賀 昆

(上海市政工程設(shè)計(jì)研究總院(集團(tuán))有限公司, 上海 200092)

0 引言

隨著人們的出行需求日漸增大,機(jī)動(dòng)車(chē)以及非機(jī)動(dòng)車(chē)的保有量逐年提高,機(jī)動(dòng)車(chē)與非機(jī)動(dòng)車(chē)在道路上的行駛狀況愈加復(fù)雜,尤其是在道路交叉口處發(fā)生交通事故的概率以及事故嚴(yán)重程度都較高. 因此,深入研究道路交叉口處機(jī)動(dòng)車(chē)與非機(jī)動(dòng)車(chē)交通事故的影響因素以及事故的嚴(yán)重程度對(duì)于改善道路交叉口的交通安全運(yùn)行狀況具有重要意義.

國(guó)內(nèi)外學(xué)者對(duì)于交通事故嚴(yán)重程度以及影響因素進(jìn)行了廣泛的研究. 楊洋等[1]基于改進(jìn)的Apriori算法對(duì)高速公路風(fēng)險(xiǎn)因子進(jìn)行識(shí)別;Osman等[2]基于Order Logit模型以及廣義Order Logit模型研究了風(fēng)險(xiǎn)變量對(duì)于事故嚴(yán)重程度的影響;Chen H、Bagloee SA、Werneke J等[3-5]研究了發(fā)生在道路交叉口處交通事故的嚴(yán)重程度,結(jié)果表明交叉口是較為危險(xiǎn)的交通事故位置;楊洋等[6]基于動(dòng)態(tài)交通流數(shù)據(jù),對(duì)不同類(lèi)型高速公路進(jìn)行事故風(fēng)險(xiǎn)預(yù)測(cè)建模并進(jìn)行移植,結(jié)果表明：貝葉斯Logistic模型對(duì)于模型的移植具有較好的適應(yīng)性;此外,其還對(duì)高速公路的事故風(fēng)險(xiǎn)動(dòng)態(tài)傳播進(jìn)行了一定的研究[7];溫惠英等[8]基于多項(xiàng)式Logit模型對(duì)道路交叉口單車(chē)事故嚴(yán)重程度進(jìn)行了分析,結(jié)果表明：駕駛員性別、車(chē)輛行駛年齡等均對(duì)事故嚴(yán)重程度具有嚴(yán)重影響.

計(jì)量經(jīng)濟(jì)模型是廣大學(xué)者研究交通事故的主要方法之一,包括Logit模型及其衍生模型、Probit模型等. 道路交通事故的嚴(yán)重程度是有序的,Order Logit模型對(duì)于事故的分析應(yīng)該是合理的,但是其受到模型假設(shè)限制,使得事故嚴(yán)重程度低等級(jí)與高等級(jí)的概率估計(jì)有誤(高估或者低估)[9-10];Random Parameter Logit模型對(duì)模型自變量進(jìn)行異質(zhì)性假設(shè),使得模型的求解較為復(fù)雜;Wu等[11]對(duì)比了多項(xiàng)式Logit模型以及Random Parameter Logit模型,結(jié)果表明：多項(xiàng)式Logit模型更加試用分析交通事故嚴(yán)重程度.

綜上所述,目前對(duì)于交通事故的研究多以機(jī)動(dòng)車(chē)為主要研究對(duì)象,非機(jī)動(dòng)車(chē)出行也是道路交通的主要出行方式之一,且道路交叉口也是事故多發(fā)地. 多項(xiàng)式Logit模型能有篩選出顯著影響因素,且對(duì)結(jié)果能定量解釋,故本文基于多項(xiàng)式Logit模型分析城市道路交叉口處機(jī)非交通事故的嚴(yán)重程度,為交通管理部門(mén)的決策提供一定的支持.

1 數(shù)據(jù)描述

本文提取了美國(guó)某州2016—2018年機(jī)動(dòng)車(chē)-非機(jī)動(dòng)車(chē)碰撞事故數(shù)據(jù). 數(shù)據(jù)詳細(xì)記錄了事故發(fā)生的人、車(chē)、路以及環(huán)境等特征信息. 數(shù)據(jù)集將道路事故的嚴(yán)重程度分為無(wú)傷害事故、可能傷害事故、輕傷事故、重傷事故以及死亡事故5類(lèi),經(jīng)過(guò)事故數(shù)據(jù)特征的篩選,篩選了1 222條機(jī)動(dòng)車(chē)與非機(jī)動(dòng)車(chē)碰撞事故數(shù)據(jù),并選取13個(gè)變量作為研究的自變量,包括：機(jī)動(dòng)車(chē)駕駛員性別、非機(jī)動(dòng)車(chē)駕駛員性別、機(jī)動(dòng)車(chē)駕駛員年齡、非機(jī)動(dòng)車(chē)駕駛員年齡、非機(jī)動(dòng)車(chē)所處位置、事故發(fā)生地點(diǎn)、事故發(fā)生地區(qū)域類(lèi)型、光照條件、天氣條件、道路表面環(huán)境、道路線(xiàn)型、道路鋪裝、以及限速條件等. 數(shù)據(jù)變量的描述性統(tǒng)計(jì)如表1所示.

