姚紅云,曹志富，凃強

(重慶交通大學 交通運輸學院，重慶 400074)

公路路產(chǎn)損壞不僅影響公路的安全、暢通，也影響正常的經(jīng)濟和生活秩序。公路路產(chǎn)損壞索賠是公路行政部門進行路產(chǎn)修復(fù)的經(jīng)濟來源，然而受當事人、保險公司、案件復(fù)雜度以及執(zhí)法能力等因素的影響，路產(chǎn)損失往往得不到賠償。因此，明晰路產(chǎn)損壞嚴重度的影響因素及影響程度大小，將有利于管理部門進行針對性管理，從而降低路政部門的管養(yǎng)經(jīng)濟損失。

《道路交通事故處理程序規(guī)定》[1]中，將道路事故分為財產(chǎn)損失事故、傷人事故和死亡事故?，F(xiàn)有文獻在研究事故嚴重性時，也多按財產(chǎn)損失、輕傷、重傷死亡三個等級劃分，缺乏對財產(chǎn)損失的細致考慮[2-5]。而現(xiàn)有關(guān)于路產(chǎn)損失的研究中，僅涉及了路產(chǎn)損失賠償[6]、法律保護[7]和權(quán)益維護[8]問題，忽視了需從管理層面降低路產(chǎn)損失程度，因此有必要對路產(chǎn)損失嚴重程度進行深入研究。在關(guān)聯(lián)性研究中，多采用Logistic回歸、多項Logit模型、有序Logit模型等統(tǒng)計分析方法[9-15]，但多元Logit模型未考慮到被解釋變量的內(nèi)在有序性，且需要滿足不相關(guān)選擇項獨立性假設(shè)[16]，這與事故嚴重度的有序特性相違背。有序Logit模型雖然考慮到了被解釋變量的有序性，但需滿足比例優(yōu)勢假設(shè)，即模型解釋變量系數(shù)對任意等級被解釋變量都是固定不變的[17]，這種假設(shè)限制了影響因素對不同等級事故的影響效果。支持向量機、隨機森林和神經(jīng)網(wǎng)絡(luò)等智能算法[18-21]，雖在精度上保持著優(yōu)勢地位，但受限于數(shù)據(jù)量，且可解釋性不強[22]。部分優(yōu)勢比模型相比以上模型，不僅在保證被解釋變量內(nèi)在有序性的同時放寬了比例優(yōu)勢假設(shè)，且對數(shù)據(jù)量的要求也不高，因此應(yīng)用于關(guān)聯(lián)性研究時考慮因素更多，解釋性更強。考慮到路產(chǎn)損失事故中，不是所有的影響因素都滿足比例優(yōu)勢假設(shè)，因此本文選用部分優(yōu)勢比模型，以成渝高速公路造成路產(chǎn)損失的事故為對象，探究與路產(chǎn)損失嚴重度顯著相關(guān)的因素，并以彈性系數(shù)分析這些因素對路產(chǎn)損失的影響程度。

1 數(shù)據(jù)來源與分析

1.1 數(shù)據(jù)來源

以成渝地區(qū)某高速公路2011—2018年8年間造成路產(chǎn)損失的交通事故為研究對象，根據(jù)事故臺賬記錄數(shù)據(jù)(包含日期、時段、方向、樁號、車牌號、大小車型、事故形態(tài)、事故原因、事故、天氣狀況、路段線形等信息)，剔除臺賬中信息缺失的數(shù)據(jù)，結(jié)合賠償能力(西南地區(qū)平均薪資水平)及數(shù)據(jù)特性，將產(chǎn)生路產(chǎn)賠償?shù)?14起事故按路產(chǎn)賠償金額大小劃分為3級，并統(tǒng)一定義為路產(chǎn)損失事故。1級路產(chǎn)損失事故損失不超過4 000元，共449起(55.16%)；2級路產(chǎn)損失事故損失為4 000～10 000元，共252起(30.96%)；3級路產(chǎn)損失事故損失為10 000元以上，共113起(13.88%)。

