陳 欽

(江蘇都市交通規(guī)劃設(shè)計(jì)研究院有限公司,江蘇南京 210001)

據(jù)世界衛(wèi)生組織(World Health Organization)報(bào)道,道路交通事故已成為人類非正常死亡的主要致因[1]。根據(jù)事故傷害的嚴(yán)重程度,可以將道路交通事故分為死亡事故、重傷事故、輕傷事故和僅財(cái)產(chǎn)損失事故4類,探明不同傷害程度事故的發(fā)生原因?qū)︻A(yù)防事故發(fā)生、降低人身傷害、減少財(cái)產(chǎn)損失意義重大。

圍繞人、車、路、環(huán)境等不同角度,國(guó)內(nèi)外學(xué)者已經(jīng)開展了大量的理論研究和實(shí)證研究,分析駕駛行為特性[2]、駕駛員屬性(性別、駕齡等)[3]、車型[4]、車輛速度特性[5]、道路特征[6]、車道寬度[7]、天氣[8]、交通流特性[9]等因素對(duì)事故嚴(yán)重程度的影響效能。但是,即便是相同的因素,它們?cè)诎讜兒鸵归g對(duì)行車安全的作用效果也存在顯著異質(zhì)性,例如夜間時(shí)段不良光照條件對(duì)駕駛員視距的限制比白晝時(shí)段更加嚴(yán)重,這將會(huì)顯著加劇駕駛員正確判斷安全跟車距離以及安全車速的難度,同時(shí)讓駕駛?cè)穗y以明晰路肩位置和道路曲率,威脅行車安全。因此,以事故率普遍較高的無信號(hào)交叉口為例,采用數(shù)理統(tǒng)計(jì)的手段探查白晝和夜間時(shí)空環(huán)境因素對(duì)事故嚴(yán)重程度的貢獻(xiàn)差異,捕獲影響因素在時(shí)間維度上的不穩(wěn)定特征具有重要意義。

目前國(guó)內(nèi)外研究學(xué)者用于探究事故嚴(yán)重程度影響因素問題的最有效方法是離散選擇模型。常用的離散選擇模型大多基于傳統(tǒng)Logit模型結(jié)構(gòu)形式,例如SZE等[10]綜合考慮區(qū)域人口數(shù)量、碰撞、建筑環(huán)境、道路幾何以及交通條件等多維特征,構(gòu)建二元Logit模型用于確定死亡事故和受傷事故的影響因素差異。林慶豐等[11]則在道路環(huán)境因素的基礎(chǔ)上,將駕駛?cè)四挲g因素加入多項(xiàng)式Logit模型,分析了不同形態(tài)公交車事故中嚴(yán)重程度影響因素的異同性。但是傳統(tǒng)Logit模型的基本假設(shè)是將所有參數(shù)均視作固定參數(shù),即默認(rèn)因素對(duì)嚴(yán)重程度的影響機(jī)理始終是無變化的。這一假設(shè)忽視了影響因素的時(shí)空變化特性,因此往往無法深入剖析影響因素的潛在關(guān)系。針對(duì)此類異質(zhì)性問題,研究人員從參數(shù)的角度出發(fā),允許模型參數(shù)在一個(gè)分布區(qū)間內(nèi)變化(通常為正態(tài)分布),構(gòu)建了隨機(jī)參數(shù)模型[12]。WU等[13]采用隨機(jī)參數(shù)Logit模型分別量化了駕駛員行為、天氣條件、環(huán)境特征、道路幾何特征和交通組成對(duì)多車事故和單車事故的影響。BEHNOOD等[14]同樣采用隨機(jī)參數(shù)Logit模型研究了全球經(jīng)濟(jì)衰退3個(gè)階段中,事故造成行人傷害嚴(yán)重程度的影響因素差異。隨后,隨機(jī)參數(shù)的均值和方差異質(zhì)性也引起了研究人員的重視,有學(xué)者提出了考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)模型。基于此模型,YAN等[15]構(gòu)建挖掘惡劣天氣條件下事故嚴(yán)重程度影響因素的時(shí)空不穩(wěn)定性;SERANEEPRAKARN等[16]研究了涉及混合動(dòng)力車輛的事故嚴(yán)重程度影響因素;宋棟棟等[17]分析了駕駛?cè)?、道路和環(huán)境潛在因素對(duì)城市道路事故嚴(yán)重程度的異質(zhì)性影響;潘義勇等[18]重點(diǎn)討論了建成環(huán)境對(duì)老年人在交通事故中遭受傷害等級(jí)的影響因素。

