李小剛，田畢江，楊文臣，李 薇，岳 松

(1. 云南交投公路建設(shè)第一工程有限公司，云南 昆明 650034；2.云南省交通規(guī)劃設(shè)計(jì)研究院有限公司 陸地交通氣象災(zāi)害防治技術(shù)國家工程實(shí)驗(yàn)室，云南 昆明 650200)

0 引言

山區(qū)雙車道公路是連接城市與鄉(xiāng)鎮(zhèn)的重要通道，由于山區(qū)雙車道公路各種交通方式混行、行車環(huán)境極其復(fù)雜，且具有影響行車安全的平面交叉口、接入口、穿村鎮(zhèn)路段等不利因素，同時(shí)缺乏中央分隔帶等交通安全設(shè)施，道路安全性能較低。摩托車作為山區(qū)居民出行的主要交通工具，占山區(qū)城鎮(zhèn)居民出行方式的比例高達(dá)30%～50%[1]。受自身性能和道路環(huán)境限制，極易引發(fā)安全事故。據(jù)統(tǒng)計(jì)，與其他機(jī)動(dòng)化道路使用者相比，摩托車駕駛員通常因在撞車事故中缺乏保護(hù)而導(dǎo)致更高的死亡率和受傷率，全球大約25%的道路交通死亡事故發(fā)生在摩托車事故中[2]。根據(jù)《統(tǒng)計(jì)年鑒2021》，2020年我國共發(fā)生45 789起摩托車交通事故，占交通事故總數(shù)的10.14%。其中，摩托車交通事故受傷人數(shù)為53 582人，死亡人數(shù)為10 463人，占比為18.67%，山區(qū)公路上與摩托車有關(guān)的事故占比約為25%。可見，山區(qū)公路摩托車交通安全問題已成為重大的民生問題，亟需展開研究，以制訂有效對策來改善農(nóng)村地區(qū)摩托車交通安全水平。

國內(nèi)外已有大量學(xué)者開展了關(guān)于交通事故嚴(yán)重程度影響因素方面的研究，但研究對象主要聚焦于數(shù)據(jù)較為豐富的高速公路和城市道路，研究方法多采用離散選擇統(tǒng)計(jì)模型剖析交通事故嚴(yán)重程度的影響因素，如二分類回歸法[3]、多分類回歸法[4]、有序回歸法[5]及隨機(jī)森林法[6]等。針對摩托車事故嚴(yán)重程度影響因素分析，Wang等[7]以佛羅里達(dá)州摩托車單車碰撞事故為基礎(chǔ)，分別建立了有序Logit回歸、異構(gòu)選擇模型及廣義有序選擇回歸模型分析水平曲線對事故傷害嚴(yán)重程度的影響，發(fā)現(xiàn)曲線半徑越大事故嚴(yán)重程度越小。Allen等[8]采用有序Logistics模型研究摩托車事故影響因素，發(fā)現(xiàn)駕駛員預(yù)判錯(cuò)誤和危險(xiǎn)駕駛行為是導(dǎo)致摩托車事故的最主要原因。溫惠英等[9]基于美國印第安納州部城市道路的10 a摩托車單車碰撞事故數(shù)據(jù)，構(gòu)建巢式Logit模型首次分析了單起摩托車碰撞事故嚴(yán)重程度影響因素，發(fā)現(xiàn)駕駛員性別、年齡、是否使用頭盔、是否酒駕、是否超速、是否發(fā)生在農(nóng)村地區(qū)等與摩托車事故嚴(yán)重程度顯著相關(guān)。當(dāng)前，國內(nèi)外學(xué)者主要以城市道路的摩托車事故為研究對象，對山區(qū)公路上的摩托車事故特征及影響因素關(guān)聯(lián)關(guān)系的認(rèn)識(shí)較為缺乏。秦雅琴等[10]最先關(guān)注了山區(qū)公路摩托車事故，采用傳統(tǒng)有序Logit 模型建立了摩托車事故嚴(yán)重度分析模型，為防治干線公路摩托車交通事故提供了一定依據(jù)。

