潘義勇,繆炫燁,吳靜婷

(南京林業(yè)大學(xué) 汽車與交通工程學(xué)院,江蘇 南京 210037)

0 引 言

隨著我國經(jīng)濟水平的提高,摩托車新注冊登記數(shù)量隨之增加,根據(jù)公安部發(fā)布的數(shù)據(jù), 2022年全國新注冊登記摩托車1 130萬輛,同比增長12%。摩托車駕駛員作為交通參與者的弱勢方,在沒有車廂保護,且防護措施不完善的情況下,容易受到交通事故的嚴(yán)重傷害[1],因此有必要對摩托車交通事故嚴(yán)重程度的影響因素進行分析。

國內(nèi)外學(xué)者對交通事故嚴(yán)重程度的影響因素進行了研究,離散選擇模型多用于研究影響因素的異質(zhì)性。胡驥等[2]通過構(gòu)建有序Logit模型研究了翻車事故嚴(yán)重程度的影響因素;秦雅琴等[3]通過構(gòu)建多項Logit模型研究了摩托車交通事故嚴(yán)重程度的影響因素;M.ISLAM[4]利用考慮均值方差異質(zhì)性的混合Logit模型,研究了年齡對摩托車交通事故嚴(yán)重程度的影響;C.SE等[5]構(gòu)建了考慮均值異質(zhì)性的隨機參數(shù)有序Probit模型,研究了城鄉(xiāng)地區(qū)摩托車交通事故嚴(yán)重程度的影響因素;M.WASEEM等[6]構(gòu)建了考慮均值方差異質(zhì)性的隨機參數(shù)Logit模型,研究了摩托車交通事故嚴(yán)重程度的影響因素。上述研究在采用離散選擇模型研究交通事故嚴(yán)重程度的影響因素時,并未對影響因素的空間異質(zhì)性進行分析,但是空間異質(zhì)性對交通事故嚴(yán)重程度的影響需要納入考慮。

地理加權(quán)回歸模型(geographically weighted regression,GWR)是研究空間異質(zhì)性的主流模型,在交通領(lǐng)域被廣泛應(yīng)用。J.LIU等[7]利用GWR模型研究了肇事逃逸事故嚴(yán)重程度的影響因素;M.T. RAHMAN等[8]在研究交通事故黑點與土地利用的關(guān)系時,構(gòu)建了GWR模型來捕捉潛在的空間異質(zhì)性;H.YANG等指出,并非所有的變量都會在空間上發(fā)生變化[9],因此H.YANG等[10]構(gòu)建混合GWR模型,允許GWR模型中存在局部變量和全局變量,研究了共享單車使用情況影響因素的空間異質(zhì)性。此外,部分學(xué)者在傳統(tǒng)GWR模型的基礎(chǔ)上增加考慮了時間維度,J.LIU等[11]構(gòu)建了GTWR模型研究了酒后駕車事故的時空異質(zhì)性;X.XU等[12]構(gòu)建了GTWR模型探索了行人交通事故影響因素的時空異質(zhì)性。上述研究中采用的模型均為傳統(tǒng)GWR模型或相關(guān)改進模型,但這些模型對影響因素的空間異質(zhì)性尺度的研究并不完善。

在地理空間的相關(guān)研究中,尺度的概念十分重要。多尺度地理加權(quán)回歸模型(multi-scale geographically weighted regression, MGWR)考慮了系數(shù)間差異化的異質(zhì)性尺度,通過允許每個自變量擁有各自不同的空間平滑水平,對影響因素的空間異質(zhì)性程度定量分析,從而回歸出更接近真實情況的空間關(guān)系模型[13]。目前,該模型還未全面應(yīng)用到摩托車交通事故嚴(yán)重程度影響因素的空間異質(zhì)性研究中。

綜上,筆者采用MGWR模型對摩托車交通事故嚴(yán)重程度的影響因素進行分析。首先對事故數(shù)據(jù)進行篩選和統(tǒng)計性描述;再闡述MGWR模型的基本原理和檢驗原理;然后利用通過檢驗后的自變量構(gòu)建MGWR模型做回歸分析,標(biāo)定模型結(jié)果;最后,結(jié)合模型回歸出的影響因素的帶寬和系數(shù),定量分析影響因素的空間尺度和顯著影響因變量的影響因素的空間異質(zhì)性。