綜上所述,國(guó)內(nèi)外研究人員在研究事故嚴(yán)重程度影響因素方面已經(jīng)取得了許多成果,但是仍然缺乏對(duì)建成環(huán)境和天氣環(huán)境因素的綜合探討,而且對(duì)時(shí)空因素的影響考量較少。本研究以美國(guó)西南部某州的事故數(shù)據(jù)為基礎(chǔ),構(gòu)建均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型,重點(diǎn)考慮影響因素的時(shí)空不穩(wěn)定性,根據(jù)模型參數(shù)估計(jì)和邊際效應(yīng)分析結(jié)果,深入探討時(shí)空環(huán)境對(duì)城市道路無信號(hào)燈交叉口路段的事故嚴(yán)重程度的異質(zhì)性影響機(jī)理,并解析這些特征之間潛在的異質(zhì)交互作用,以期為車輛被動(dòng)安全系統(tǒng)的設(shè)計(jì)提供理論依據(jù)和參考。

1 建模方法

1.1 考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型

筆者選擇采用考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型來分析無信號(hào)交叉口晝夜時(shí)段事故嚴(yán)重程度的影響因素,該模型的效用函數(shù)如式(1)所示。

Sij=βiXij+εij,

(1)

式中:Sij表示事故j的傷害嚴(yán)重程度為等級(jí)i的效用函數(shù);βi為待估參數(shù)的向量;Xij為事故j中傷害嚴(yán)重程度為i的解釋變量的向量;εij代表服從廣義極值分布的誤差項(xiàng)。根據(jù)效用函數(shù)構(gòu)建的多元Logit模型[19],如式(2)所示。

(2)

式中:Pj(i)表示事故j嚴(yán)重程度為i的概率;I為所有事故嚴(yán)重程度的集合。標(biāo)準(zhǔn)的多元Logit模型中假設(shè)每個(gè)解釋變量對(duì)每起事故嚴(yán)重程度的影響是固定不變的,但是在實(shí)際事故中解釋變量的影響會(huì)因?yàn)槭鹿实牟町惗煌?。因此為了解決事故中由于未觀測(cè)到變量引發(fā)的異質(zhì)性問題,在模型中引入均值和方差異質(zhì)性向量,其表達(dá)形式如式(3)所示。

βi=β+θijZij+σijexp(φijWij)vij,

(3)

式中:β表示待估參數(shù)的均值;Zij為事故j中存在的均值異質(zhì)性向量,用于捕捉均值異質(zhì)性;θij則為其對(duì)應(yīng)估計(jì)參數(shù)的向量;σij為βi的標(biāo)準(zhǔn)差;Wij為方差異質(zhì)性向量;φij為Wij對(duì)應(yīng)的待估參數(shù)向量;vij為誤差項(xiàng)。此時(shí)可構(gòu)成考慮均值和方差異質(zhì)性的隨機(jī)參數(shù)Logit模型,如式(4)所示。

(4)

式中:f(β|φ)為β服從某種分布的概率密度函數(shù),根據(jù)以往研究的成果,刻畫事故嚴(yán)重程度一般采用正態(tài)分布的形式[20];φ表示刻畫該分布的預(yù)定義參數(shù)向量。由于考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型為非閉式積分,無法求解出閉式解析解,因此,采用500次Halton序列抽樣的模擬極大似然估計(jì)法(simulation maximum likelihood estimation, SMLE)對(duì)參數(shù)進(jìn)行估計(jì)。

1.2 解釋變量的邊際效應(yīng)

