焦朋朋，李汝鑒，王健宇，葛浩菁，陳越

(北京建筑大學(xué)，通用航空技術(shù)北京實驗室，北京 100044）

0 引言

2018年世界衛(wèi)生組織統(tǒng)計數(shù)據(jù)顯示，全球每年約135 萬人死于道路交通事故，超50%是弱勢道路使用者：行人、自行車和摩托車騎行者，行人和自行車騎行者死亡人數(shù)占總死亡人數(shù)的26%[1]。在中國，城市交通事故傷亡人數(shù)中行人占比超過30%[2]。行人作為交通系統(tǒng)中最弱勢的參與者，其安全和風(fēng)險問題值得更加關(guān)注。為解決上述問題，前人進行了大量研究來探討影響行人傷害嚴(yán)重程度的因素，主要有以下幾個方面：社會經(jīng)濟和人口特征、行人和駕駛員特征、時間和環(huán)境特征、道路條件、碰撞類型、車輛類型等[3-4]。其中，行人年齡是一個重要的傷害風(fēng)險因素，65歲及以上的老年行人更容易在車禍中受到嚴(yán)重傷害。如Sze等[5]利用二元Logit模型從人口統(tǒng)計、碰撞、環(huán)境、交通特征這4個方面探究行人重傷和死亡的影響因素發(fā)現(xiàn)，65歲以上的老年人死亡概率更高；Yasmin 等[6]從碰撞、車輛、環(huán)境、道路設(shè)計和運營屬性、土地利用和行人特征這6 個方面探索影響行人傷害嚴(yán)重程度的重要因素，結(jié)果表明，65 歲以上的行人更容易發(fā)生致命傷害。

我國人口老齡化問題日益突出，65歲及以上老年人占比由1982年的4.9%上升到2020年的13.5%[7]。隨著年齡的增長，老年人的身體機能和感官認(rèn)知能力顯著下降，老年人更多地依賴步行作為代步工具，因此老年人的出行安全問題研究也逐漸得到重視。袁振洲等[8]采用極限梯度提升關(guān)聯(lián)規(guī)則挖掘算法，探索可能導(dǎo)致老年行人碰撞事故高發(fā)或致死的影響因素之間的關(guān)聯(lián)；Gorrie 等[9]構(gòu)建Logistic回歸模型分析老年行人的健康狀況對碰撞傷害嚴(yán)重程度的影響，結(jié)果表明，輕度認(rèn)知障礙、癡呆癥等會增大事故中的死亡概率；Kim[10]利用多項Logit模型探索造成老年行人和年輕行人碰撞事故影響因素之間的差異，結(jié)果顯示，抬高的中線、三向交叉口、行道樹，以及公園和休閑用地的使用能提高老年行人的安全性，而公交車站增加了交叉路口老年行人的撞車概率。但是很少有研究工作考慮到老年行人車禍數(shù)據(jù)中未觀察到的因素導(dǎo)致的異質(zhì)性，可能會對傷害嚴(yán)重程度產(chǎn)生不同的影響。

為減少數(shù)據(jù)異質(zhì)性，可通過聚類分析將整個數(shù)據(jù)集分成組間異質(zhì)性最大化的幾個集群。聚類分析在碰撞事故分析中廣泛應(yīng)用，常見的方法包括K-means 聚類、密度聚類、支持向量機及潛在類別聚類分析等。與其他聚類方法不同，潛在類別聚類分析是一種基于模型的方法，其使用概率模型配置類的分類與預(yù)測。雖然潛在類別聚類分析可以在一定程度上減少數(shù)據(jù)的異質(zhì)性，但集群內(nèi)部異質(zhì)性依舊存在。因此本文通過構(gòu)建每個集群的隨機參數(shù)Logit 模型以期進一步減少異質(zhì)性。隨機參數(shù)Logit 模型由傳統(tǒng)Logit 模型演化而來，克服了多項Logit 的IIA 假設(shè)前提和未能考慮個體差異性的限制[11]。

本文旨在使用潛在類別聚類分析和隨機參數(shù)Logit模型相結(jié)合的兩步法來探究導(dǎo)致老年行人與機動車碰撞事故中行人傷害嚴(yán)重程度的潛在影響因素。通過潛在類別聚類分析將碰撞數(shù)據(jù)劃分為同質(zhì)子集，為進一步檢查每個子集內(nèi)部的異質(zhì)性，再分別構(gòu)建每個子集的隨機參數(shù)Logit 模型，識別出與特定子集相關(guān)的影響因素，并據(jù)此提出相應(yīng)對策，改善老年行人出行安全現(xiàn)狀，減少因事故帶來的社會和經(jīng)濟損失。