1 數(shù)據(jù)描述與變量選取

基于美國某州交通事故數(shù)據(jù)庫,提取了2015—2019年共5 a的摩托車交通事故數(shù)據(jù)。首先對數(shù)據(jù)庫中的原始數(shù)據(jù)進行預(yù)處理:數(shù)據(jù)庫中涉及到交通事故主要信息的表為“Events”、“Drivers”和“Vehicles”,利用STATA軟件將3個表按照唯一的事故編號進行橫向匹配,剔除掉交通事故信息記錄缺失的數(shù)據(jù),得到18 499條摩托車交通事故數(shù)據(jù)。

選取的因變量為摩托車交通事故嚴(yán)重程度,美國高速公路管理局將交通事故嚴(yán)重程度分為5類(KABCO),其中:K(fatal injury)指事故發(fā)生后30 d內(nèi)人員死亡;A(incapaciting injury)指人員受傷,并且需要送往醫(yī)院進行醫(yī)療救助;B(non-incapacitating injury)指人員受到非失能性傷害,如割傷、擦傷等;C(possible injury)指人員可能受傷,即人員無外傷但自述有疼痛的感覺或意識不清;O(no injury)指人員未受傷。交通事故數(shù)據(jù)交通事故數(shù)據(jù)的因變量的描述性統(tǒng)計如表1。

橫向匹配后的18 499條事故數(shù)據(jù)由事故本身數(shù)據(jù)、駕駛員數(shù)據(jù)和車輛數(shù)據(jù)3部分組成。結(jié)合數(shù)據(jù)庫中記錄信息完整的數(shù)據(jù),從人、車、路、環(huán)境共4個方面盡可能全面選擇候選自變量參與模型分析,候選自變量的描述性統(tǒng)計如表2。

表2 候選自變量描述性統(tǒng)計

2 模型方法

2.1 多尺度地理加權(quán)回歸模型

MGWR模型是在傳統(tǒng)GWR模型的基礎(chǔ)上優(yōu)化得到的,傳統(tǒng)GWR模型在進行回歸分析時,每個自變量的帶寬固定。但不同自變量的尺度往往不完全一致,固定帶寬可能會使模型估計的結(jié)果產(chǎn)生偏差。MGWR模型通過放寬“所有局部系數(shù)的空間過程的尺度是相同的”這一假設(shè),構(gòu)建更接近真實情況的模型。MGWR模型的計算公式如式(1):

(1)

式中:yi為樣本點i的交通事故嚴(yán)重程度的觀測值;βbj(·)為帶寬為b的第j個局部回歸系數(shù)函數(shù),其中bj為第j個變量回歸系數(shù)使用的帶寬,其物理意義為鄰近樣本點的數(shù)量;(ui,vi)為樣本點的空間地理位置;xij為變量j在i處的觀測值;εi為隨機誤差項。

2.2 空間自相關(guān)檢驗

在構(gòu)建MGWR模型前需要檢驗變量間的空間自相關(guān)性。全局莫蘭指數(shù)I用來確定變量在空間上是否相關(guān)及關(guān)聯(lián)程度如何,Z得分用來對全局莫蘭指數(shù)的顯著性進行評估。兩者的計算如式(2)、式(3):

(2)

(3)

2.3 擬合優(yōu)度檢驗

在確定MGWR模型的最優(yōu)帶寬時,選用修正后的赤池信息準(zhǔn)則(用AAICc值表示)來確定最優(yōu)帶寬,如果兩個模型的AAICc值相差大于3,具有較低AAICc值的模型將被視為更佳的模型。AAICc值的計算如式(4):

(4)

令A(yù)AICc取最小值,即可求得對應(yīng)矩陣的跡,進而得到最優(yōu)帶寬。

2.4 多重共線性檢驗

對候選自變量進行相關(guān)性測試以避免共線性問題,方差膨脹因子(用VVIF值表示)用來檢驗指標(biāo)的冗余度,當(dāng)變量的VVIF>7.5時,表示指標(biāo)存在冗余。VVIF值的計算公式如式(5):