但是，現(xiàn)有山區(qū)公路摩托車事故嚴(yán)重程度影響因素分析模型均假設(shè)解釋變量對每起事故的影響具有一致性。實(shí)際上，每個(gè)個(gè)體的結(jié)果對解釋變量的反應(yīng)是不同的，因此不能被認(rèn)為是固定的。此外，交通事故的發(fā)生是人、車、路和環(huán)境中的多個(gè)因素相互作用引發(fā)的結(jié)果。而事故調(diào)查無法全面記錄與事故相關(guān)的所有影響因素，這些因素會(huì)影響參數(shù)估計(jì)和模型預(yù)測的準(zhǔn)確性和合理性[11]。為了捕捉不同事故之間的異質(zhì)性，隨機(jī)參數(shù)模型逐漸被廣泛應(yīng)用在交通安全領(lǐng)域。Dinu等[12]首次將隨機(jī)參數(shù)模型引入農(nóng)村雙車道公路事故嚴(yán)重程度估計(jì)研究中，并得出考慮異質(zhì)性的隨機(jī)參數(shù)模型相較于傳統(tǒng)統(tǒng)計(jì)模型具有更佳的模型擬合效果。Chang等[13]提出了一種結(jié)合潛在類別聚類分析和隨機(jī)參數(shù)Logit模型的二階段法，對湖南省摩托車碰撞數(shù)據(jù)進(jìn)行了分析，發(fā)現(xiàn)性別、是否搭載乘客及事故發(fā)生日等因素對摩托車事故嚴(yán)重程度存在異質(zhì)性效應(yīng)。國內(nèi)學(xué)者對交通事故數(shù)據(jù)異質(zhì)性的研究較少，李俊輝等[14]以2016年美國德克薩斯州3 476起貨車翻車事故為研究對象，構(gòu)建了貨車翻車駕駛員傷害嚴(yán)重程度混合有序Probit 模型，發(fā)現(xiàn)混合有序Probit模型能捕捉到男性、飲酒等隨機(jī)參數(shù)的異質(zhì)性效應(yīng)。朱彤等[15]采用隨機(jī)參數(shù)模型分析了16個(gè)影響因素與公交車碰撞事故責(zé)任之間的定量關(guān)系，發(fā)現(xiàn)隨機(jī)參數(shù)模型可以很好地解釋數(shù)據(jù)中未觀測到的異質(zhì)性。

綜上所述，國內(nèi)外學(xué)者在摩托車交通事故嚴(yán)重度影響因素分析研究方面取得了一定成果，但城市道路與山區(qū)公路在交通事故特征及其影響因素等方面顯著不同，且國內(nèi)與國外的交通環(huán)境存在一定差異。同時(shí)，現(xiàn)有常用的統(tǒng)計(jì)分析模型存在數(shù)據(jù)同質(zhì)性假設(shè)，無法刻畫事故數(shù)據(jù)中的異質(zhì)性，導(dǎo)致模型估計(jì)出現(xiàn)偏差。因此，有必要針對我國山區(qū)公路摩托車事故嚴(yán)重程度進(jìn)行深入研究。為同時(shí)考慮事故嚴(yán)重程度的有序特性和異質(zhì)性，本研究以2012—2017年發(fā)生在云南省楚雄市Y公路的504起摩托車交通事故為研究對象，采用RP-OP建立摩托車交通事故嚴(yán)重程度異質(zhì)性分析模型，并與OP模型進(jìn)行對比，以較為完善的參數(shù)估計(jì)與檢驗(yàn)體系驗(yàn)證模型的有效性和準(zhǔn)確性，得到更符合影響山區(qū)雙車道公路摩托車事故嚴(yán)重程度的顯著變量。最后結(jié)合彈性分析法確定不同顯著自變量對摩托車不同等級事故嚴(yán)重程度的影響，以期有助于識(shí)別影響山區(qū)雙車道公路摩托車交通事故嚴(yán)重程度的關(guān)鍵因素，為有關(guān)管理部門制訂交通安全改善措施提供一定的理論依據(jù)。

1 數(shù)據(jù)描述

1.1 數(shù)據(jù)說明

選取云南省山區(qū)雙車道公路Y為研究對象，該公路按照二級公路標(biāo)準(zhǔn)建設(shè)，全長162.03 km，設(shè)計(jì)速度為60 km/h，路基寬8.5 m，平曲線最小半徑200 m，最大縱坡為6%，無中央分隔欄，路面均為改性瀝青混凝土路面，年均日交通量為2 215 pcu/d。該山區(qū)公路路側(cè)接入口密度大，且位置隱蔽、視距不良。全線村鎮(zhèn)分布較多，路側(cè)無隔離防護(hù)設(shè)施，行人牲畜易橫穿道路，行車環(huán)境極其復(fù)雜，屬于典型的山區(qū)雙車道公路。