模型中解釋變量的估計(jì)參數(shù)無法直接反映其對(duì)事故嚴(yán)重程度的影響程度,因此選用邊際效應(yīng)評(píng)價(jià)方法來分析每個(gè)解釋變量對(duì)結(jié)果的影響程度。離散變量和連續(xù)變量的邊際效應(yīng)計(jì)算公式如式(5)和式(6)所示[21-22]。

(5)

(6)

式中:Ed和Ec分別為離散變量和連續(xù)變量的邊際效應(yīng);Ed刻畫的是離散變量從0變?yōu)?時(shí),對(duì)應(yīng)傷害嚴(yán)重程度概率變化的百分比;Ec為連續(xù)變量變化1%時(shí),對(duì)應(yīng)傷害嚴(yán)重程度概率變化的百分比。

2 數(shù)據(jù)描述

事故數(shù)據(jù)來源于美國(guó)西南部某州2016年7月至2020年12月的歷史事故數(shù)據(jù)統(tǒng)計(jì),剔除統(tǒng)計(jì)數(shù)據(jù)缺失值和數(shù)據(jù)異常值,篩選得到城市道路無信號(hào)燈路段事故5 956起,以每日6:00—18:00為白晝時(shí)段,其余時(shí)間為夜晚時(shí)段的方式劃分,得到白晝時(shí)段事故3 519起,夜間時(shí)段事故2 437起,根據(jù)造成的人員傷亡和財(cái)產(chǎn)損失后果,事故被劃分為4個(gè)等級(jí),分別是僅財(cái)產(chǎn)損失事故、輕傷事故(非失能性損傷)、重傷事故(失能性損傷)和死亡事故,4類事故分別占比4.89%,76.73%,12.99%和5.39%。

以無信號(hào)控制交叉口路段的交通事故為研究對(duì)象,將事故劃分為白晝事故和夜間事故進(jìn)行分析,重點(diǎn)探究時(shí)間、空間特征和環(huán)境因素對(duì)事故嚴(yán)重程度影響的異質(zhì)性,主要選取了周時(shí)間(星期一至星期日)和季節(jié)(春季至冬季)[15]、道路空間因素(道路類型、側(cè)向以及周圍交通設(shè)施和建筑設(shè)施情況等)和環(huán)境因素(氣象條件、天氣狀況、能見度、風(fēng)速等)[23]4個(gè)方面的因素。其中,道路空間因素中除了“事故發(fā)生于道路左側(cè)”“事故發(fā)生于道路右側(cè)”之外,均為獨(dú)立離散變量。氣象條件不僅劃分為“良好天氣條件”和“惡劣天氣條件”,同時(shí)還劃分了具體的氣象分類,以此來量化氣象條件對(duì)事故嚴(yán)重程度的影響。具體信息如表1和表2所示。

表1 事故數(shù)據(jù)的描述性統(tǒng)計(jì)(離散變量)

表2 事故數(shù)據(jù)的描述性統(tǒng)計(jì)(連續(xù)變量)

3 模型結(jié)果分析

無信號(hào)交叉口白晝和夜間的事故嚴(yán)重程度建模對(duì)比結(jié)果如表3和表4所示,其中MNL表示多項(xiàng)式Logit模型,RPL表示隨機(jī)參數(shù)Logit模型,RPLM表示考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型。由于在建模過程中并未捕捉到模型的方差異質(zhì)性,因此最終模型退化為考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型。擬合優(yōu)度較好的模型具有更低的赤池信息量準(zhǔn)則(akaike information criterion,AIC)值和更高的對(duì)數(shù)似然值和麥克法登偽R2(McFadden PseudoR2,以下簡(jiǎn)稱偽R2)。根據(jù)模型標(biāo)定的結(jié)果,RPLM在白晝事故和夜間事故擬合過程中的AIC值低于MNL和RPL模型,而對(duì)數(shù)似然值和偽R2則高于前兩者。采用χ2檢驗(yàn)的方法來驗(yàn)證是否有必要采用更復(fù)雜的考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型,χ2檢驗(yàn)結(jié)果表明在95%以上的置信度水平下,可以拒絕考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型與其余2個(gè)模型性能相同的原假設(shè)。因此結(jié)果分析以RPLM的結(jié)果為基礎(chǔ)。