(5)

式中:Ri為第i個候選自變量對其余候選自變量做回歸分析的負(fù)相關(guān)系數(shù)。

3 模型估計

3.1 多重共線性檢驗結(jié)果

通過構(gòu)建OLS模型計算候選自變量的VVIF,利用逐步回歸法剔除存在多重共線性和未通過顯著性檢驗的自變量,最終納入模型的自變量見表3,表中為歸一化的結(jié)果。

表3 OLS模型參數(shù)回歸結(jié)果

從表3可以看出,最終納入模型的自變量的VVIF值范圍為[1.002,1.747],均小于7.500,P值均小于0.100,說明最終納入模型的自變量不存在指標(biāo)冗余且顯著。

3.2 空間自相關(guān)檢驗結(jié)果

利用ARCGIS軟件對摩托車交通事故嚴(yán)重程度做全局空間自相關(guān)檢驗。因變量的全局莫蘭指數(shù)為0.227,說明因變量具有空間正相關(guān)性;Z得分為15.706,遠大于臨界值2.580,說明因變量觀測值具有明顯的聚類特征,且隨機產(chǎn)生此聚類模式的可能性小于1%,即在1%的顯著水平下,摩托車交通事故嚴(yán)重程度存在顯著全局空間自相關(guān)。

但是全局莫蘭指數(shù)無法表現(xiàn)出局部地區(qū)的空間集聚類型,因此在全局自相關(guān)檢驗的基礎(chǔ)上,結(jié)合局部莫蘭指數(shù)繪制LISA聚類圖,分析摩托車交通事故嚴(yán)重程度的局部聚集特征。

局部莫蘭指數(shù)可以識別隨空間位置不同而可能存在的不同空間關(guān)聯(lián)模式,從而觀察空間局部不平穩(wěn)性。若局部莫蘭指數(shù)顯著為正且標(biāo)準(zhǔn)化后的觀測值大于0,表示樣本點與其鄰居的觀測值相對較高,屬高高集聚;若局部莫蘭指數(shù)顯著為正且標(biāo)準(zhǔn)化后的觀測值小于0,表示樣本點與其鄰居的觀測值相對較低,屬低低集聚;若局部莫蘭指數(shù)顯著為負(fù)且標(biāo)準(zhǔn)化后的觀測值大于0,表示鄰居觀測值遠低于樣本點的值,屬高低集聚;若局部莫蘭指數(shù)顯著為負(fù)且標(biāo)準(zhǔn)化后的觀測值小于0,表示鄰居觀測值遠高于樣本點的值,屬低高集聚。摩托車交通事故嚴(yán)重程度的LISA聚類圖如圖1。

圖1 摩托車交通事故嚴(yán)重程度LISA聚類圖Fig. 1 LISA clustering map of motorcycle traffic accident severity

從圖1可以看出,該州的中西部地區(qū)出現(xiàn)顯著的“高-高”集聚區(qū),在該州的西北角和東北角處的地區(qū)以“低-低”集聚區(qū)為主,其余地區(qū)則分散著“高-低”集聚和“低-高”集聚。總體來說,該州“高-高”集聚區(qū)和“低-低”集聚區(qū)分布范圍較廣,呈集中分布特征,“高-低”集聚和“低-高”集聚區(qū)域則呈現(xiàn)相對分散的布局。

3.3 多尺度地理加權(quán)回歸模型結(jié)果

利用3.1節(jié)中通過多重共線性檢驗且顯著的自變量構(gòu)建MGWR模型,并與OLS模型、GWR模型進行指標(biāo)對比如表4,表中調(diào)整后的R2為一種判定系數(shù),可衡量回歸模型。

表4 OLS、GWR、MGWR回歸模型指標(biāo)

從表4可以看出,MGWR模型的AAICc值和殘差平方和均明顯小于OLS模型和GWR模型,說明MGWR模型得到了更接近真實情況的回歸結(jié)果。此外,MGWR的調(diào)整后R2值高于OLS模型和GWR模型,說明MGWR模型的結(jié)果優(yōu)于GWR模型。