以該公路2012—2017年間發(fā)生的交通事故為研究對象，數(shù)據(jù)來源于該市交通管理部門統(tǒng)計(jì)匯總的格式化交通事故報(bào)表，所有事故調(diào)查均由一線有經(jīng)驗(yàn)的交警記錄上報(bào)。事故數(shù)據(jù)記錄(示例)如表1所示，包含簡易程序事故和一般程序事故的發(fā)生時(shí)間、事故地點(diǎn)、受傷人數(shù)、天氣、事故認(rèn)定原因、事故概況等要素。2012—2017年Y公路共發(fā)生2 234起交通事故，其中涉及摩托車的交通事故517起，占比達(dá)23.14%。經(jīng)過對摩托車事故數(shù)據(jù)進(jìn)行編碼、賦值處理，剔除事故位置信息定位不準(zhǔn)確、記錄信息不全等數(shù)據(jù)13起，最終保留504起摩托車交通事故。

表1 交通事故數(shù)據(jù)記錄信息(示例)Tab.1 Traffic accident data recording information (case)

1.2 數(shù)據(jù)處理

1.2.1 因變量構(gòu)建

《道路交通管理信息采集規(guī)范》(GA/T 946.3—2011)[16]按人身傷亡或財(cái)產(chǎn)損失程度將交通事故嚴(yán)重程度劃分為4個(gè)等級：死亡事故、重傷事故、輕傷事故和財(cái)產(chǎn)損失事故。然而，由于我國交通事故統(tǒng)計(jì)信息與醫(yī)院交通事故受傷報(bào)告間缺乏信息共享，故無法對受傷程度進(jìn)行等級劃分。因此，本研究參照《道路交通管理信息采集規(guī)范》，綜合已有研究[6]，將摩托車交通事故嚴(yán)重程度劃分為輕微(Ⅰ)、嚴(yán)重(Ⅱ)和惡性(Ⅲ)3個(gè)等級，如表2所示，各嚴(yán)重程度下的事故占比分別17.06%，77.78%和5.16%。

表2 山區(qū)雙車道公路摩托車交通事故嚴(yán)重程度劃分標(biāo)準(zhǔn)Tab.2 Classification criteria of motorcycle traffic accident severity on two-lane mountainous highway

1.2.2 自變量選取

交通事故是由多重復(fù)雜因素的導(dǎo)致的意外事件，事故原因涉及駕駛員、車輛狀況、道路條件及環(huán)境情況等方面。根據(jù)山區(qū)公路摩托車事故時(shí)空分布特征(圖1)可發(fā)現(xiàn)摩托車事故季節(jié)分布具有規(guī)律性，冬季事故率最高，秋季事故率最低；平直路段事故率最高，但就事故嚴(yán)重程度而言，平曲路段惡性事故最高，占惡性事故數(shù)的46.15%。

圖1 摩托車事故分布Fig.1 distributions of motorcycle accident

在此基礎(chǔ)上，綜合山區(qū)雙車道公路既有事故數(shù)據(jù)中可提取的有效信息、線形設(shè)計(jì)數(shù)據(jù)和實(shí)地調(diào)研情況，從摩托車駕駛員(包括年齡、性別、操作行為、是否有責(zé))、車輛(包括涉事車型)、道路(包括平曲線、豎曲線要素、交叉口)、環(huán)境(包括季節(jié)、工作日、光線、路表)和事故信息(包括碰撞類型)5個(gè)方面，選取16個(gè)可能影響山區(qū)雙車道公路摩托車事故嚴(yán)重程度的潛在影響因素進(jìn)行研究。各分類變量特征及描述性統(tǒng)計(jì)信息如表3所示。

表3 自變量的定義與描述性統(tǒng)計(jì)Tab.3 Definition and descriptive statistics of independent variables

續(xù)表3

2 模型構(gòu)建

2.1 隨機(jī)參數(shù)有序Probit模型

(1)

式中,Xi為自變量向量；βi為系數(shù)向量；εi為誤差項(xiàng)。

摩托車事故的嚴(yán)重程度yi定義為：

(2)

