陳昭明 徐文遠(yuǎn)

（東北林業(yè)大學(xué)土木工程學(xué)院 哈爾濱 150040）

0 引 言

高速公路的快速發(fā)展極大地提升了公路運(yùn)輸水平，但其高事故率也愈發(fā)引起廣泛關(guān)注，對(duì)高速公路交通事故的預(yù)防研究具有重要意義。

在影響事故的眾多因素中，道路條件扮演著重要角色。國內(nèi)外針對(duì)道路因素，尤其是幾何線形與事故的關(guān)系進(jìn)行了較多研究。平面線形中，多數(shù)研究表明交通安全水平隨平曲線半徑的減小而降低[1-4]，但也有學(xué)者發(fā)現(xiàn)隨著平曲線半徑的減小，駕駛員警覺性提高，事故數(shù)反而有所降低[5-6]?？v斷面線形中，縱坡坡度與事故次數(shù)正相關(guān)[7-8]，且下坡路段比上坡路段具有更高的行車危險(xiǎn)性[4,8-9]。同時(shí)，李明等[9]及孟祥海等[10]指出彎坡組合路段的安全性低于單純的曲線路段或縱坡路段。道路橫斷面方面，增加硬路肩寬度或中間帶護(hù)欄橫向偏移量可為駕駛員提供更多的側(cè)向凈空，因此可減少事故的發(fā)生[5,11]。然而，增加車道數(shù)對(duì)交通安全的影響尚存爭(zhēng)議，Abdel-Aty等[12]和Naike等[13]研究表明隨著車道數(shù)的增加，車輛變道頻率提高，進(jìn)而導(dǎo)致更多的交通事故，而Rusli等[6]和Montella等[8]研究卻表明，增加車道數(shù)能提升交通安全狀況。

作為道路交通環(huán)境的重要組成部分，路面狀況對(duì)交通安全的影響愈發(fā)引起學(xué)者關(guān)注，尤其是路面自動(dòng)化檢測(cè)設(shè)備的普及，為該方向研究提供了準(zhǔn)確而全面的數(shù)據(jù)支持。國內(nèi)外近幾年研究表明事故數(shù)隨著車轍深度的增加而增多[5，14]，但亦有研究表明一定深度的車轍可有效警惕駕駛員減速慢行，進(jìn)而降低事故風(fēng)險(xiǎn)[15]；增加路面摩擦力系數(shù)可為車輛提供更大的附著力，提高行車穩(wěn)定性（尤其是彎道和濕滑路面狀況下）和安全性[8，16-18]；路面平整度不僅影響行車舒適性，還對(duì)事故風(fēng)險(xiǎn)存在顯著影響，但該因素對(duì)交通安全的影響尚存爭(zhēng)議，Anastasopoulos等[5]、Cafiso等[19]研究表明粗糙的路面鋪裝可導(dǎo)致更多事故，而Buddhavarapu等[14]卻指出粗糙路面條件下駕駛員更加謹(jǐn)慎，反而能降低事故發(fā)生風(fēng)險(xiǎn)。此外，路面破損狀況跟事故風(fēng)險(xiǎn)亦存在相關(guān)關(guān)系，Hussein等[20]和胡思濤等[21]研究表明事故率隨著路面破損程度的增加而升高，但亦有學(xué)者指出輕微的路面破損（如破損率＜1%）可為駕駛員起到警示作用，反而有利于降低事故風(fēng)險(xiǎn)[22]。