1 數(shù)據(jù)

本文數(shù)據(jù)來源于美國公開的高速公路安全信息系統(tǒng)(HSIS)數(shù)據(jù)庫。選取北卡羅來納州2007—2019年65 歲及以上行人(老年行人)與機動車的碰撞數(shù)據(jù)，對其進行數(shù)據(jù)清洗，最終用于本文的事故總數(shù)為2851起。

原始數(shù)據(jù)將事故中的老年行人傷害嚴(yán)重程度分為5 個等級：死亡、致殘傷害、非致殘傷害、可能傷害和無傷害?？紤]到損傷的固有程度和每個等級的樣本量，將因變量老年行人受傷嚴(yán)重程度分為3 類[3-4]：重傷(死亡/致殘傷害)、輕傷(非致殘傷害)、無/可能傷害，各種事故所占比例分別為16.90%、38.06%、45.04%。根據(jù)事故記錄，從行人、駕駛員、碰撞、道路、時間和環(huán)境這5 個方面選取26 個潛在影響變量，詳細(xì)變量描述及賦值如表1所示。

表1 變量定義及賦值Table 1 Definitions and assignments of variables

2 方法

2.1 潛在類別聚類分析

潛在類別聚類分析(Latent Class Cluster Analysis,LCA)是一種基于概率模型的方法，其假定存在一個潛在類別變量，用于解釋各外顯變量間的關(guān)系，并將整個數(shù)據(jù)劃分為互斥的潛在類別。通過完成潛變量的潛在類別概率與外顯變量的條件概率兩種概率參數(shù)估計，確定最佳集群數(shù)目，進而根據(jù)潛在類別的貝葉斯后驗概率確定一起撞車事故的所屬類別。與傳統(tǒng)的聚類分析相比，LCA無需預(yù)設(shè)集群數(shù)量，最佳集群數(shù)量可由各種擬合優(yōu)度指標(biāo)確定[12]。

假設(shè)本文碰撞數(shù)據(jù)集有C個潛在類別集群，γc表示事故位于潛在類別集群c(c=1,2,…,C)的概率，稱為潛在類別概率，總和為1。每起事故i包含M個屬性，即M個外顯變量，yim表示第i起事故的第m個外顯變量(分類變量) 的水平數(shù)，yim=1,2,…,rm。ρm,rm|c表示集群c中，第m個變量水平數(shù)為rm的概率，稱為條件概率，每個外顯變量的各個作答水平的條件概率總和為1；Rm為第m個外顯變量的總水平數(shù)；I(yim=rm)為一個指示函數(shù)，當(dāng)yim=rm時，I等于1；否則，等于0。則第i起事故在所有潛在類別集群下某個可能的作答向量概率為

本文LCA 模型采用R(4.1.2 版本)中的poLCA包進行參數(shù)估計。通過對模型進行適配度檢驗，獲取擬合優(yōu)度指標(biāo)，以確定最佳集群數(shù)量。擬合優(yōu)度指標(biāo)主要包括Akaike信息準(zhǔn)則(Akaike Information Criterion,AIC)、貝葉斯信息準(zhǔn)則(Bayesian Information Criterion,BIC)、調(diào)整過的貝葉斯信息指標(biāo)(Adjusted Bayesian Information Criterion,ABIC)、一致的Akaike 信息準(zhǔn)則(Consistent Akaike Information Criterion,CAIC)和熵。

2.2 隨機參數(shù)Logit模型

通過潛在類別聚類分析，最大化集群間異質(zhì)性，但每個集群內(nèi)仍存在異質(zhì)性。因此，本文利用隨機參數(shù)Logit 模型分別對每個集群進行建模，進一步捕捉集群內(nèi)未觀察到的異質(zhì)性。設(shè)Sij為第i起事故中，行人傷害嚴(yán)重程度為j(重傷、輕傷、無/可能受傷)的效用函數(shù)為

式中：Xi為第i起事故的自變量向量；βij為自變量的估計參數(shù)向量；εij為隨機誤差項。若βij為固定參數(shù)，即自變量對每起事故傷害嚴(yán)重程度的影響均相同，隨機誤差項間相互獨立，且服從Gumble 分布，則標(biāo)準(zhǔn)的多項Logit模型為