表1 變量描述

2 模型理論及參數(shù)標(biāo)定

2.1 多項(xiàng)式Logit模型

國(guó)內(nèi)外學(xué)者對(duì)于道路事故的分析提出了多種模型,多項(xiàng)式Logit模型常用于分析分類(lèi)變量之間的關(guān)系,因此本文基于多項(xiàng)式Logit模型來(lái)分析道路交叉口的事故嚴(yán)重程度.

將事故的嚴(yán)重程度分為y個(gè)等級(jí),對(duì)于事故i,其事故嚴(yán)重程度為yi,

(1)

多項(xiàng)式Logit模型基于效應(yīng)最大化理論,效應(yīng)函數(shù)的公式如下：

(2)

式中,Uij為第i起事故嚴(yán)重程度為j的效應(yīng);xi為自變量,如事故的時(shí)間、地點(diǎn)等影響因素;n為事故總數(shù);J為總的事故類(lèi)別數(shù);βj為事故嚴(yán)重程度類(lèi)別為j時(shí)的自變量回歸系數(shù);εij為未觀察到的擾動(dòng)項(xiàng)。假設(shè)εij服從極值分布,則第i起事故嚴(yán)重程度為j的概率為：

(3)

將無(wú)傷害事故yi=1作為參考方案,則多項(xiàng)式Logit模型為：

(4)

當(dāng)引入模型的自變量為多類(lèi)別分類(lèi)變量時(shí)(即類(lèi)別數(shù)n大于等于2),需要引入n-1個(gè)啞變量,以光照條件變量為例,變量描述如表2所示.

表2 光照條件

2.2 模型參數(shù)標(biāo)定

利用統(tǒng)計(jì)軟件進(jìn)行模型參數(shù)標(biāo)定,以無(wú)傷害事故(Y=1)作為參考類(lèi)別,分別設(shè)置各個(gè)自變量的基準(zhǔn)邊量為：機(jī)動(dòng)車(chē)駕駛員性別為男,非機(jī)動(dòng)車(chē)駕駛員性別為男,機(jī)動(dòng)車(chē)駕駛員年齡為≤17,非機(jī)動(dòng)車(chē)駕駛員年齡為≤17,非機(jī)動(dòng)車(chē)所處位置為機(jī)動(dòng)車(chē)道,事故發(fā)生地點(diǎn)為城市,事故發(fā)生地區(qū)域類(lèi)型為居住區(qū),光照條件為白天,天氣條件為晴天,道路表面環(huán)境為干燥,道路線(xiàn)型為直線(xiàn),路面鋪裝為光滑瀝青,限速條件為≤25.選擇顯著性水平為p值≤0.1,當(dāng)p>0.1時(shí),說(shuō)明自變量不顯著,不考慮該變量.模型的參數(shù)標(biāo)定結(jié)果如表3所示.

表3 參數(shù)標(biāo)定結(jié)果

對(duì)模型標(biāo)定結(jié)果計(jì)算邊際效應(yīng),結(jié)果如表4所示.

表4 模型邊際效應(yīng)

3 道路交叉口機(jī)動(dòng)車(chē)-非機(jī)動(dòng)車(chē)事故因素分析

3.1 人的因素

1)非機(jī)動(dòng)車(chē)駕駛員性別

當(dāng)非機(jī)動(dòng)車(chē)駕駛員的性別為女性時(shí),可能傷害事故的發(fā)生概率提升5%,說(shuō)明相對(duì)男性來(lái)講,女性更容易發(fā)生可能傷害事故,這種現(xiàn)象可能與非機(jī)動(dòng)車(chē)駕駛員男女性別差異帶來(lái)的生理狀態(tài)等原因有關(guān),相對(duì)男性來(lái)說(shuō),女性的身體素質(zhì)要弱一些,這也導(dǎo)致了女性相對(duì)男性非機(jī)動(dòng)車(chē)駕駛員的事故嚴(yán)重程度為可能傷害事故的概率提高.

2)非機(jī)動(dòng)車(chē)駕駛員年齡

年齡段在>45≤60的非機(jī)動(dòng)車(chē)駕駛員群體發(fā)生重傷事故以及死亡事故的概率分別提高了3%以及2%. 年齡段在>60≤75的非機(jī)動(dòng)車(chē)駕駛員群體更易發(fā)生輕傷以及重傷事故,概率分別提高了1%及2%. 相對(duì)17歲以下的非機(jī)動(dòng)車(chē)駕駛員群體,年齡大于45歲的群體可能機(jī)體的靈活程度較弱,更易發(fā)生較為嚴(yán)重的事故.