研究方法方面，由于事故數(shù)具有隨機(jī)、離散和非負(fù)特性，因而泊松及負(fù)二項(xiàng)模型是應(yīng)用最廣泛的事故建模方法[2，8]。然而，傳統(tǒng)的負(fù)二項(xiàng)模型假定事故影響因素的作用效果在時(shí)（不同時(shí)間t）空（不同路段i）上是不變的。然而，由于事故的發(fā)生是極其復(fù)雜的，建模時(shí)不可能涵蓋所有事故影響因素，當(dāng)未觀測(cè)因素與已納入模型的變量間存在相關(guān)關(guān)系時(shí)，將導(dǎo)致已納入模型變量的安全作用效果在時(shí)空上并非是一成不變的，即各因素對(duì)事故風(fēng)險(xiǎn)影響的異質(zhì)性[5-6，16]。Chen等[23]和Bhat[24]的研究均表明，建模時(shí)忽略異質(zhì)性將導(dǎo)致模型參數(shù)估計(jì)出現(xiàn)偏差，甚至導(dǎo)致錯(cuò)誤的研究結(jié)論。傳統(tǒng)的負(fù)二項(xiàng)模型中各變量參數(shù)均是固定值，導(dǎo)致其不能有效刻畫異質(zhì)性，而隨機(jī)參數(shù)建模方法允許各變量參數(shù)進(jìn)行隨機(jī)變化，故可充分刻畫異質(zhì)性并已成為近幾年道路交通事故建模領(lǐng)域的研究熱點(diǎn)[25]。

梳理國內(nèi)外在道路條件對(duì)交通安全影響的研究可知：①有些因素對(duì)事故的影響效果尚未形成定論，如平曲線半徑及車道數(shù)等；②部分因素對(duì)交通安全影響的研究依舊較少，尤其是針對(duì)我國高速公路而言，道路橫斷面指標(biāo)及路面性能對(duì)事故的影響機(jī)理尚不清楚，遠(yuǎn)不足以指導(dǎo)實(shí)踐；③傳統(tǒng)模型不能有效解析各因素對(duì)事故風(fēng)險(xiǎn)影響的異質(zhì)性，進(jìn)而影響研究結(jié)果及推論的準(zhǔn)確性；④隨機(jī)參數(shù)建模方法可有效刻畫異質(zhì)性，但該方法的實(shí)際應(yīng)用效果仍需進(jìn)一步驗(yàn)證，且目前的隨機(jī)參數(shù)模型通常難以揭示各因素對(duì)事故風(fēng)險(xiǎn)的交互影響。本文通過構(gòu)建隨機(jī)參數(shù)負(fù)二項(xiàng)模型并進(jìn)一步探究各因素對(duì)隨機(jī)參數(shù)分布特性的影響，從高速公路交通特性、幾何線形以及路面性能方面，識(shí)別影響交通事故的因素并確定各因素對(duì)事故的作用規(guī)律，從而為高速公路線形優(yōu)化設(shè)計(jì)以及路面養(yǎng)護(hù)管理提供理論支持。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于黑龍江省和遼寧省內(nèi)的5條高速公路（綏滿、哈同、沈大、沈山和沈丹高速），總長(zhǎng)度2 131 km。從高速公路路政管理部門收集到5條高速公路2014年1月—2018年12月的交通事故數(shù)據(jù)。由于本研究是針對(duì)高速公路主線的，因此，剔除了收費(fèi)站及互通式立交匝道上的事故，經(jīng)篩選共得到12 097起事故數(shù)據(jù)。

從高速公路流量觀測(cè)站獲得了各區(qū)間歷年交通量數(shù)據(jù)，包括年平均日交通量（annual average daily traffic，AADT）及貨車交通量。從道路設(shè)計(jì)部門獲取了高速公路施工圖表，得到了相應(yīng)的平縱線形以及橫斷面設(shè)計(jì)數(shù)據(jù)。從高速公路養(yǎng)護(hù)管理中心收集到了歷年路面檢測(cè)原始數(shù)據(jù)，包括路面破損率、車轍深度、國際平整度指數(shù)、橫向力系數(shù)及結(jié)構(gòu)強(qiáng)度系數(shù)等。由于高速公路設(shè)計(jì)、施工及運(yùn)營(yíng)過程中均采用不同的樁號(hào)系統(tǒng)，本研究在處理數(shù)據(jù)時(shí)，均已按照對(duì)應(yīng)關(guān)系統(tǒng)一轉(zhuǎn)化為了運(yùn)營(yíng)樁號(hào)；此外，經(jīng)與高速公路管理部門核實(shí)，高速公路各區(qū)段在分析時(shí)段內(nèi)均未經(jīng)歷改擴(kuò)建或長(zhǎng)時(shí)間封閉。