式中，j(j=0,1，…，J)為事故嚴(yán)重程度等級，本研究j有3個(gè)等級，j=0為輕微事故；j=1為嚴(yán)重事故；j=2為惡性事故，由閾值參數(shù)μi,j確定；μi,j為判斷閾值的割點(diǎn)，是交通事故嚴(yán)重程度分級點(diǎn)。

不同等級的摩托車事故嚴(yán)重程度概率計(jì)算公式可表示為：

(3)

式中，p(y=i)為第i起事故發(fā)生事故的概率；Φ為概率密度參數(shù)向量；μi,1為第i起嚴(yán)重事故(j=1)的分級點(diǎn)。

根據(jù)現(xiàn)有研究[13]，在每個(gè)系數(shù)上加上1個(gè)服從正態(tài)分布的隨機(jī)誤差項(xiàng)解釋個(gè)體異質(zhì)性。RP-OP模型的第k個(gè)解釋變量對第i起事故的隨機(jī)效應(yīng)計(jì)算公式為：

(4)

式中，β′ki為隨機(jī)系數(shù)向量；βki為系數(shù)向量；σi為隨機(jī)誤差項(xiàng)向量，采用Halton最大似然估計(jì)得到。

2.2 模型彈性分析

由于OP模型與RP-OP模型參數(shù)估計(jì)值不能定量解釋變量影響效應(yīng)，本研究采用彈性系數(shù)和邊際效應(yīng)值量化變量對因變量的影響程度，彈性系數(shù)計(jì)算公式為：

(5)

式中，Xjk為事故嚴(yán)重程度等級j的第k個(gè)顯著變量。但彈性系數(shù)僅適用于連續(xù)變量，對于分類變量而言，概率不能由分類值微分直接得到，可通過式(6)計(jì)算分類變量的偽彈性值[18]。

(6)

2.3 模型評價(jià)

為測試模型有效性，選取對數(shù)似然比(Log-likelihood Ratio，LR)和赤池信息準(zhǔn)則(Akaike Information Criterion，AIC)檢驗(yàn)山區(qū)雙車道公路摩托車事故嚴(yán)重程度OP模型和RP-OP模型的擬合優(yōu)度及其差異性[11]，計(jì)算式分別為：

LR=2[LL(βrandom)-LL(βfixed)]，

(7)

AIC=2k-2lnL，

(8)

式中，LL(βrandom)為RP-OP模型收斂時(shí)的對數(shù)似然值；LL(βfixed)為OP模型收斂時(shí)的對數(shù)似然值。似然比服從卡方分布，其自由度等于2個(gè)模型的參數(shù)差；k為模型參數(shù)數(shù)量；L為似然函數(shù)。AIC越小，卡方值越高，模型擬合優(yōu)度越高[11]。

3 實(shí)證分析

3.1 參數(shù)估計(jì)

本研究使用Nlogit5.1進(jìn)行模型求解，選取顯著性水平為0.05，并采用逐步回歸法確定顯著變量，模型估計(jì)結(jié)果如表4所示。

從表4可以看出，在滿足95%置信水平條件下，發(fā)現(xiàn)摩托車駕駛員性別、操作行為、摩托車駕駛員是否有責(zé)、是否是節(jié)假日、是否是黃昏或夜晚、路面是否潮濕、是否涉及貨車及是否屬于交叉口路段共8個(gè)變量與山區(qū)雙車道公路摩托車事故嚴(yán)重程度顯著相關(guān)。其中，女性駕駛員、超車、摩托車、黃昏或夜晚、路面潮濕和涉及貨車7個(gè)變量與事故嚴(yán)重程度呈正相關(guān)關(guān)系，交叉口路段與事故嚴(yán)重程度呈負(fù)相關(guān)關(guān)系。