1.2 數(shù)據(jù)分析

1.2.1 事故分布特性分析

(1)時間特性

通過對814起路產(chǎn)損失事故按路產(chǎn)損失等級進行分析，晝夜分布和季節(jié)分布見圖1。從圖1(a)可以看出白天的事故數(shù)多于夜間的事故數(shù)，下半夜的事故數(shù)多于上半夜的事故數(shù)，且損失程度越高的事故占比越小。按照北半球?qū)τ诩竟?jié)的劃分，每年3—5月為春季，6—8月為夏季，9—11月為秋季，12—2月為冬季。從圖1(b)可以看出1級路產(chǎn)損失事故在冬季發(fā)生的次數(shù)較高，而2、3級路產(chǎn)損失事故在冬季發(fā)生的次數(shù)較低，反而在秋季發(fā)生的次數(shù)較高，因此季節(jié)也應(yīng)為路產(chǎn)損失事故考慮的一個因素。

圖1 路產(chǎn)損失事故時間分布特性Fig.1 Time-distribution characteristics of road accidents

(2) 空間特性

根據(jù)事故統(tǒng)計數(shù)據(jù)，按照路產(chǎn)損失事故等級及平直路段事故占比，可以得到，路產(chǎn)損失事故主要發(fā)生在平直路段，特殊路段上發(fā)生的路產(chǎn)損失事故較少，表明特殊路段對事故發(fā)生率的影響較小。隨著路產(chǎn)損失等級的提高，發(fā)生在平直路段的事故占比越大，且1、2、3級事故數(shù)分別為416、247、112起，其占比分別為93%、98%和99%，因此平直路段這一解釋變量對事故等級的分布影響較大。由于本文將事故發(fā)生位置定義二分類變量，即平直路段和特殊路段，因此特殊路段中事故等級的分布也具有相似的規(guī)律。

1.2.2 事故形態(tài)及原因分析

考慮到路產(chǎn)損失嚴重程度可能與事故形態(tài)相關(guān)，本文將事故形態(tài)分為追尾、擦掛、撞固定物、翻車、其他5種形態(tài)，用以分析不同事故形態(tài)對路產(chǎn)損失程度的影響，具體信息如圖2(a)所示。從事故發(fā)生的形態(tài)來看，路產(chǎn)損失事故中事故形態(tài)為碰撞固定物的事故數(shù)最多，追尾、擦掛、翻車的事故數(shù)大致相當，其他事故形態(tài)的占比最小，表明路產(chǎn)損失的嚴重程度很大程度上受事故形態(tài)的影響，因此分析事故形態(tài)與路產(chǎn)損失的相關(guān)關(guān)系是很有必要的。

圖2 路產(chǎn)損失事故形態(tài)及原因Fig.2 Types and causes of road accidents

由圖2(b)可以看出，從事故原因分析，操作不當對路產(chǎn)損失的影響最大，其他因素對路產(chǎn)損失的影響較小。肇事車輛類型中，重大貨車為重型和大型貨車構(gòu)成的集合，中小貨車為中型和小型貨車構(gòu)成的集合，客車為大型、中型和小型客車構(gòu)成的集合。由圖2(c)可知，在路產(chǎn)損失事故中，轎車是發(fā)生事故的主要車輛，然后是重大貨車和中小貨車，肇事車輛占比最小的是客車。且3級路產(chǎn)損失事故中由重大貨車發(fā)生的事故占比最大，1、2級路產(chǎn)損失事故中由轎車發(fā)生的事故占比最大，客車發(fā)生2、3級路產(chǎn)損失事故的占比最小，表明肇事車輛類型與路產(chǎn)損失的嚴重程度存在著一定的相關(guān)性。

同時，根據(jù)表1統(tǒng)計數(shù)據(jù)，在路產(chǎn)損失事故中，雨霧天氣的事故共計210起，非雨霧天氣的事故共計604起。路產(chǎn)損失嚴重程度與雨霧天氣發(fā)生事故數(shù)比例呈正相關(guān)，表明天氣狀況對路產(chǎn)損失嚴重程度有一定的影響。

表1 不同天氣下路產(chǎn)損失事故數(shù)及占比

2 模型方法

2.1 部分優(yōu)勢比模型

在現(xiàn)實的交通場景中，受地區(qū)環(huán)境等影響，交通事故的影響因素通常只有部分因素能夠滿足比例優(yōu)勢假設(shè)，而其余因素違反，部分優(yōu)勢比模型在該數(shù)據(jù)條件下具有很強的適用性。該模型能夠利用Stata中的gologit2命令求解[23]。模型可以表示為：

(1)