1.2 建模樣本組織

為得到建模所需樣本，利用同質(zhì)法原理，依據(jù)高速公路交通運(yùn)行及道路特征等指標(biāo)將各高速公路劃分成不可再分的路段，具體步驟為：從各條高速公路起點(diǎn)開始，在各指標(biāo)數(shù)值變化處將高速公路斷開，直至高速公路終點(diǎn)，進(jìn)而得到一系列路段單元。由于同一高速公路橫斷面特征變化不大（立交和服務(wù)區(qū)路段除外），因此，決定路段劃分的道路特征主要是平縱線形指標(biāo)（如平曲線曲率和縱坡坡度）。此外，為提高分析準(zhǔn)確性，路段最短長(zhǎng)度限定為0.16 km[4,12]。將長(zhǎng)度小于0.16 km的路段，按照加權(quán)平均方式合并至前后路段中。經(jīng)上述過程后，共得到3 946個(gè)同質(zhì)路段。

由于交通量以及路面性能數(shù)據(jù)均是以年為單位進(jìn)行觀測(cè)或儲(chǔ)存的，為充分反映這些因素對(duì)交通事故的影響，同時(shí)也為了提高建模樣本量，本文以年為單位組織數(shù)據(jù)，據(jù)此共得到了19 730（3 946×5）個(gè)建模樣本。之后，需將各年的交通事故數(shù)據(jù)以及路面性能數(shù)據(jù)匹配至各個(gè)樣本中。

根據(jù)每起交通事故發(fā)生的時(shí)間及樁號(hào)，可統(tǒng)計(jì)各樣本所在的路段上歷年發(fā)生的事故次數(shù)，即可將事故數(shù)據(jù)匹配至各樣本上。歷年的路面性能檢測(cè)原始數(shù)據(jù)中，路面破損率、車轍深度均是以10 m或20 m為單位存儲(chǔ)的，因此可根據(jù)各樣本對(duì)應(yīng)的路段起終點(diǎn)樁號(hào)，計(jì)算上述5項(xiàng)路面性能指標(biāo)的加權(quán)平均值，進(jìn)而完成路面性能數(shù)據(jù)與樣本的匹配。

最終模型中的顯著變量及其統(tǒng)計(jì)特性見表1，其他變量不再展示。

表1 建模變量的統(tǒng)計(jì)特性Tab.1 Statistics of considered variables for modeling

2 研究方法

2.1 基于隨機(jī)參數(shù)的事故模型

2.1.1 模型結(jié)構(gòu)

泊松模型中，路段i在時(shí)間t內(nèi)發(fā)生nit次事故的概率P(nit)為

式中：m為路段數(shù)量；T為數(shù)據(jù)分析年限；λit為路段i在時(shí)間t內(nèi)事故次數(shù)的期望，常表達(dá)為

其中：X it為事故影響因素向量，β為其參數(shù)向量。

然而，泊松模型要求方差等于均值，但由于事故數(shù)據(jù)普遍存在過離散性，即方差大于均值，導(dǎo)致泊松模型擬合效果不佳。為此，通過引入隨機(jī)誤差項(xiàng)εi t，將均值λit表示為

式中：exp(εit)服從均值為1、方差為α的伽馬分布。此時(shí)，泊松模型可拓展為負(fù)二項(xiàng)模型，即

式中：Г(?)表示伽馬分布。

負(fù)二項(xiàng)模型中變量的參數(shù)表征了該因素對(duì)事故風(fēng)險(xiǎn)的影響，因此，為刻畫各因素對(duì)交通事故影響的異質(zhì)性，可將模型中任一變量Xit的參數(shù)β由固定值設(shè)置為服從正態(tài)分布的隨機(jī)變量，進(jìn)而將傳統(tǒng)的固定參數(shù)負(fù)二項(xiàng)模型改進(jìn)為隨機(jī)參數(shù)負(fù)二項(xiàng)模型，此時(shí)變量參數(shù)可表示為