3.2 路的因素

1)非機(jī)動(dòng)車(chē)所處位置

非機(jī)動(dòng)車(chē)處于非機(jī)動(dòng)車(chē)道時(shí),相對(duì)于無(wú)傷害事故更容易發(fā)生死亡事故,概率提高了3%,可能是因?yàn)?相對(duì)于機(jī)動(dòng)車(chē)道,發(fā)生在非機(jī)動(dòng)車(chē)道的事故,一般為機(jī)動(dòng)車(chē)沖進(jìn)非機(jī)動(dòng)車(chē)道,進(jìn)而導(dǎo)致事故的嚴(yán)重性升級(jí).

非機(jī)動(dòng)車(chē)處于人行道時(shí),可能傷害事故發(fā)生的概率提高,而輕傷以及重傷事故發(fā)生的概率降低,這可能是因?yàn)槿诵械琅c機(jī)動(dòng)車(chē)道之間會(huì)設(shè)置非機(jī)動(dòng)車(chē)道,使得失控的機(jī)動(dòng)車(chē)得以緩沖,更易造成可能傷害事故,輕傷以及重傷事故的概率降低.

2)道路線(xiàn)型

當(dāng)?shù)缆肪€(xiàn)型為曲線(xiàn)時(shí),輕傷事故的發(fā)生概率降低,這可能是因?yàn)榈缆方徊婵谖恢锰?彎曲路段的車(chē)行速度降低,相比于無(wú)傷害事故,輕傷事故更不容易發(fā)生.

3)限速條件

當(dāng)限速條件為>25≤35時(shí),輕傷事故的發(fā)生概率降低,原因可能是因?yàn)樵谠撓匏賲^(qū)間時(shí),事故發(fā)生前的狀態(tài)更容易得到控制,使得輕傷事故的發(fā)生概率降低.

3.3 環(huán)境因素

1)事故發(fā)生地區(qū)域類(lèi)型

事故發(fā)生地位于商業(yè)區(qū)時(shí),相對(duì)于居住區(qū),道路交叉口事故發(fā)生可能傷害事故的概率提升了11%,這可能與周邊的用地類(lèi)型有關(guān),商業(yè)區(qū)域的車(chē)流量以及非機(jī)動(dòng)車(chē)流量均較高,可能傷害事故的發(fā)生概率也因此提高.

同時(shí),重傷事故的概率降低了4%,可能是因?yàn)樯虡I(yè)區(qū)域交叉口的車(chē)速受到限制,車(chē)速降低,更不容易發(fā)生重傷事故.

2)光照條件

夜間無(wú)路燈照明條件時(shí),道路交叉口的死亡事故提升了11%,這可能與事故發(fā)生時(shí),機(jī)動(dòng)車(chē)駕駛員的視線(xiàn)受到限制,不能及時(shí)對(duì)緊急情況作出響應(yīng),進(jìn)而導(dǎo)致嚴(yán)重的死亡事故.

4 小結(jié)

為系統(tǒng)研究道路交叉口處機(jī)動(dòng)車(chē)與非機(jī)動(dòng)車(chē)的事故發(fā)生機(jī)理,提高道路交叉口的安全水平,本文采用多項(xiàng)式Logit模型對(duì)發(fā)生在道路交叉口處的機(jī)非事故從人、路以及環(huán)境3個(gè)維度進(jìn)行定量分析,結(jié)果表明,非機(jī)動(dòng)車(chē)駕駛員的性別、年齡,非機(jī)動(dòng)車(chē)所處位置,事故發(fā)生地區(qū)域類(lèi)型,光照條件,道路線(xiàn)型以及限速條件均與道路交叉口機(jī)非事故的嚴(yán)重程度有關(guān). 但限于事故的數(shù)據(jù)精度,尚有部分研究因素未能考慮進(jìn)去,也是本文的不足之處,后續(xù)研究需進(jìn)一步考慮相關(guān)因素.

本文對(duì)于道路交叉口的機(jī)非交通事故有初步的研究結(jié)果,能為交通管理部門(mén)的決策提供一些相應(yīng)的建議. 由于本文使用的數(shù)據(jù)為美國(guó)的數(shù)據(jù)集,數(shù)據(jù)中的一些特征因素與我國(guó)存在一定的差異性,如駕駛員的種族、性格文化等,對(duì)于我國(guó)的借鑒效果存在一定局限,但是道路的基礎(chǔ)設(shè)施、環(huán)境特點(diǎn)等也存在部分共性,對(duì)于該類(lèi)型的事故分析研究有一定的參考價(jià)值.