式中，Y為路產(chǎn)損失嚴重程度等級，X為滿足比例優(yōu)勢假定的解釋變量構(gòu)成的向量，J表示劃分的等級數(shù)，β為第j級路產(chǎn)損失事故滿足比例優(yōu)勢假定的解釋變量對應(yīng)的系數(shù)，H為不滿足比例優(yōu)勢假定的解釋變量構(gòu)成的向量，τ為第j級路產(chǎn)損失事故不滿足比例優(yōu)勢假定的解釋變量對應(yīng)的系數(shù)。

本文將交通事故結(jié)果損失分為3個等級，因此部分優(yōu)勢比模型可表示為：

(2)

2.2 偽彈性分析

建模的目的是為了明晰與被解釋變量呈顯著相關(guān)的解釋變量，部分解釋變量與被解釋變量雖然呈顯著相關(guān)，但其系數(shù)的大小與正負情況并不總是決定影響程度大小[20]。彈性分析方法能夠量化解釋變量變化對被解釋變量的影響程度，但模型為離散模型，不能以傳統(tǒng)的彈性分析法計算。在合作博弈模型中，沙普利值的計算往往以缺失解釋變量研究其對整體收益的影響，從而得到各解釋變量對合作集體的影響力大小。與上述思想類似，考慮上述模型中解釋變量為二分類變量或多分類變量，通過計算解釋變量的邊際效益得到偽彈性系數(shù)[24]，用以評價解釋變量對被解釋變量的影響程度，計算公式如下：

(3)

3 案例分析

本文以成渝地區(qū)某高速公路發(fā)生在2011—2018年8年間的814起路產(chǎn)損失事故為研究對象，以統(tǒng)計分析軟件Stata 16.1為工具，采用多重共線性檢驗控制解釋變量之間的相關(guān)性，排除高度相關(guān)變量。采用逐步回歸選擇法進一步對變量選擇，顯著性水平為0.10。若P<0.10，則認為該解釋變量對被解釋變量有顯著影響，對該解釋變量進行保留。

3.1 變量分類與編碼

根據(jù)現(xiàn)有數(shù)據(jù)的類型及數(shù)據(jù)量，以車、路和環(huán)境為參考，確定影響路產(chǎn)損失程度的解釋變量共12個，見表2。原始統(tǒng)計數(shù)據(jù)中缺少駕駛員性別、年齡數(shù)據(jù)，且駕齡數(shù)據(jù)為編碼信息，不能反應(yīng)出駕駛員的實際駕齡，故不考慮駕駛員特性對被解釋變量的影響?？紤]到路產(chǎn)損失可能受涉事車輛數(shù)的影響較大，將涉事車輛數(shù)分為單車事故和多車事故。考慮交通量晝夜比及上下夜分布不均的影響，將事故發(fā)生時間分為3個等級。因原統(tǒng)計數(shù)據(jù)未統(tǒng)計路面干濕度、是否結(jié)冰和能見度，故將天氣分為雨霧天氣和非雨霧天氣，季節(jié)按春夏秋冬四季劃分。

表2 解釋變量的分類與編碼

表2(續(xù))

解釋變量中包含二分類變量和多分類變量兩種，其中二分類變量可直接帶入模型進行計算，對于多分類變量，需進一步設(shè)置虛擬變量，將每種類型轉(zhuǎn)化為二分類變量，才能帶入模型計算。若多分類變量有n類，則需生成(n-1)個虛擬變量用于計算。從表2中可以看出，肇事車輛類型、事故形態(tài)、事故原因、事故發(fā)生位置、事故發(fā)生時間和季節(jié)均為多分類解釋變量。

這里以肇事車輛類型為例展示虛擬變量的設(shè)置，以“重大貨車”為參照類型，引入三個虛擬變量，結(jié)果如表3所示。

表3 肇事車輛類型的虛擬變量

3.2 模型參數(shù)估計與分析

3.2.1 線形分析

由表4可知，曲線半徑為1 000～2 000 m及大于2 000 m的參數(shù)估計為負，表明發(fā)生在半徑小于1 000 m的事故與路產(chǎn)損失嚴重程度關(guān)系更緊密。緩和曲線的參數(shù)估計為正，表明擁有緩和曲線的路段發(fā)生的事故與路產(chǎn)損失嚴重度相關(guān)性呈正相關(guān)。同樣由表4可以發(fā)現(xiàn)，線形特征這一影響因素滿足嚴格的比例優(yōu)勢假定。