式中：Pi(j)為第i起事故中，行人受傷嚴(yán)重程度為j的概率；J為行人受傷嚴(yán)重程度的類別數(shù)量。

若βij為隨機參數(shù)，并且服從某種分布，即βij～f(βij|θ)，f(βij|θ)為βij的概率密度函數(shù)，一般服從正態(tài)分布，θ為相應(yīng)分布的參數(shù)集合。則標(biāo)準(zhǔn)多項Logit 模型變?yōu)殡S機參數(shù)Logit 模型，其中，βij可表達(dá)為固定參數(shù)和隨機項的線性組合，即

式中：βj為對每起事故傷害嚴(yán)重程度影響均相同的固定參數(shù)；Γijνij為隨機項，其中，Γij為系數(shù)矩陣，表征各隨機參數(shù)間協(xié)方差及潛在相關(guān)性，νij為不可觀測的隨機項，其均值為0，協(xié)方差矩陣為單位矩陣。根據(jù)式(3)和式(4)，隨機參數(shù)Logit模型的概率函數(shù)為

式(5)的概率函數(shù)為非封閉型，不能直接計算求解，需采用基于計算機模擬仿真的極大似然方法進行求解。其中，對數(shù)似然函數(shù)為

式中：L為對數(shù)似然函數(shù)；yij為指示變量，當(dāng)?shù)趇起事故行人受傷嚴(yán)重程度為j時，yij為1，否則為0；r為第r次抽樣；R為總抽樣次數(shù)。將概率函數(shù)代入對數(shù)似然函數(shù)，通過極大似然法進行參數(shù)估計。

2.3 邊際效應(yīng)

式中：Pij為第i起事故行人受傷嚴(yán)重程度為j的概率。

3 結(jié)果與討論

3.1 聚類結(jié)果

不同聚類數(shù)的模型之間，IC值下降率低于1%，且熵值高于0.9(熵值范圍在0～1之間)，則該聚類數(shù)被認(rèn)為是最佳聚類數(shù)[12]。將表1中提到的所有潛在影響變量納入模型，通過指定不同集群數(shù)量(1～9)，對老年行人機動車碰撞事故進行不同模型的初步估計。圖1展示了不同集群數(shù)量下，AIC、BIC、ABIC、CAIC 和熵的值。從圖1可以看出：IC 值整體上隨著集群數(shù)量的增加而減小，在第3個集群之后，IC 值變化幅度較小，下降率由6%減少到1%以內(nèi)；此外，樣本被分為3 個集群時，模型的熵值為0.942，大于0.9，這表明3個集群能夠很好地分離數(shù)據(jù)，模型的適用性良好。因此，本文將老年行人機動車碰撞事故數(shù)據(jù)分為3個集群。

圖1 不同集群數(shù)量的信息準(zhǔn)則和熵值Fig.1 Information criteria and entropy values for different number of clusters

集群的定義可以更好地描述每個集群中的一些主導(dǎo)變量。表2展示了每個集群的樣本量及用于描述集群特征的變量分布。集群1 中74.91%的碰撞事故發(fā)生在行人穿過道路時，60.49%的事故發(fā)生在交叉口及附近15 m 范圍內(nèi)的道路上，此外52.01%的事故發(fā)生在限速[48,56]km·h-1的道路上，因此該集群可以定義為“在交叉口及附近15 m范圍內(nèi)行人穿過道路時發(fā)生的碰撞事故，道路限速[48,56]km·h-1”。同理，集群2可定義為“無交通管控的非道路區(qū)域發(fā)生的碰撞事故，限速≤24 km·h-1”。集群3 可定義為“發(fā)生在農(nóng)村地區(qū)限速≥80 km·h-1的非交叉口路段的碰撞事故”。

表2 每個集群的樣本量和特征變量分布(粗體)Table 2 Sample size and distribution of featured variables(bold)in each cluster