式中：βit為事故影響因素Xit在路段i、時(shí)間t內(nèi)的參數(shù)向量，服從均值為β、方差為σ2的正態(tài)分布；πij為服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)項(xiàng)；若σ等于0，表明Xit的參數(shù)為固定參數(shù)，即該因素對(duì)事故的影響不存在時(shí)空異質(zhì)性。

然而，式（5）所示的隨機(jī)參數(shù)分布的均值在各樣本上是固定不變的（均為β），然而，由于各因素對(duì)交通事故存在潛在的交互影響，導(dǎo)致隨機(jī)參數(shù)分布的均值可能受其他因素的影響。因此，可進(jìn)一步將隨機(jī)參數(shù)分布的均值設(shè)置為其他因素的函數(shù)形式，此時(shí)參數(shù)βit可進(jìn)一步改寫為

式中：βit為服從均值為β+δM it、方差為σ2的正態(tài)分布；M it為影響βit均值的事故影響因素向量，δ為其系數(shù)向量；若δ不等于0，則表明因素M it的大小對(duì)βit的均值有顯著性影響，即M it和Xit存在交互作用（因參數(shù)分布均值表征了該因素對(duì)事故風(fēng)險(xiǎn)的綜合作用，當(dāng)某因素影響該參數(shù)的均值大小時(shí)，表明這些因素對(duì)事故風(fēng)險(xiǎn)存在交互影響）。

隨機(jī)參數(shù)負(fù)二項(xiàng)模型均值及似然函數(shù)為

式中：L為模型的似然函數(shù)值；φ(?)為標(biāo)準(zhǔn)正態(tài)分布的概率密度函數(shù)；λit為路段i在時(shí)間t內(nèi)事故次數(shù)的均值；P(nit|πit)為路段i在時(shí)間t內(nèi)發(fā)生nit次事故的條件概率。模型的參數(shù)估計(jì)采用基于Halton序列的模擬極大似然估計(jì)方法[5]。

2.1.2 擬合優(yōu)度檢驗(yàn)

采用AIC準(zhǔn)則（akaike information criterion）和ρ2系數(shù)評(píng)價(jià)模型的整體擬合優(yōu)度，其中AIC值越小、ρ2系數(shù)越大模型擬合效果越好。

式中：A為AIC值；p為模型中參數(shù)數(shù)量；L0為模型中僅包含常數(shù)項(xiàng)時(shí)的似然函數(shù)值。

此外，為從統(tǒng)計(jì)學(xué)角度對(duì)比分析2個(gè)模型的擬合優(yōu)劣，構(gòu)造如下統(tǒng)計(jì)量

式中：χ2為服從卡方分布的統(tǒng)計(jì)量，自由度為模型C與模型B中參數(shù)數(shù)量之差；L(B)和L(C)分別為模型B和模型C的似然函數(shù)值。

2.2 敏感性分析

通過計(jì)算事故次數(shù)對(duì)各影響因素的敏感性，可分析各因素對(duì)事故的相對(duì)影響程度。事故次數(shù)對(duì)連續(xù)變量的敏感性可用彈性系數(shù)Ek度量，計(jì)算方法為

式中：Ek的物理意義為當(dāng)變量增加1%時(shí)，事故次數(shù)的平均變化百分比；為路段i在時(shí)間t內(nèi)事故次數(shù)對(duì)該連續(xù)變量的彈性系數(shù)。

對(duì)于離散變量，其增加1%是不符合基本事實(shí)的，故其敏感性分析方法與連續(xù)變量有本質(zhì)區(qū)別。采用邊際效應(yīng)系數(shù)Dl評(píng)價(jià)事故次數(shù)對(duì)離散變量的敏感性，計(jì)算方法為