表3 白晝時(shí)段事故的模型對(duì)比結(jié)果

3.1 隨機(jī)參數(shù)分析

圖1和表5、表6中:[F]表示死亡事故,[S]表示重傷事故,[M]表示輕傷事故,[N]表示僅財(cái)產(chǎn)損失事故。白晝事故和夜間事故的模型參數(shù)估計(jì)結(jié)果見表5和表6,白晝事故模型中,只有在事故嚴(yán)重程度為重傷事故時(shí),“夏季”變量被識(shí)別為隨機(jī)變量,服從均值為-3.017、標(biāo)準(zhǔn)差為3.511的正態(tài)分布。而在夜間事故模型中,輕傷事故的“夏季”變量和死亡事故的“惡劣天氣條件”變量均被識(shí)別為隨機(jī)變量,分布服從均值為-1.246、標(biāo)準(zhǔn)差1.968和均值為2.393、標(biāo)準(zhǔn)差為2.992的正態(tài)分布。為了更直觀地反映隨機(jī)參數(shù)的影響機(jī)理,繪制的隨機(jī)參數(shù)正態(tài)分布曲線如圖1所示。從正態(tài)分布圖可以看出“夏季”變量有19.51%的可能性會(huì)增加在白晝事故中造成人員受重傷的概率,同時(shí)“夏季”變量還有26.32%的可能性會(huì)增加在夜間事故中造成人員受輕傷的概率。此外,“惡劣天氣條件”變量則有78.81%的可能性會(huì)增加在夜間事故中造成人員死亡的概率。

圖1 隨機(jī)參數(shù)的概率密度分布Fig.1 Probability density distribution of random parameters

表5 白晝事故模型參數(shù)估計(jì)結(jié)果

表6 夜間事故模型參數(shù)估計(jì)結(jié)果

3.2 隨機(jī)參數(shù)的均值異質(zhì)性分析

白晝事故和夜間事故模型的均值異質(zhì)性影響分別見表5和表6。

通過表5可以看出,在白晝時(shí)段發(fā)生的事故中,“惡劣天氣條件”因素的均值異質(zhì)性系數(shù)為1.236,這說明該因素會(huì)顯著增加隨機(jī)變量“夏季”的正態(tài)分布均值,即惡劣天氣條件會(huì)增加發(fā)生在夏季白晝時(shí)段事故造成人員重傷的概率。

表6的結(jié)果反映出對(duì)于夜間發(fā)生的事故,隨機(jī)變量“夏季”的正態(tài)分布均值受“300 m范圍內(nèi)有交叉口”這一因素的負(fù)相關(guān)影響,這意味著當(dāng)夏季夜間事故發(fā)生在交叉口附近時(shí),造成人員受輕傷的概率將會(huì)降低。值得注意的是,對(duì)另一個(gè)隨機(jī)變量“惡劣天氣條件”具有均值異質(zhì)性影響的2個(gè)因素(降雨量,12 km/h<風(fēng)速≤ 18 km/h)均為環(huán)境因素。這2個(gè)因素的特點(diǎn)在于更細(xì)致地刻畫了惡劣天氣條件的狀態(tài),并且均表現(xiàn)出正相關(guān)的影響關(guān)系。也就是說,對(duì)于發(fā)生在惡劣天氣條件下的夜間事故,當(dāng)惡劣天氣條件表現(xiàn)為大雨或強(qiáng)風(fēng)時(shí),其造成人員死亡的概率增加。

4 事故影響因素分析

通過對(duì)比參數(shù)估計(jì)結(jié)果可見,除了上述隨機(jī)參數(shù)和均值異質(zhì)性的差異外,固定參數(shù)在白晝時(shí)段事故和夜間時(shí)段事故中也表現(xiàn)出明顯的不同。因此對(duì)白晝事故模型和夜間事故模型均進(jìn)行邊際效應(yīng)分析,以進(jìn)一步探究影響因素對(duì)事故嚴(yán)重程度的實(shí)際影響效果,結(jié)果分別如表7和表8所示,若變量在某種事故中的邊際效應(yīng)值為正,則說明該變量會(huì)增加該種事故發(fā)生的概率,以下結(jié)果均根據(jù)表7和表8的邊際效應(yīng)值分析得出。