3.2 隨機參數(shù)Logit模型結(jié)果

采用Halton抽樣法進行模型參數(shù)估計，抽樣次數(shù)設(shè)置為1000[13]。在估計隨機參數(shù)Logit 模型時，會自行估計多項Logit 模型，并將其參數(shù)估計結(jié)果作為隨機參數(shù)Logit模型的初始值。模型收斂的對數(shù)似然函數(shù)值越大或AIC值越小，模型的擬合性能越優(yōu)。模型估計結(jié)果顯示：集群1 中，多項Logit模型、隨機參數(shù)Logit 模型的對數(shù)似然函數(shù)值分別為-1043.8、-1041.7，AIC 分別為2155.7、2153.4；集群2中，多項Logit模型、隨機參數(shù)Logit模型的對數(shù)似然函數(shù)值分別為-1155.2、-1153.0，AIC 分別為2366.4、2363.9；集群3中，由于沒有隨機參數(shù)，隨機參數(shù)Logit模型退化為多項Logit模型，對數(shù)似然值和AIC 分別為-298.4、628.8。因此集群1 和集群2中，隨機參數(shù)Logit模型的擬合性能最優(yōu)，集群3中，退化為多項Logit模型。模型顯著變量的參數(shù)估計結(jié)果如表3～表5所示。

表3 集群1中模型顯著變量的參數(shù)估計結(jié)果和平均邊際效應(yīng)Table 3 Parameter estimation results and average marginal effects of significant variables in cluster 1

表4 集群2中模型顯著變量的參數(shù)估計結(jié)果和平均邊際效應(yīng)Table 4 Parameter estimation results and average marginal effects of significant variables in cluster 2

表5 集群3中模型顯著變量的參數(shù)估計結(jié)果和平均邊際效應(yīng)Table 5 Parameter estimation results and average marginal effects of significant variables in cluster 3

隨機參數(shù)Logit 模型的參數(shù)估計結(jié)果表明，集群1 中“救護車援助”以及集群2 中“事故發(fā)生在城市”兩個變量具有隨機參數(shù)特征。集群1中，“救護車援助”變量服從均值為0.97，標(biāo)準(zhǔn)差為2.28 的正態(tài)分布，即66.64%的老年行人發(fā)生重傷事故后需要救護車援助的概率增大；集群2中，“事故發(fā)生在城市”變量服從均值為-1.09，標(biāo)準(zhǔn)差為2.34的正態(tài)分布，即相比于農(nóng)村地區(qū)，在城市中，68.08%的老年行人不易發(fā)生輕傷事故，31.92%的老年行人容易發(fā)生輕傷事故。

3.3 事故嚴(yán)重程度影響因素分析

為進一步量化各顯著因素對老年行人受傷嚴(yán)重程度的影響，本文基于模型的參數(shù)估計結(jié)果，計算各顯著變量對受傷嚴(yán)重程度影響的平均邊際效應(yīng)。具體結(jié)果如表3～表5所示。

(1)行人特征

對于需要救護車援助的事故，3 個集群中老年行人受輕傷和重傷的概率均會增加，分別增加了15.17%和16.81%、13.88%和9.78%，以及32.60%和43.33%。然而在集群1 中需要救護車救助的人車碰撞事故對嚴(yán)重傷害具有隨機效應(yīng)，在集群2和集群3 中只有固定效應(yīng)，這表明，通過潛在類別聚類分析，該變量在集群2 和集群3 中的異質(zhì)性被明確消除。

正面描寫是通過對人物的肖像、動作、語言、心理、神態(tài)等的直接描寫，正面描寫能生動形象地表現(xiàn)人物鮮明的個性特征。如在《荊軻刺秦王》中對荊軻的描寫：“荊軻顧笑武陽，前為謝曰：‘北蠻夷之鄙人，未嘗見天子，故振懾，愿大王少假借之，使畢使于前?！蓖ㄟ^對荊軻的動作、神態(tài)、語言、表情等的描寫，表現(xiàn)荊軻沉穩(wěn)機智、能言善辯的特點。又如荊軻在刺秦王失敗時“倚柱而笑，箕踞以罵”，讓人如見其形、如聞其聲，將荊軻視死如歸的形象栩栩如生地展現(xiàn)在讀者面前。

集群1中，酒后老年行人發(fā)生重傷事故的概率增加了1.03%，可能原因是在酒精的影響下，行人避讓車輛的判斷力減弱。集群2 中，相比于女性，男性老年行人發(fā)生輕傷事故的概率減少了2.39%。

集群1中，[75,85)歲老年行人重傷事故概率增大了1.80%。集群1和集群2中，≥85歲的老年行人發(fā)生輕傷和重傷事故的概率均有所增加，分別增加了0.75%和0.89%，以及1.96%和0.64%。潛在原因是隨著年齡的增長，尤其高齡行人，其身體機能衰退，思維行動遲緩，在發(fā)生事故之后容易受傷甚至死亡[14]。