表4 OP模型和RP-OP模型的估計(jì)結(jié)果Tab.4 Estimation result by OP model and RP-OP model

由模型檢驗(yàn)結(jié)果可知，構(gòu)建山區(qū)雙車道公路摩托車碰撞嚴(yán)重程度預(yù)測模型時(shí)，固定參數(shù)和隨機(jī)參數(shù)模型間擬合優(yōu)度存在較大差異，考慮異質(zhì)性的RP-OP模型較OP模型擬合效果更好。具體地，RP-OP模型對數(shù)似然值從-274.954提高至-278.238，RP-OP模型的AIC值從575.9下降至576.5。同時(shí)，利用2個(gè)模型收斂時(shí)對數(shù)似然值構(gòu)造似然比統(tǒng)計(jì)量LR值為6.567，大于6.251(自由度為3時(shí)，90%顯著性水平下的卡方臨界值)。表明RP-OP模型適應(yīng)度高于OP模型，具有較高的擬合度。

基于OP模型參數(shù)估計(jì)結(jié)果，將OP模型中8個(gè)顯著變量作為RP-OP模型的侯選變量，并假定為隨機(jī)參數(shù)。運(yùn)用Halton抽樣法(抽樣次數(shù)為200)對各顯著變量進(jìn)行正態(tài)分布模擬仿真。RP-OP模型結(jié)果顯示，OP模型中的8個(gè)變量在RP-OP模型中均顯著，且除事故發(fā)生日變量外，各變量的顯著性水平均達(dá)到99.99%。女性、駕駛員超車不當(dāng)及是否有貨車參與3個(gè)變量參數(shù)為隨機(jī)參數(shù)。

3.2 影響因素分析

基于RP-OP模型的估計(jì)結(jié)果，根據(jù)式(5)～(6)計(jì)算得到8個(gè)顯著變量的邊際效應(yīng)值(表5)，解釋各變量對山區(qū)雙車道公路摩托車事故嚴(yán)重程度的影響方向和強(qiáng)度。

(1)摩托車駕駛員屬性

從表4發(fā)現(xiàn)，摩托車駕駛員是否有責(zé)與摩托車事故嚴(yán)重程度顯著相關(guān)。根據(jù)表5進(jìn)一步得出，摩托車駕駛員有責(zé)會(huì)造成嚴(yán)重事故和惡性事故的概率分別增加7.68%和2.43%，對應(yīng)輕微事故的概率減小110.11%。主要由于山區(qū)雙車道公路彎道多、坡度大、無隔離設(shè)施，摩托車駕駛員采取逆行、超車、不按規(guī)定會(huì)車等危險(xiǎn)駕駛行為時(shí)，往往會(huì)在道路上導(dǎo)致更高的事故風(fēng)險(xiǎn)及嚴(yán)重程度。

表5 RP-OP模型中自變量的邊際效應(yīng)Tab.5 Marginal effect of independent variables in RP-OP model

(2)行車環(huán)境屬性

事故發(fā)生在節(jié)假日的參數(shù)估計(jì)值為0.327，說明碰撞發(fā)生在節(jié)假日時(shí)，會(huì)增加事故嚴(yán)重程度的發(fā)生概率。根據(jù)表5可知，節(jié)假日導(dǎo)致嚴(yán)重和惡性碰撞的概率分別增加4.22%和1.09%。原因是雙車道農(nóng)村公路是連接鄉(xiāng)鎮(zhèn)和縣城的關(guān)鍵道路，縣城或鄉(xiāng)鎮(zhèn)的學(xué)生或就業(yè)人員通常選擇在周五和周日往返村鎮(zhèn)和縣城，導(dǎo)致節(jié)假日交通流量顯著增加，進(jìn)一步增加了雙車道農(nóng)村公路上摩托車事故風(fēng)險(xiǎn)。

事故發(fā)生時(shí)光線條件的參數(shù)估計(jì)值為1.568，表明黃昏或夜晚相較于其他駕駛時(shí)間，更傾向于發(fā)生嚴(yán)重/惡性事故。具體地，黃昏或夜晚發(fā)生輕微和嚴(yán)重事故的概率分別降低14.27%和10.61%，而發(fā)生惡性事故的概率將增加24.84%。因?yàn)樯絽^(qū)雙車道公路線形條件復(fù)雜，且沒有照明條件，導(dǎo)致駕駛員視距變短，沒有足夠的反應(yīng)時(shí)間，顯著增加了嚴(yán)重事故的發(fā)生概率。