式中：Dl的物理意義為相對(duì)于基準(zhǔn)變量事故次數(shù)的平均變化值；為路段i在時(shí)間t內(nèi)事故次數(shù)對(duì)該離散變量的邊際效應(yīng)系數(shù)。

3 模型標(biāo)定結(jié)果

分別標(biāo)定了固定參數(shù)負(fù)二項(xiàng)模型及隨機(jī)參數(shù)負(fù)二項(xiàng)模型，見表2。2個(gè)模型的對(duì)數(shù)似然值（越大越好）、AIC值（越小越好）以及ρ2系數(shù)（越大越好）表明，隨機(jī)參數(shù)負(fù)二項(xiàng)模型的擬合優(yōu)度高于傳統(tǒng)的固定參數(shù)負(fù)二項(xiàng)模型。此外，構(gòu)造的χ2統(tǒng)計(jì)量取值為220，自由度為9，即在99.9%的置信水平下（χ2臨界值為27.88），隨機(jī)參數(shù)負(fù)二項(xiàng)模型的擬合效果更優(yōu)。

表2 模型標(biāo)定結(jié)果（剔除不顯著變量）Tab.2 Estimation results for models（excluded non-significant variables）

由于上述指標(biāo)均是評(píng)價(jià)模型的整體擬合優(yōu)度，為進(jìn)一步驗(yàn)證隨機(jī)參數(shù)模型對(duì)各變量的擬合效果，計(jì)算得到了模型累計(jì)殘差與各連續(xù)變量的關(guān)系，結(jié)果表明，對(duì)所有的顯著性連續(xù)變量而言，隨機(jī)參數(shù)模型的累計(jì)殘差均未超出其95%置信區(qū)間[26]，表明模型對(duì)各變量也具有較好的擬合效果。其中，累計(jì)殘差與交通量AADT的關(guān)系見圖1，累計(jì)殘差與其他連續(xù)變量的關(guān)系不再展示。

圖1 累計(jì)殘差與AADT的關(guān)系Fig.1 Cumulative Residuals versus AADT

在95%置信水平下，固定參數(shù)模型和隨機(jī)參數(shù)模型中顯著變量分別為11個(gè)和12個(gè)，即隨機(jī)參數(shù)模型能識(shí)別出更多的事故影響因素。其中，與事故次數(shù)正相關(guān)的變量有：AADT、路段長(zhǎng)度、貨車比例、車道數(shù)_3、車道數(shù)_4、平曲線曲率、縱坡坡度、縱坡方向_下坡、車轍深度；與事故次數(shù)負(fù)相關(guān)的變量有：路緣帶寬度_0.75 m、路面破損率及結(jié)構(gòu)強(qiáng)度系數(shù)。

此外，隨機(jī)參數(shù)模型識(shí)別出5個(gè)變量的參數(shù)為服從正態(tài)分布的隨機(jī)參數(shù)，分別為：路緣帶寬度_0.75 m、平曲線曲率、縱坡方向_下坡、車轍深度以及結(jié)構(gòu)強(qiáng)度系數(shù)，反映出這些變量對(duì)交通事故影響的時(shí)空異質(zhì)性。其中，路緣帶寬度_0.75 m、車轍深度以及結(jié)構(gòu)強(qiáng)度系數(shù)的參數(shù)均值在各樣本上均是保持不變的；而平曲線曲率和縱坡方向_下坡的參數(shù)均值分別受縱坡坡度和貨車比例影響，表明這些因素對(duì)交通事故的影響存在交互作用。

4 事故影響因素分析

隨機(jī)參數(shù)負(fù)二項(xiàng)模型中，事故次數(shù)對(duì)各變量的敏感性見表3。

表3 事故次數(shù)對(duì)各顯著變量的敏感性Tab.3 Sensitivities of crash for significant variables