(2)駕駛員特征

集群1 中，≥65 歲駕駛員開車致老年行人受輕傷的概率增加1.39%。此外，相比女性駕駛員，男性駕駛員駕車致老年行人發(fā)生重傷事故的概率增加4.03%，這一發(fā)現(xiàn)與董傲然等[15]的研究結(jié)果一致。可能原因是車輛行駛時，男性駕駛員更趨向于放松、膽大、冒進，未能及時識別行人橫穿道路等突發(fā)狀況，導(dǎo)致嚴(yán)重事故發(fā)生的概率較高。

集群2中，[45,65)歲駕駛員開車致使老年人受輕傷和重傷的概率均有所降低，分別降低了1.75%和1.10%，可能原因是該年齡階段的駕駛員健康狀態(tài)良好，更傾向于擁有較長時間的駕齡，駕駛經(jīng)驗豐富，技能嫻熟，突發(fā)狀況時能更穩(wěn)定的處置，降低事故風(fēng)險。此外，駕駛員受傷的人車碰撞事故，老年行人受重傷的概率會增加0.48%。

(3)碰撞特征

集群1中，老年行人穿過道路時發(fā)生輕傷事故的概率增加6.13%；集群3 中，倒車時發(fā)生碰撞，老年行人受重傷的概率下降63.65%；此外在集群2中，相比于小轎車，駕駛車輛是小卡車時，老年行人受輕傷和重傷的概率分別增加1.49%、1.25%，可能原因是小卡車整體上沒有小轎車輕便，車的慣性較大，制動距離較長，駕駛操控性較差，容易造成重傷事故[15]。

(4)道路特征

所有類別為道路特征的變量在集群2 中均不顯著，主要原因是集群2 中的事故是“無交通管控的非道路區(qū)域發(fā)生的碰撞事故”。

集群1中，相比于交叉口及附近15 m 范圍，非交叉口路段行人發(fā)生輕傷和重傷事故的概率增加了3.91%、4.44%，可能原因是非交叉口路段路況簡單，不受交通管控，車速較快，碰撞動能較大，且行人容易不遵守規(guī)則橫穿路面。相比于限速≤24 km·h-1的道路，限速[32,40]km·h-1、[48,56]km·h-1、[64,72]km·h-1、≥80 km·h-1的道路，發(fā)生受傷事故的概率均明顯提高，前人也得出類似的結(jié)論，更高的限速可能導(dǎo)致更嚴(yán)重的受傷[16]。

集群3 中，交通管控條件下，老年行人輕傷概率增加15.42%，可能原因是集群3中92.41%的事故發(fā)生在農(nóng)村地區(qū)，交通管控、執(zhí)法相對寬松，交通法規(guī)教育普及度不夠，駕駛員和行人容易違反規(guī)則造成受傷事故。

(5)時間和環(huán)境特征

相比于農(nóng)村，城市地區(qū)發(fā)生受傷事故的概率有所降低，集群1中行人受重傷的概率降低9.14%，集群2 中行人受輕傷和重傷的概率分別降低4.10%、3.31%，其中集群2 中發(fā)生在城市的事故對輕傷具有隨機效應(yīng)。潛在原因是城市道路設(shè)施完善，路況良好，限速較低，致使行人受傷的概率下降。

相比于白天，夜晚有燈照明的條件下，集群1發(fā)生輕傷和重傷事故的概率分別增加了1.77%、4.74%，集群2 發(fā)生重傷事故的概率增加了1.08%，此外集群1 中，夜晚無路燈照明時重傷概率增加1.87%，集群2 中黃昏或黎明時段發(fā)生重傷事故的概率增加了0.47%。潛在原因是，即使有路燈照明的夜晚，照明條件也遠(yuǎn)差于白天，環(huán)境能見度較低，駕駛員和行人視距變短，不能有效掌握路況信息，同時夜晚人體容易疲憊或困倦，反應(yīng)速度減慢，容易發(fā)生重傷事故。

集群2 中，相比于工作日，周末行人受重傷的概率減少0.61%；相比于商業(yè)區(qū)，事故發(fā)生在農(nóng)林牧業(yè)區(qū)時，行人受輕傷和重傷的概率分別增加了1.85%、1.69%；相比于沿海地區(qū)，山麓區(qū)域行人受重傷的概率增加2.71%，潛在原因是相對于沿海區(qū)域，山麓道路等級較低，道路線形復(fù)雜，容易發(fā)生重傷事故。