相比干燥的路面狀況，潮濕路面更容易發(fā)生惡性事故。潮濕路面導(dǎo)致輕微事故的概率降低6.45%，嚴(yán)重事故和惡性事故的概率分別增加63.07%和1.45%。其原因是在濕滑的路面條件下，道路摩擦力大幅下降，操作不當(dāng)?shù)那闆r下車輛易出現(xiàn)失控打滑現(xiàn)象，導(dǎo)致車身側(cè)翻、連續(xù)追尾等事故發(fā)現(xiàn)，增加事故嚴(yán)重程度。

(3)道路屬性

交叉口路段參數(shù)估計(jì)值為-0.515，表明接入口路段對摩托車事故嚴(yán)重程度具有顯著的負(fù)效應(yīng)。根據(jù)前文事故位置分布統(tǒng)計(jì)，發(fā)現(xiàn)交叉口周圍事故多發(fā)，死傷事故次數(shù)較為集中。但通過模型檢驗(yàn)，交叉口路段引發(fā)嚴(yán)重和惡性交通事故的概率分別減小13.01%和1.28%，輕微事故的概率增大14.29%，表明交叉口并未增大山區(qū)雙車道公路的摩托車事故嚴(yán)重程度。其原因可能是摩托車駕駛員對交叉口危險(xiǎn)源更加敏感，往往會(huì)降低速度謹(jǐn)慎駕駛，因此降低事故的嚴(yán)重程度。

3.3 異質(zhì)性結(jié)果分析

在摩托車駕駛員性別方面，隨機(jī)參數(shù)異質(zhì)性結(jié)果顯示(表4)，女性變量對應(yīng)系數(shù)服從(0.721，0.9872)的正態(tài)分布。根據(jù)正態(tài)分布累計(jì)概率計(jì)算結(jié)果可知(圖2)，相比男性駕駛員，山區(qū)雙車道公路上76.73%的女性摩托車駕駛員發(fā)生嚴(yán)重事故的概率高于男性。由邊際效應(yīng)結(jié)果可知(表5)，女性摩托車駕駛員發(fā)生嚴(yán)重事故和惡性事故的概率分別增加了5.78%和4.54%，同時(shí)輕微事故的概率降低了10.32%。這與Chang等[13]研究結(jié)論一致。摩托車駕駛員性別對事故嚴(yán)重程度的異質(zhì)性效應(yīng)是由人體生、心理多種因素共同作用導(dǎo)致，包括感知/反應(yīng)時(shí)間、駕駛經(jīng)驗(yàn)、對道路的注意力、視力、體重、身高等。

圖2 女性參數(shù)的正態(tài)分布圖Fig.2 Normal distribution of female parameter

就摩托車駕駛員操作行為而言，駕駛員超車不當(dāng)變量對應(yīng)系數(shù)服從(0.432，0.3442)正態(tài)分布。累積頻率結(jié)果(圖3)表明，山區(qū)雙車道公路89.62%的摩托車駕駛員因超車不當(dāng)發(fā)生嚴(yán)重事故的概率高于其他操作行為，而對于10.38%的駕駛員超車不當(dāng)則會(huì)降低嚴(yán)重事故的可能性，揭示了摩托車駕駛員超車不當(dāng)?shù)漠愘|(zhì)性。表5顯示，超車不當(dāng)增加了發(fā)生嚴(yán)重和惡性事故的風(fēng)險(xiǎn)，分別增加了5.55%和1.94%，輕微事故的可能性降低了7.49%。這種異質(zhì)性可能是由摩托車駕駛員不同的駕駛習(xí)慣導(dǎo)致。雙車道上超車是較為危險(xiǎn)的駕駛行為，駕駛?cè)诵栌^察本車道和對向車道的車輛，以保持安全距離。如果超車不當(dāng)，易引發(fā)正向碰撞、追尾、刮擦等交通事故，但當(dāng)駕駛經(jīng)驗(yàn)豐富的駕駛員或最近發(fā)生事故的駕駛員超車時(shí)往往會(huì)產(chǎn)生風(fēng)險(xiǎn)補(bǔ)償行為，以避免在超車時(shí)出現(xiàn)高風(fēng)險(xiǎn)情況。

圖3 超車不當(dāng)參數(shù)的正態(tài)分布Fig.3 Normal distribution of improper overtaking parameter