暴露變量AADT和路段長(zhǎng)度均與事故次數(shù)正相關(guān)，其參數(shù)分別為0.299和1.029（由式（12）～（13）推導(dǎo)可知，暴露變量的參數(shù)即為其彈性系數(shù)），表明事故次數(shù)隨著交通量的增加而增加；事故次數(shù)與路段長(zhǎng)度呈近似線性關(guān)系。交通量和路段長(zhǎng)度每增加1%，事故次數(shù)將分別平均增加0.299%和1.029%。貨車比例與事故次數(shù)正相關(guān)且貨車比例每增加1%，事故次數(shù)將增加0.093%，潛在原因是：隨著貨車比例的增加，車輛間速度差增大，變道及超車等危及交通安全的行為增多，進(jìn)而導(dǎo)致更多交通事故。

單向3車道和4車道路段比單向2車道路段事故次數(shù)分別多了0.041次和0.142次，潛在原因是：車道數(shù)越多，車輛變道頻率越高，從而引發(fā)更多交通事故。

路緣帶寬度_0.75 m的參數(shù)服從均值為-0.270、標(biāo)準(zhǔn)差為0.057的正態(tài)分布，即在絕大多數(shù)情況下（＞99.99%），路緣帶為0.75 m的路段比0.5 m的路段更安全，潛在原因是：增加路緣帶寬度可在一定程度上降低內(nèi)側(cè)車道駕駛員的緊張和焦慮情緒，同時(shí)也為車輛偏離內(nèi)側(cè)車道中心線提供更多的側(cè)向凈空，進(jìn)而有利于提升交通安全水平。

平曲線曲率的參數(shù)服從正態(tài)分布，表3表明平曲線曲率每增加1%，事故次數(shù)平均增加0.079%，即整體上平曲線曲率越大（即半徑越?。?，事故數(shù)越多。此外，該參數(shù)的均值與縱坡坡度正相關(guān)（由表2可知，該參數(shù)均值為“0.192+0.031×縱坡坡度”），表明縱坡坡度的增加將顯著增加平曲線曲率的參數(shù)均值，即彎坡組合路段的事故風(fēng)險(xiǎn)明顯高于單純的平曲線路段，其符合交通安全的基本理論，同時(shí)也從側(cè)面證明了本文構(gòu)建的隨機(jī)參數(shù)模型的合理性。

由表2和表3可知，事故次數(shù)與縱坡坡度成正比，且下坡路段事故次數(shù)總體上高于上坡路段。上坡和下坡路段的縱坡坡度每增加1%，事故次數(shù)將分別增加0.068%和0.094%。此外，縱坡方向_下坡的參數(shù)服從正態(tài)分布，且其均值與貨車比例正相關(guān)（由表2可知，該參數(shù)均值為“0.046+0.102×貨車比例”），即貨車比例高的下坡路段事故風(fēng)險(xiǎn)尤其高。

路面破損率與事故次數(shù)成反比，彈性系數(shù)表明其每增加1%，事故次數(shù)反而減少了0.011%，潛在原因是：樣本中路面平均破損率僅為0.06%，最大破損率也僅為4.57%，且99.8%的樣本路面破損率小于1%，如此小的路面破損率遠(yuǎn)不足以導(dǎo)致車輛失控，反而，個(gè)別路段上路面的輕微破損會(huì)提高駕駛員的警惕性，一定程度上降低了事故風(fēng)險(xiǎn)。

車轍深度的參數(shù)服從均值為0.019、標(biāo)準(zhǔn)差為0.010的正態(tài)分布，即在97%的情況下，車轍深度的增加會(huì)導(dǎo)致更多的交通事故，彈性系數(shù)表明車轍深度每增加1%，事故次數(shù)平均增加0.054%，潛在原因是：車轍越深，車輛越難以保持預(yù)定的行車軌跡，尤其是在高速行駛或變道時(shí)，駕駛員的操作不當(dāng)可能使車輛產(chǎn)生較大的橫向偏移，不利于行車安全。但在少數(shù)情況下（3%），車轍深度反而降低了事故風(fēng)險(xiǎn)，潛在原因是：部分駕駛員（尤其是熟悉路面狀況的駕駛員）警惕性較高，從而提前減速和謹(jǐn)慎駕駛，一定程度上降低了事故風(fēng)險(xiǎn)。