3.2.2 車輛分析

由表4可以看出，中小貨車、客車、轎車的參數(shù)估計均為負值，且顯著性水平高，表明重大貨車事故對路產(chǎn)損失事故的影響更大。對比兩個界限下的參數(shù)估計情況，可以發(fā)現(xiàn)二者發(fā)生了變化，表明肇事車輛類型中的中小貨車、客車、轎車并不滿足嚴格的比例優(yōu)勢假定，同時也證明了部分優(yōu)勢比模型的適用性。由涉事車輛數(shù)的參數(shù)估計可知，該變量與路產(chǎn)損失的嚴重程度聯(lián)系相對緊密，但顯著性水平不如肇事車輛類型。而涉事車輛中含有貨車的參數(shù)估計為負，表明涉事車輛含有貨車與路產(chǎn)損失嚴重度呈負相關(guān)，兩者關(guān)系顯著，但顯著性水平并不高。

3.2.3 事故形態(tài)及原因分析

表4中并不含有事故形態(tài)相關(guān)變量，這是因為各事故形態(tài)變量對路產(chǎn)損失程度的影響較小，兩者相關(guān)性不顯著。而事故原因中間距不足和不按規(guī)定變道與路產(chǎn)損失嚴重度相關(guān)性顯著，且參數(shù)估計值為負，結(jié)合其他原因事故數(shù)在路產(chǎn)損失事故中的占比情況，表明駕駛員操作不當對事故損失的影響更大。

表4 部分優(yōu)勢比模型的參數(shù)估計

3.2.4 位置、天氣、季節(jié)分析

事故發(fā)生位置與路產(chǎn)損失嚴重度相關(guān)性顯著，表明事故發(fā)生在平直路段對路產(chǎn)損失的影響更大。天氣條件也同樣與路產(chǎn)損失嚴重度相關(guān)性顯著，且參數(shù)估計為正，表明雨霧天氣相比非雨霧天氣對事故嚴重度的影響更大。由表4可知，冬天在1級和2級損失事故的界限與路產(chǎn)損失相關(guān)性不顯著，在2級和3級損失事故的界限與路產(chǎn)損失相關(guān)性顯著，且參數(shù)估計均為負值，表明其他季節(jié)對事故嚴重度的影響更大。同時由參數(shù)估計值可知，季節(jié)為冬天這一因素并不滿足嚴格的比例優(yōu)勢假定。

3.3 模型偽彈性分析

為了進一步分析由部分優(yōu)勢比模型得到的顯著解釋變量對被解釋變量的邊際影響，本文采用偽彈性系數(shù)分析顯著解釋變量對路產(chǎn)損失程度的影響，彈性系數(shù)值如表5所示。

表5 部分優(yōu)勢比模型解釋變量偽彈性分析

表5(續(xù))

(1) 線形分析

模型結(jié)果揭露了曲線半徑對路產(chǎn)損失嚴重度的影響，由表5可知，在曲線半徑為1 000～2 000 m的路段上，2級和3級路產(chǎn)損失事故的發(fā)生概率分別降低了7.20%和10.33%。在曲線半徑超過2 000 m的路段上，2級和3級路產(chǎn)損失事故的發(fā)生概率分別降低了6.61%和14.29%。但在以上兩類路段上，1級路產(chǎn)損失事故發(fā)生概率分別增加了3.14%和7.68%。對比緩和曲線對損失程度的影響情況，由于緩和曲線的影響，2級和3級損失事故的發(fā)生概率分別增加了8.48%和17.43%，表明擁有緩和曲線的曲線路段與重大路產(chǎn)損失事故相關(guān)性較高。

(2)車輛分析

偽彈性系數(shù)結(jié)果顯示，肇事車型為中小貨車、客車、轎車引起1級路產(chǎn)損失事故發(fā)生的概率分別增加14.04%、12.02%、26.10%，而對于2級和3級損失事故，三者的邊際影響效果均為負，表明重大貨車會引起2級和3級路產(chǎn)損失事故的發(fā)生概率增加，且從三者的邊際影響程度來看，肇事車輛為重大貨車發(fā)生2、3級路產(chǎn)損失事故的概率增加幅度較大。模型分析結(jié)果同樣顯示，多車事故會引起2級和3級路產(chǎn)損失事故的發(fā)生概率增加，增量分別為4.86%和9.75%，雖然相關(guān)性顯著，但顯著性水平不高，且涉事車輛數(shù)與1級路產(chǎn)損失的相關(guān)性不顯著。從表6中還可以得出涉事車輛含有貨車僅與1級損失事故顯著相關(guān)，且引起1級路產(chǎn)損失事故的發(fā)生概率增加，增量3.96%。