在事故車型方面，事故涉及貨車變量對應(yīng)系數(shù)服從(0.723，0.5622)的正態(tài)分布。參見圖4，與不涉及貨車的摩托車事故相比，90.15%涉及貨車時(shí)發(fā)生嚴(yán)重或惡性交通事故的概率大大增加，表明貨車對摩托車事故嚴(yán)重程度的影響存在異質(zhì)性效應(yīng)。從邊際效應(yīng)結(jié)果(表5)可以看出，貨車-摩托車導(dǎo)致嚴(yán)重和惡性事故的概率分別增加5.76%和4.57%，輕微事故的可能性降低10.34%。表明大多數(shù)與貨車的碰撞更有可能導(dǎo)致摩托車事故嚴(yán)重程度的增加。此差異性結(jié)果可歸因于貨車車身高、體積大、盲區(qū)廣、載重多，駕駛?cè)诵熊囘^程中稍不注意往往易引發(fā)嚴(yán)重的交通事故。同時(shí)山區(qū)雙車道公路彎道多、線形復(fù)雜，且摩托車穩(wěn)定性較差，在發(fā)生撞車事故時(shí)摩托車駕駛員完全暴露于環(huán)境中，導(dǎo)致摩托車駕駛員更容易受到惡性傷害。

圖4 涉及貨車參數(shù)正態(tài)分布Fig.4 Normal distribution of involving truck parameter

4 結(jié)論

本研究以2012—2017年云南省楚雄州Y公路504起摩托車碰撞事故為研究對象，從人、車、路、環(huán)境和事故5個(gè)方面選取了16個(gè)潛在影響因素作為候選自變量，以事故嚴(yán)重程度為因變量，分別采用OP和RP-OP模型探究了影響山區(qū)雙車道公路摩托車事故嚴(yán)重程度的顯著因素，得到以下主要結(jié)論。

(1)OP和RP-OP模型均可識(shí)別山區(qū)雙車道公路摩托車事故嚴(yán)重程度的關(guān)鍵因素，但考慮個(gè)體異質(zhì)性的RP-OP模型擬合優(yōu)度高于OP模型，能準(zhǔn)確刻畫未觀測到的異質(zhì)性和影響因素之間的交互作用。

(2)OP和RP-OP模型參數(shù)估計(jì)結(jié)果均表明，摩托車駕駛員性別、操作行為、是否有責(zé)、是否是節(jié)假日、是否是黃昏或夜晚、路面是否潮濕、是否涉及貨車及是否屬于交叉口路段共8個(gè)因素與山區(qū)雙車道公路摩托車交通事故嚴(yán)重程度密切相關(guān)。RP-OP模型發(fā)現(xiàn)女性駕駛員、駕駛員超車不當(dāng)及事故涉及貨車3個(gè)參數(shù)服從正態(tài)分布，其對摩托車事故嚴(yán)重程度具有顯著的異質(zhì)性影響效應(yīng)。

(3)女性摩托車駕駛員、駕駛員超車不當(dāng)、摩托車駕駛員有責(zé)、節(jié)假日、黃昏或夜晚、路面潮濕、涉及貨車7個(gè)因素均與山區(qū)公路摩托車事故嚴(yán)重度呈正相關(guān)關(guān)系，分別導(dǎo)致惡性事故發(fā)生概率增大4.55%，1.94%，2.43%，1.09%，24.84%，1.45%，4.57%；而交叉口路段與摩托車事故嚴(yán)重度呈負(fù)相關(guān)，導(dǎo)致惡性事故發(fā)生概率降低1.28%。

(4)與現(xiàn)有的事故嚴(yán)重程度影響因素分析模型相比，本研究建立的模型考慮了影響因素異質(zhì)性，數(shù)據(jù)易獲取且模型簡單，便于進(jìn)行山區(qū)雙車道公路摩托車交通事故嚴(yán)重程度預(yù)測。但摩托車事故嚴(yán)重程度還受駕駛?cè)藗€(gè)體屬性(駕齡、駕駛行為)、交通流、道路環(huán)境(視距、安全防護(hù)設(shè)施)等影響，在實(shí)際運(yùn)用本方法前，還需采集山區(qū)不同公路的摩托車事故數(shù)據(jù)，擴(kuò)大事故樣本量，進(jìn)一步驗(yàn)證本研究成果。在后續(xù)研究中，可以進(jìn)一步考慮山區(qū)雙車道公路的道路條件和交通流等因素，實(shí)現(xiàn)更高精度的摩托車交通事故嚴(yán)重程度預(yù)測。