結(jié)構(gòu)強(qiáng)度系數(shù)的參數(shù)服從均值為-0.020、標(biāo)準(zhǔn)差為0.044的正態(tài)分布，即多數(shù)情況下路面結(jié)構(gòu)強(qiáng)度越高越有利于行車安全，且其每增加1%，事故數(shù)平均降低0.064%，潛在原因是：結(jié)構(gòu)強(qiáng)度越高，其對(duì)車輛，尤其是重型車的承載能力越強(qiáng)，從而保證了車輛的穩(wěn)定性。

5 結(jié)束語

1）構(gòu)建了隨機(jī)參數(shù)負(fù)二項(xiàng)模型用以分析高速公路交通事故的影響因素。結(jié)果表明：相比于傳統(tǒng)的固定參數(shù)負(fù)二項(xiàng)模型，隨機(jī)參數(shù)負(fù)二項(xiàng)模型能識(shí)別出更多事故影響因素，且能更合理地揭示各因素對(duì)交通事故的影響機(jī)理；此外，由于隨機(jī)參數(shù)模型能有效刻畫各因素對(duì)事故影響的異質(zhì)性和交互作用，因此具有更好的擬合效果和較廣泛的應(yīng)用前景。

2）從交通特性、幾何線形以及路面性能方面分析了交通事故的影響因素，結(jié)果表明：交通量、路段長(zhǎng)度、貨車比例、車道數(shù)、平曲線曲率、縱坡坡度、縱坡方向和車轍深度總體上均與事故次數(shù)顯著正相關(guān)；而路緣帶寬度及結(jié)構(gòu)強(qiáng)度系數(shù)均與事故次數(shù)顯著負(fù)相關(guān)；此外，由于各路段路面破損率普遍較低，個(gè)別路段路面的輕微破損可提高駕駛員警惕性，從而降低了事故次數(shù)。

3）引入了彈性系數(shù)和邊際效應(yīng)系數(shù)，以分別量化連續(xù)變量和離散變量對(duì)事故風(fēng)險(xiǎn)的影響，結(jié)果表明：交通量、路段長(zhǎng)度、貨車比例、平曲線曲率、縱坡坡度、車轍深度和結(jié)構(gòu)強(qiáng)度系數(shù)每增加1%，事故次數(shù)將分別增加0.299%，1.029%，0.093%，0.079%，0.068%和0.054%；路面破損率以及結(jié)構(gòu)強(qiáng)度系數(shù)每增加1%，事故次數(shù)分別降低0.011%和0.064%；此外，路緣帶由0.5 m增加至0.75 m可使事故次數(shù)降低0.159次，單向3車道和4車道路段比單向2車道路段的事故次數(shù)分別多0.041次和0.142次，下坡路段比上坡路段事故次數(shù)平均多0.026次。

研究成果可為高速公路線形設(shè)計(jì)、養(yǎng)護(hù)和管理提供依據(jù)和指導(dǎo)，亦可為交通安全相關(guān)規(guī)范的修訂或編制提供參考。依據(jù)本文研究結(jié)果可知：①貨車比例較高的路段，尤其是下陡坡路段，宜通過合理分配各車道功能，降低貨車與其他車輛的交互；②車道數(shù)的增加會(huì)導(dǎo)致更多的交通事故；③路緣帶由0.5 m變?yōu)?.75 m能顯著提高行車安全性；④急彎、陡坡及其組合線形均明顯不利于交通安全；⑤路面養(yǎng)護(hù)對(duì)交通安全的影響不容忽視，將路面狀況維持在較好狀態(tài)可有效提升交通安全水平。