；7月份一般天氣炎熱，而摩托車又沒有遮陽及制冷設備，故駕駛員容易采取冒進行為如超速行駛，盡快逃離炎熱的室外，因為易發(fā)生死亡事故。

11)夜間。夜間傾向于發(fā)生死亡事故，而夜間有燈光的條件下降低了非嚴重事故的發(fā)生概率。因為夜間駕駛員的視距變短，增加了駕駛員的反應時間，無法及時采取正確駕駛行為。S. NUNN[11]發(fā)現(xiàn)夜間與死亡事故的發(fā)生呈正相關，WANG Z等[10]發(fā)現(xiàn)夜間發(fā)生死亡事故的概率增加了9.99%，但是也有學者得出了相反的結(jié)論，由于夜間駕駛者更加謹慎的駕駛，降低了夜間發(fā)生死亡事故的概率[2]。

12)農(nóng)村地區(qū)。農(nóng)村地區(qū)傾向于發(fā)生死亡事故，這可能是因為農(nóng)村地區(qū)缺少攝像、雷達測速設備，駕駛員缺少交通管制容易采取不安全駕駛行為。此外，農(nóng)村地區(qū)的道路條件相對較差，道路兩旁很少有防護欄，這也是導致死亡事故的原因之一。

13)事故碰撞。摩托車與電線桿碰撞降低了非嚴重事故的發(fā)生概率，同時又增加了死亡事故發(fā)生的概率，即與電線桿碰撞增加了嚴重事故的發(fā)生概率。此外，摩托車與防護欄、路緣、樹及涵洞碰撞均增加了失能性傷害事故發(fā)生的概率，其中摩托車與樹碰撞的影響最大，防護欄對失能性傷害事故的影響最小，與以往的研究是一致的[11]。護欄相比于其它碰撞物可以通過自身的彈塑性變形、摩擦、車體變位來吸收車輛碰撞能量，從而達到保護駕駛員和乘客生命安全的目的。

3.3 事故預防對策

3.3.1 加強安全教育

研究表明，正確使用頭盔能有效降低事故傷害程度，酒駕與超速增加了嚴重事故的發(fā)生概率，但仍有很多摩托車駕駛員在行駛過程中采取危險駕駛行為。以頭盔使用為例，YU X Q等[24]發(fā)現(xiàn)中山市有72.6%摩托車駕駛員使用頭盔，其中只有37%的駕駛員能夠正確佩戴標準頭盔，因此重視頭盔使用的安全教育宣傳政策尤為必要。交通安全教育措施是預防交通事故的有效措施，通過對駕駛員進行教育和宣傳，增強駕駛員不戴頭盔、酒駕、超速危害的認識，從根本上減少危險駕駛行為的發(fā)生。除了駕駛員考試培訓教育，可以充分利用電視、網(wǎng)絡媒體等來開展安全教育活動，提高交通安全意識，減少交通事故。

3.3.2 完善交通工程設施

研究發(fā)現(xiàn)摩托車與樹、路緣、涵洞及電線桿碰撞的事故均比與護欄碰撞更為嚴重，因為護欄相比于其它碰撞物可以通過自身的彈塑性變形、摩擦、車體變位來吸收車輛碰撞能量，從而達到保護駕駛員和乘客生命安全的目的，因此建議在有條件的路段，在道路兩側(cè)及中央鋪設防護欄。

研究結(jié)果表明，曲線路段傾向于發(fā)生失能性傷害事故，而彎道路段的安全行駛最有效最簡單的方式是減速，為了更好達到控制車速的目的，可以設置限速標志、警示標志、振動標線等配套設施，這些設施的綜合使用能夠有效提醒或者強制駕駛員在彎道路段行駛中進行減速，對控制速度和安全管理具有很好的作用。

農(nóng)村地區(qū)由于經(jīng)濟水平的制約等原因，缺少攝像、雷達測速設備，導致駕駛員容易采取不安全的駕駛行為，增加了發(fā)生死亡事故的概率，建議政府部門加大農(nóng)村地區(qū)的交通工程基礎設施建設力度，以保障人民的生命財產(chǎn)安全。

此外，研究發(fā)現(xiàn)限速值超過80 km/h的路段易發(fā)生失能性傷害事故，降低在非高速路段的限速值能有效降低事故嚴重程度，故建議將最高限速值設為80 km/h以下。

3.3.3 加強交通管制的力度

通過交警現(xiàn)場檢查、雷達及攝像手段加大駕駛員酒駕、超速及不戴頭盔的處罰力度，增加駕駛員違法成本，盡量減少駕駛員的不安全駕駛行為，以降低摩托車單車事故嚴重程度。研究發(fā)現(xiàn)夜間易發(fā)生嚴重的事故，可通過交通部門立法，規(guī)定夜間無論是否有路燈必須打開車燈行駛，改善夜間駕駛員的視線條件。此外，研究表明車齡超過10年易發(fā)生死亡事故，對于使用年限超過10年的摩托車，交通管理部門需要加強車輛年檢力度。

4 結(jié) 語

以路段摩托車單車碰撞事故為研究對象，從人、車、路、環(huán)境以及事故特征5方面選取共21個自變量，構(gòu)建了事故嚴重程度的巢式logit模型。利用計量經(jīng)濟學軟件Nlogit5.0，采用全信息最大似然法進行參數(shù)估計，研究結(jié)果表明：在0.1的顯著性水平下，駕駛員性別、年齡、是否使用頭盔、是否酒駕、是否被甩離摩托車、是否超速、是否沖出道路、載人、車齡、道路表面是否潮濕、道路線形與限速、月份(4月份、7月份)、光線條件、是否發(fā)生農(nóng)村地區(qū)、摩托車碰撞物(電線桿、路緣、涵洞、護欄、樹)與摩托車單車碰撞事故傷害嚴重程度顯著相關。模型的McFadden R2值及包容值系數(shù)檢驗表明，模型具有很高的擬合優(yōu)度且有效性較高，表明巢式logit模型是分析摩托車事故嚴重程度的一種有效模型，可為后期國內(nèi)摩托車事故的進一步分析提供借鑒。

使用美國印第安納州交通事故數(shù)據(jù)，盡管中國具有其獨特性，但是從發(fā)達國家吸取的教訓是很有價值的，因為幾乎所有的發(fā)達國家都經(jīng)歷了摩托車駕駛員高死亡率的階段，故美國摩托車事故分析研究結(jié)論對減少中國摩托車事故具有一定的參考意義。研究結(jié)果可為交通管理者采取合適的策略來降低路段摩托車單車碰撞事故傷害嚴重程度。

受限于事故數(shù)據(jù)庫獲取難度，文中沒有考慮其它可能影響路段摩托車單車碰撞事故傷害嚴重程度的因素，比如駕駛員是否吸毒、摩托車的發(fā)動機排量、路段是否分向行駛等因素。此外，文中假設巢式logit模型的效應函數(shù)是線性可加的，并沒有考慮非線性形式，未來需要考慮上述兩點不足之處做進一步的研究。