4.1 時(shí)間因素

表7中的“周時(shí)間”和“季節(jié)”的邊際效應(yīng)結(jié)果表明,對(duì)于白晝時(shí)段事故而言,星期三和星期四在死亡事故中邊際效應(yīng)值分別為-0.003 9和-0.003 6,說明星期三和星期四的白晝發(fā)生死亡事故的概率降低,而星期六和星期日在輕傷事故中的邊際效應(yīng)值分別為-0.010 6和-0.005 7,說明周末更不易發(fā)生輕傷事故。從事故的季節(jié)分布上來看,春季時(shí)發(fā)生死亡事故和僅財(cái)產(chǎn)損失事故的概率均增加,但是輕傷事故的概率則會(huì)降低。夏季的重傷事故和輕傷事故概率均有一定程度降低,而冬季只會(huì)增加死亡事故的概率。

表8中的“周時(shí)間”和“季節(jié)”的邊際效應(yīng)結(jié)果表明,對(duì)于夜間時(shí)段事故而言,僅財(cái)產(chǎn)損失事故易發(fā)生于星期日。春季會(huì)增加輕傷事故概率而降低重傷事故概率,夏季則會(huì)降低死亡事故概率?？梢钥闯?無論是白晝事故還是夜間事故,在春、夏季節(jié)的變化性更為顯著,這說明春、夏季節(jié)造成事故的影響因素以及影響因素間的交互效應(yīng)更加復(fù)雜。

4.2 空間因素

表7中的“道路空間因素”邊際效應(yīng)結(jié)果表明,人行橫道的設(shè)置會(huì)降低輕傷和重傷事故的概率,而有交通穩(wěn)靜化措施的道路重傷事故概率也會(huì)降低。相反發(fā)生在大型設(shè)施或設(shè)有“此路不通”警示道路的事故則有可能增加人員死亡的概率。另外,當(dāng)事故發(fā)生在道路左側(cè)時(shí)更有可能只造成財(cái)產(chǎn)損失。

表8中的“道路空間因素”邊際效應(yīng)結(jié)果表明,公交車站和大型交通樞紐附近的事故更容易造成人員重傷甚至死亡,相反交叉口附近和道路左側(cè)的事故不易造成人員傷亡,交叉口附近多為財(cái)產(chǎn)損失事故。

這些現(xiàn)象的原因主要在于人行橫道和交通穩(wěn)靜化設(shè)施往往會(huì)意味著道路有更多的安全保障措施,而大型設(shè)施和公交車站附近車流量較大,交通流成分較為復(fù)雜,同時(shí)設(shè)有“此路不通”警示標(biāo)志道路往往是處于施工或其他不利于通行的道路狀態(tài),因此這些地方更容易造成嚴(yán)重的交通事故。而交叉口附近以及道路左側(cè)的車速普遍較低,因此事故多為輕微碰撞或者剮蹭,不易產(chǎn)生嚴(yán)重的事故后果。

4.3 環(huán)境因素

表7中白晝時(shí)段事故的“環(huán)境因素”邊際效應(yīng)結(jié)果表明,良好的天氣條件會(huì)顯著降低輕傷事故發(fā)生的概率,而惡劣的天氣條件則會(huì)增加重傷事故概率,這與常規(guī)的認(rèn)知相符。具體來說,當(dāng)氣溫在10 ℃以下和10～27 ℃時(shí)分別會(huì)降低輕傷事故和僅財(cái)產(chǎn)損失事故的發(fā)生概率。另外,較低的大氣壓和較高的風(fēng)速都會(huì)造成重傷事故頻發(fā),而干燥的天氣則會(huì)更多引發(fā)僅財(cái)產(chǎn)損失事故。值得注意的是,白晝時(shí)段事故中造成重傷事故概率增加的3個(gè)因素在氣象學(xué)上均屬于強(qiáng)降雨天氣的顯著特征,雖然本文并未對(duì)“強(qiáng)降雨”、“降雪”變量進(jìn)行具體定義,但是根據(jù)這些量化指標(biāo)依舊可以推斷出,相比于降雪、低溫和霧霾等天氣,降雨仍是造成嚴(yán)重事故的主要誘因。而干燥天氣下車輛部件干摩擦嚴(yán)重,進(jìn)而造成車輛制動(dòng)性能下降,動(dòng)力性能減弱,即在交通流較擁堵時(shí)容易在反復(fù)的加減速操作中出現(xiàn)車輛剮蹭、追尾等車損事故。