相比于采用傳統(tǒng)Logit模型的行人事故致因分析，或是基于梯度關(guān)聯(lián)規(guī)則的老年行人事故影響因素關(guān)聯(lián)關(guān)系探索，本文更側(cè)重分析數(shù)據(jù)未觀察到的異質(zhì)性可能對受傷嚴(yán)重程度產(chǎn)生的不同影響，著重揭示集群之間存在的顯著差異。其中，在交叉口附近行人橫穿道路時(集群1)應(yīng)格外注意≥75 歲飲酒老人的出行安全，同時男性駕駛員、非交叉口路段、道路限速≥48 km·h-1和夜晚這些因素更容易導(dǎo)致重傷事故的發(fā)生；在無管控的非道路區(qū)域(集群2)，≥85 歲老年人、小卡車、農(nóng)林牧業(yè)區(qū)、黃昏、黎明、夜晚、山麓地區(qū)這些因素會增大行人發(fā)生重傷事故的概率；在農(nóng)村地區(qū)非交叉口路段(集群3)交通標(biāo)志及交通信號附近行人更容易發(fā)生輕傷事故。此外，本文分析結(jié)果中涉及的救護車援助、駕駛員受傷、倒車或行人橫穿道路時發(fā)生碰撞、交通管控、事故發(fā)生區(qū)用地類型、地形條件、發(fā)展程度等因素，在已有的研究分析中較少出現(xiàn)。

4 結(jié)論

基于潛在類別聚類分析，本文將老年行人碰撞數(shù)據(jù)聚類為3 個集群，分別為交叉口/橫穿道路(集群1)、無管控/非道路區(qū)域(集群2)、農(nóng)村/非交叉口路段(集群3)。逐一進行隨機參數(shù)Logit建模，探討老年行人受傷嚴(yán)重程度影響因素在不同集群中的異同，主要結(jié)論如下。

(1)潛在類別聚類分析一定程度消除了數(shù)據(jù)的異質(zhì)性，集群3內(nèi)未發(fā)現(xiàn)隨機參數(shù)。隨機參數(shù)Logit模型較多項Logit擬合優(yōu)度更高，其在集群1和集群2中分別發(fā)現(xiàn)救護車援助和事故發(fā)生在城市兩個隨機參數(shù)變量，進一步捕捉到了群組內(nèi)未觀察到的異質(zhì)性。

(2)集群間的共有顯著變量：所有集群，尤其集群3(農(nóng)村地區(qū))，需要救護車援助的事故，行人受傷的概率會顯著增加(邊際效應(yīng)從9.78%到43.33%)；集群1和集群2中，≥75歲高齡老人、能見度較低的黃昏、黎明和夜晚、農(nóng)村地區(qū)這些因素增加了老年行人受重傷的概率(邊際效應(yīng)從0.47%到9.14%)。因此提高醫(yī)療服務(wù)的可達(dá)性、高齡老人的特殊保護、規(guī)范和改善道路照明條件、完善農(nóng)村地區(qū)道路交通設(shè)施是提高老年行人出行安全的共有關(guān)鍵因素。

(3)集群間的特有顯著變量：集群1 中，行人穿過道路時發(fā)生碰撞、非交叉口路段、限速≥32 km·h-1、飲酒行人、≥65 歲男性駕駛員，這些因素會增加老年行人受傷的概率(邊際效應(yīng)從1.02%到20.55%)。建議于橫穿道路區(qū)域中間加設(shè)護欄，防止行人隨意穿行；交叉口附近需警示駕駛員減速行駛，禮讓行人。集群2 中，事故發(fā)生在山麓或農(nóng)林牧業(yè)區(qū)、駕駛員受傷、小卡車這些因素會增加老年行人受重傷的概率(邊際效應(yīng)從0.48%到2.71%)，提示在無管控/非道路區(qū)域中著重加強山麓及農(nóng)林牧業(yè)區(qū)的交通管理。集群3中，交通管控時行人受輕傷的概率增加15.42%，建議農(nóng)村地區(qū)/非交叉口路段嚴(yán)格實施交通管控時交通執(zhí)法，引導(dǎo)老年行人和駕駛員遵守交通規(guī)則。