(3)事故形態(tài)及原因分析

模型結(jié)果并沒有揭示事故發(fā)生形態(tài)在路產(chǎn)損失程度方面的顯著差異。事故原因方面，間距不足或不按規(guī)定變道均與路產(chǎn)損失程度顯著相關(guān)，且前者的顯著水平更高，兩者均與1級路產(chǎn)損失事故發(fā)生概率的增加和2、3級路產(chǎn)損失事故發(fā)生概率的降低有關(guān)，兩者分別使1級路產(chǎn)損失事故發(fā)生的概率增加2.51%和1.27%，使2級路產(chǎn)損失事故發(fā)生的概率降低3.94%和2.99%，使3級路產(chǎn)損失事故發(fā)生的概率降低6.45%和4.26%。

(4)位置、天氣、季節(jié)分析

根據(jù)模型結(jié)果顯示，平直路段使2級和3級路產(chǎn)損失事故的發(fā)生概率分別增加了67.61%和147.57%，且相關(guān)性顯著，表明高速公路上重大路產(chǎn)損失事故發(fā)生在平直路段的數(shù)量占比更大。因為事故發(fā)生時間和行駛方向等變量與路產(chǎn)損失事故嚴重度的相關(guān)性水平較低，故未在模型中顯示。雨霧天氣也使2級和3級路產(chǎn)損失事故的發(fā)生概率得到增加，增量分別為2.75%和8.34%，表明雨霧天氣對損失程度的影響較大。冬天僅與3級路產(chǎn)損失顯著相關(guān)，且與3級路產(chǎn)損失事故發(fā)生概率的降低有關(guān)，為14.23%，表明其他季節(jié)與3級路產(chǎn)損失事故發(fā)生概率的增加有關(guān)。

4 結(jié)語

(1)以路產(chǎn)損失程度為被解釋變量，按路產(chǎn)賠償金額大小，將路產(chǎn)損失分為3個等級，1級路產(chǎn)損失程度損失為不超過4 000元、2級路產(chǎn)損失程度損失為4 000～10 000元、3級路產(chǎn)損失程度損失為10 000元以上。因駕駛員的相關(guān)數(shù)據(jù)缺失，僅從車、環(huán)境、事故形態(tài)及原因等方面選擇29個相關(guān)解釋變量，其中車的方面包括肇事車輛類型、是否涉及貨車和事故涉及車輛數(shù)等；環(huán)境的方面包括是否為事故位置、時間、方向、季節(jié)、曲線半徑等；事故形態(tài)及原因包括追尾、擦掛、翻車、間距不足等；建立了山區(qū)高速路產(chǎn)損失嚴重程度分析模型。

(2)與路產(chǎn)損失嚴重程度呈顯著相關(guān)的13個解釋變量，分別是1 000 m<曲線半徑≤2 000 m、曲線半徑>2 000 m、緩和曲線、中小貨車等。其中肇事車型為中小貨車、客車、轎車以及季節(jié)為冬季不滿足比例優(yōu)勢假設(shè)，其余解釋變量均滿足比例優(yōu)勢假設(shè)。

(3)由部分優(yōu)勢比模型的分析結(jié)果可知，肇事車輛為重大貨車會使2級和3級路產(chǎn)損失事故的發(fā)生概率增加，因為重大貨車為虛擬變量的參考值，故不能得到具體的增加量，但從分析結(jié)果可以認為影響程度較大；擁有緩和曲線的曲線路段、多車事故、雨霧天氣和平直路段均與2級路產(chǎn)損失事故和3級路產(chǎn)損失事故發(fā)生概率增加有關(guān)，概率為8.48%、4.86%、2.75%、67.61%和17.43%、9.75%、8.34%、147.57%。

本文的研究結(jié)果可以為交通路政管理部門制定預(yù)防措施提供一定的科學依據(jù)。受已知數(shù)據(jù)量的局限，文中未將駕駛員的年齡、性別、駕齡以及是否系安全帶等特征納入解釋變量，在未來的研究中會進一步完善數(shù)據(jù)，并量化每種因素對路產(chǎn)損失程度的影響。