表8中夜間時(shí)段事故的“環(huán)境因素”的邊際效應(yīng)結(jié)果表明,惡劣天氣條件和超過18 km/h的強(qiáng)風(fēng)會(huì)直接造成死亡事故的概率增加,而能見度越高發(fā)生重傷事故的概率越低。通常情況10～27 ℃時(shí)被認(rèn)為是較為舒適的環(huán)境溫度,這一因素會(huì)降低死亡事故和輕傷事故的概率。此外,引起輕傷事故和僅財(cái)產(chǎn)損失事故概率增加的因素包括低氣壓、12～18 km/h的風(fēng)速、較多的降雨量和較大的濕度,這些因素都是伴隨著大霧或者強(qiáng)風(fēng)降雨天氣的典型特征。

5 結(jié) 語(yǔ)

本文基于5 956起事故數(shù)據(jù)構(gòu)建考慮均值異質(zhì)性影響的隨機(jī)參數(shù)Logit模型,通過參數(shù)估計(jì)和邊際效應(yīng)分析得出了時(shí)空環(huán)境因素對(duì)城市道路無信號(hào)交叉口晝夜時(shí)段事故嚴(yán)重程度的異質(zhì)性影響,研究主要結(jié)論如下。

1)“夏季”變量的估計(jì)參數(shù)在晝夜模型中均為隨機(jī)參數(shù),并對(duì)晝夜事故嚴(yán)重程度均有異質(zhì)性影響?！皭毫犹鞖鈼l件”變量?jī)H對(duì)夜間事故嚴(yán)重程度存在異質(zhì)性影響。同時(shí)“惡劣天氣條件”變量會(huì)增加夏季白晝事故嚴(yán)重程度為重傷的概率,而在夏季夜間發(fā)生于交叉口附近的事故造成輕傷可能性會(huì)降低。

2)人行橫道、交通穩(wěn)靜化設(shè)施對(duì)輕傷、重傷事故的邊際效應(yīng)均為負(fù)值,說明這2種設(shè)施有助于減少人員在事故中受傷的概率,大型交通樞紐以及特殊狀態(tài)下的路段附近容易出現(xiàn)人員重傷甚至死亡的事故。

3)中低氣壓、高風(fēng)速、高降雨量有加重事故嚴(yán)重程度的傾向,各類惡劣天氣條件中,伴隨強(qiáng)風(fēng)或者大霧的降雨天氣仍是加劇事故嚴(yán)重程度的主要原因。

4)時(shí)間因素上,事故嚴(yán)重程度在春、夏季節(jié)受不同因素影響的變化性較大,春、夏季節(jié)的影響因素交互作用更為復(fù)雜,道路使用者的出行特征變化也更具動(dòng)態(tài)。

此外,本文還存在一定的局限性,例如未對(duì)不良天氣條件進(jìn)行明確定義,而且受樣本量限制,無法探究結(jié)果在空間層面上的可轉(zhuǎn)移性。因此,仍需使用更多的事故樣本,進(jìn)一步探索在中國(guó)獨(dú)特的政策環(huán)境和交通環(huán)境下,無信號(hào)交叉口是否具備類似的特性,從而更好地優(yōu)化交通安全環(huán)境。同時(shí),未來有必要針對(duì)春、夏季節(jié)的事故嚴(yán)重程度影響因素作進(jìn)一步分析挖掘?？紤]到事故數(shù)據(jù)往往有較長(zhǎng)的時(shí)間跨度,因此還需要針對(duì)不同年份之間事故嚴(yán)重程度影響因素的時(shí)變性特征進(jìn)行分析,這對(duì)于改善道路交通安全具有重要意義。