MGWR模型回歸參數(shù)結(jié)果如表5,表中為歸一化后的結(jié)果。

從表5的回歸結(jié)果可以初步看出:

1)部分自變量的回歸系數(shù)在全局范圍內(nèi)未發(fā)生正負(fù)變化,如車速、年齡等變量的回歸系數(shù)均為正值,這表明在全局范圍內(nèi),這些變量對摩托車交通事故嚴(yán)重程度有正向影響。以車速為例,車速越快,摩托車交通事故嚴(yán)重程度會越嚴(yán)重。

2)另外一些變量,如逃逸、限速等變量的回歸系數(shù)均為負(fù)值,這表明在全局范圍內(nèi),這些變量對摩托車交通事故嚴(yán)重程度有負(fù)向影響。以駕駛員是否逃逸為例,若駕駛員逃逸,則駕駛員的受傷程度越輕,因為只有駕駛員未受傷或受傷程度較輕時才可能逃逸,駕駛員受傷程度嚴(yán)重的話則無法逃逸,回歸結(jié)果與事實相符。

3)其余變量的回歸系數(shù)在正負(fù)范圍內(nèi)均有分布,如:涉及車輛數(shù)、市區(qū)、疲勞等變量,表明這些變量對摩托車交通事故嚴(yán)重程度的影響隨地理位置的變化呈現(xiàn)正向/負(fù)向作用。

4 多尺度異質(zhì)性結(jié)果分析

4.1 尺度分析

空間尺度用帶寬占總樣本數(shù)量的比例來量化,帶寬占總樣本數(shù)量的比例越小,說明變量的空間尺度越小,則變量的空間異質(zhì)性程度越大。傳統(tǒng)GWR模型的帶寬固定為8 278,體現(xiàn)的是各個自變量空間尺度的平均值。從表6可以看出:MGWR模型計算出不同變量的帶寬,定量地反映了自變量的差異化空間尺度。

表6 MGWR模型帶寬尺度

與駕駛員有關(guān)的變量中,疲勞駕駛的帶寬為8 343,占總樣本數(shù)量的45.1%;強光的帶寬為6 861,占總樣本數(shù)量的37.1%。

與車輛有關(guān)的變量中,車速的帶寬為5 379,占總樣本數(shù)量的29.1%;涉及車輛數(shù)的帶寬為1 704,占總樣本數(shù)量的9.2%。

與環(huán)境有關(guān)的變量中,市區(qū)的帶寬為2 360,占總樣本數(shù)量的12.8%;T型交叉口的帶寬為3 612,占總樣本數(shù)量的19.5%;夜間無燈光的帶寬為5 682,占總樣本數(shù)量的30.7%;多云的帶寬為1 662,占總樣本數(shù)量的9.0%。

上述變量的空間尺度均較小,說明這些變量的空間異質(zhì)性程度較大。其余變量的空間尺度均較大,至少占總樣本數(shù)量的50%以上,幾乎屬于全局尺度。

4.2 影響因素空間異質(zhì)性分析

結(jié)合MGWR模型回歸出的帶寬與系數(shù),對空間異質(zhì)性程度較大的影響因素進行分析,用ARCGIS將影響因素的回歸系數(shù)可視化,回歸系數(shù)的正負(fù)值表示影響因素對摩托車交通事故嚴(yán)重程度具有正向/負(fù)向作用,系數(shù)均值的絕對值大小表示作用強度。影響因素的可視化結(jié)果見圖2。

根據(jù)影響因素的回歸系數(shù)空間分布圖,從駕駛員、車輛和環(huán)境3個方面分析影響因素的空間異質(zhì)性。

4.2.1 駕駛員因素

疲勞駕駛的回歸系數(shù)分布見圖2(a),回歸系數(shù)范圍為[-0.017,0.026],呈現(xiàn)正負(fù)差異,系數(shù)大小由白色點區(qū)域向黑色點區(qū)域遞增。在深灰色點區(qū)域,疲勞駕駛會導(dǎo)致摩托車交通事故嚴(yán)重程度增加,因為疲勞駕駛會使駕駛員生理和心理功能下降,導(dǎo)致行駛過程中駕駛員的判斷準(zhǔn)確性降低。在白色點區(qū)域雖然駕駛員也是疲勞駕駛,但駕駛員受傷程度卻減少,原因可能是在這些區(qū)域,相關(guān)部門采取了措施緩解了駕駛員的疲勞程度,如增設(shè)各種警示標(biāo)志、強制休息等。系數(shù)均值的絕對值為0.006,作用強度最低。

駕駛員視線受外部強光影響的回歸系數(shù)分布見圖2(b),回歸系數(shù)范圍為[-0.039,0.035],呈現(xiàn)正負(fù)差異,系數(shù)由白色點區(qū)域向黑色點區(qū)域遞增,但黑色點區(qū)域較小,集中分布在該州中部地區(qū),說明在該州的絕大部分區(qū)域內(nèi),駕駛員受外界強光刺激時,摩托車交通事故嚴(yán)重程度減少,原因是駕駛員在受到強光刺激無法看清路面情況或前方車輛時,本能的會立即降低車速保證安全,從而降低駕駛員受傷嚴(yán)重程度。系數(shù)均值的絕對值為0.018,作用強度高于夜間無燈光。

4.2.2 車輛因素

車速的回歸系數(shù)分布見圖2(c),回歸系數(shù)的范圍為[0.234,0.348],系數(shù)均為正值,說明車速對摩托車交通事故嚴(yán)重程度是穩(wěn)定的正向影響。即車速越快,駕駛員受傷越嚴(yán)重,該推斷與實際情況相符。系數(shù)均值的絕對值為0.292,作用強度最大。

涉及車輛數(shù)的回歸系數(shù)分布見圖2(d),回歸系數(shù)的范圍為[-0.191,0.077],呈現(xiàn)正負(fù)差異,系數(shù)由白色點區(qū)域向黑色點區(qū)域遞增。在該州的大部分區(qū)域,涉及車輛數(shù)與摩托車交通事故嚴(yán)重程度是負(fù)相關(guān),僅在該州中部東側(cè)沿海的小部分區(qū)域是正相關(guān)。原因是在該區(qū)域交通流量大,車輛數(shù)量多,容易發(fā)生多車相撞的交通事故,使駕駛員受到更嚴(yán)重的傷害,其余地區(qū)則相反。系數(shù)均值的絕對值為0.077,作用強度僅低于車速。

4.2.3 環(huán)境因素

事故發(fā)生在市區(qū)的回歸系數(shù)分布見圖2(e),回歸系數(shù)的范圍為[-0.259,0.041],呈現(xiàn)正負(fù)差異,系數(shù)由白色點區(qū)域向黑色點區(qū)域遞增。在黑色點區(qū)域地區(qū),事故發(fā)生在市區(qū)會使駕駛員遭受更嚴(yán)重的傷害,因為市區(qū)環(huán)境和交通組成復(fù)雜,人流量和車流量比郊區(qū)更大。而在其余區(qū)域,事故發(fā)生在郊區(qū)會增加摩托車交通事故嚴(yán)重程度,因為郊區(qū)車流量較少,駕駛員容易發(fā)生超速等違規(guī)行為,導(dǎo)致摩托車交通事故嚴(yán)重程度增加。系數(shù)均值的絕對值為0.053,作用強度低于涉及車輛數(shù)。

T型交叉口的回歸系數(shù)分布見圖2(f),回歸系數(shù)的范圍為[0.005,0.091],系數(shù)均為正值,說明T型交叉口對摩托車交通事故嚴(yán)重程度是穩(wěn)定的正向影響,即在T型交叉口處發(fā)生事故時駕駛員會受到更嚴(yán)重的傷害。因為T型交叉口一般設(shè)置在較偏僻的路段,用于搭接支路,在車流量不大的情況下往往不設(shè)置信號燈,導(dǎo)致行車方式會比普通路口更隨意,從而造成更嚴(yán)重的交通事故。系數(shù)均值的絕對值為0.051,作用強度低于市區(qū)。

夜間無燈光的回歸系數(shù)分布見圖2(g),回歸系數(shù)的范圍為[-0.034,0.045],呈現(xiàn)正負(fù)差異,系數(shù)由白色點區(qū)域向黑色點區(qū)域遞增。黑色點區(qū)域的系數(shù)為正,說明在該州的大部分區(qū)域,夜間無燈光的環(huán)境下會導(dǎo)致摩托車交通事故嚴(yán)重程度增加,因為駕駛員在黑暗環(huán)境下,摩托車自身燈光照明范圍有限,駕駛員無法看清路面或周邊情況,出現(xiàn)意外狀況時無法及時做出正確反應(yīng)。白色點區(qū)域系數(shù)為負(fù),集中分布在該州的東北角區(qū)域和東南角沿海區(qū)域,說明在該區(qū)域,夜間無燈光的情況會降低摩托車交通事故嚴(yán)重程度,原因可能是在該區(qū)域,相關(guān)部門在路側(cè)增設(shè)了警示警告標(biāo)志,并設(shè)置了保護措施,駕駛員主動降低車速、保持警惕,提高了安全水平。系數(shù)均值的絕對值為0.013,作用強度高于疲勞駕駛。

多云天氣的回歸系數(shù)分布如圖2(h),回歸系數(shù)的范圍為[-0.046,0.146], 呈現(xiàn)正負(fù)差異,系數(shù)由白色點區(qū)域向黑色點區(qū)域遞增。白色點區(qū)域集中在該州的中部和南部少數(shù)區(qū)域,該州大部分區(qū)域的系數(shù)為正,說明在多云天氣的條件下,大部分區(qū)域發(fā)生交通事故時摩托車交通事故嚴(yán)重程度會增加。因此相關(guān)部門應(yīng)該在多云天氣時,利用多種方式提醒駕駛員行車過程中注意安全。系數(shù)均值的絕對值為0.048,作用強度高于強光。

5 結(jié) 語

1)MGWR模型在傳統(tǒng)GWR模型上增加了尺度的計算,通過分析不同解釋變量的空間尺度差異,定量反映了各因素對摩托車交通事故嚴(yán)重程度的空間異質(zhì)性程度。

2)在全局尺度的影響因素中,駕駛員逃逸、道路限速、單向行駛道路等因素對摩托車交通事故嚴(yán)重程度是負(fù)向影響,彎道、未戴頭盔、生病等因素對摩托車交通事故嚴(yán)重程度是正向影響,同時這些因素的空間異質(zhì)性程度較小。

3)在空間異質(zhì)性程度較大的影響因素中,變量多云的空間尺度最小,其空間異質(zhì)性程度最大,其他影響因素按空間異質(zhì)性程度從大到小分別為:涉及車輛數(shù)、市區(qū)、T型交叉口、車速、夜間無燈光、強光、疲勞;同時,變量車速的系數(shù)均值絕對值最大,其作用強度最大,其他影響因素按作用強度從大到小依次為:涉及車輛數(shù)、市區(qū)、T型交叉口、多云、強光、夜間無燈光、疲勞。

4)在研究交通事故影響因素的異質(zhì)性時,只考慮了空間異質(zhì)性,未考慮時間的非平穩(wěn)性,綜合時間不穩(wěn)定性與空間異質(zhì)性分析是今后研究的方向之一。

筆者采用了國外的摩托車交通事故數(shù)據(jù)進行了研究,雖然我國交通情況較國外有一定的特殊性,但從發(fā)達國家的摩托車交通事故中吸取經(jīng)驗教訓(xùn)是有價值的。首先國內(nèi)的交通事故數(shù)據(jù)在記錄時可以進一步豐富交通事故數(shù)據(jù)的內(nèi)容;其次,摩托車交通事故嚴(yán)重程度的影響因素存在空間異質(zhì)性,后續(xù)研究如何將國內(nèi)不同區(qū)域的特征作為影響因素納入模型考慮,構(gòu)建更符合國內(nèi)情況的空間模型,是進一步研究方向;最后,因為摩托車交通事故的影響因素具有空間異質(zhì)性,相關(guān)部門在制定交通安全策略時,應(yīng)根據(jù)不同區(qū)域的情況因地制宜地制定。