0 引 言

行人作為城市道路交通系統(tǒng)中的弱勢群體，每年的交通事故中由于人車事故造成的行人死亡及受傷的比例不斷上升?！吨袊y(tǒng)計年鑒（2021）》顯示，2020 年我國共有3 480 起行人交通事故，相對于2015 年增加了1 343 起，其中1 349 人死亡，2 485 人受傷，帶來直接財產(chǎn)損失2 212.7 萬元。城市人口較為集中，行人的交通安全尤為重要。我國城市道路里程僅占全國道路總里程的7.5%，但城市道路交通事故卻占全國道路交通事故的45.8%，其中，城區(qū)交叉口和城市路段等處為交通事故高發(fā)區(qū)。因此，為了提高城市道路交通安全水平，降低行人交通事故的嚴重程度，有必要對城市行人在不同地點的事故基本規(guī)律和特征展開研究，深入挖掘城市行人事故嚴重程度的顯著影響因素。

目前，針對城市行人交通事故的不同發(fā)生地點，相關(guān)學(xué)者做了一定研究并發(fā)現(xiàn)了按事故地分類建模研究可以有效區(qū)分事故誘因。王嘉文等采用文獻綜述的方法對鄰近交叉口即兩難區(qū)進行了研究脈絡(luò)梳理，界定了邊界范圍是該方向的研究重心，但缺乏主客觀因素的定量化分析和特殊天氣對兩難區(qū)的影響研究。HALEEM K 等采用混合Logit 模型分別建立了信號交叉口和無信號交叉口交通事故嚴重程度預(yù)測模型，確定和比較了有無信號交叉口對行人交通事故嚴重程度的影響因素；2019 年，溫惠英等首次對交叉口單車碰撞事故建立以事故嚴重程度為因變量的多項式Logit 模型，探究事故發(fā)生的時間、地點、信號控制方式和車輛屬性等因素對交叉口單車事故嚴重程度的影響；Park S H 等使用二元Logit 回歸研究了行人年齡對于行人交通事故傷害嚴重程度的影響，并且考慮了行人所處地區(qū)的因素；王雪松等通過建立空間相關(guān)性的貝葉斯二項條件自回歸模型，發(fā)現(xiàn)城市三路交叉口比例與行人事故數(shù)顯著負相關(guān)。

鑒于此，本文以美國夏洛特市2010～2019 年間發(fā)生的人車碰撞事故為基礎(chǔ)，將其分為交叉口事故和路段事故，并分別建立Logistic 模型對影響交通事故嚴重程度的因素進行多角度對比分析，以探析不同地點的行人交通事故嚴重程度的成因特點。研究結(jié)果可為城市道路中交叉口和路段的交通管理工作提供參考，對于行人事故的預(yù)防和處理有重要意義。

1 數(shù)據(jù)來源與變量選取

1.1 數(shù)據(jù)來源

本文的研究數(shù)據(jù)來源于美國高速公路安全信息系統(tǒng)（Highway Safety Information System，HSIS），數(shù)據(jù)詳實完整，有較深的研究意義。每條人車碰撞事故記錄中，均包括機動車駕駛員屬性（性別、年齡段和是否飲酒等）、行人屬性（性別、年齡段和是否飲酒等）、車輛屬性（機動車類型）、道路屬性（道路線形、路面材料和干濕情況等）、環(huán)境屬性（天氣、照明情況和發(fā)生時段等）、行人受傷嚴重程度和事故發(fā)生點（交叉口和路段上） 等信息。

選取2010 年1 月1 日至2019 年12 月31 日發(fā)生在美國北卡羅來納州的夏洛特市城區(qū)的4 777 起行人—機動車事故作為此次研究的基礎(chǔ)數(shù)據(jù)，通過剔除異常值、情況未知等信息，最終保留記錄完整的人車事故4 230 起，其中交叉口事故2 452 起，路段事故1 778 起。

1.2 因變量

交通事故嚴重程度在美國被劃分為5 個等級，分別為死亡事故、傷殘事故、非傷殘性受傷事故、潛在傷害事故和僅財產(chǎn)損失事故，本文以事故中行人受傷程度作為因變量，依據(jù)事故等級劃分標(biāo)準(zhǔn)分為死亡、致殘傷害、明顯傷害、可能傷害和無傷害5 類，分別為=1～5，2 種事故地點在不同嚴重等級中的占比如表1 所示。

表1 3 種事故地點在不同嚴重等級中的占比情況 單位：%

1.3 自變量

研究表明，導(dǎo)致交通事故的原因是由人、車、路和環(huán)境組成的交通系統(tǒng)失衡，本文從駕駛員、行人、車輛、道路和環(huán)境等方面，初步選取23 個自變量來分析影響交通嚴重等級的影響因素，具體編碼如表2 所示。

2 行人事故嚴重程度Logistic 模型

2.1 Logistic 回歸模型介紹

Logistic 回歸模型是機器學(xué)習(xí)中的一種分類模型，可以表現(xiàn)為所選觀測變量對結(jié)果發(fā)生的概率，揭示變量與變量之間、變量與結(jié)果之間存在的相關(guān)關(guān)系，在探究交通事故嚴重程度的影響因素上有廣泛應(yīng)用，具有很好的預(yù)測效果。因此，本文選擇構(gòu)建Logistic 模型，探究行人交通事故嚴重程度的影響因素。

與A組比較，D組和E組產(chǎn)婦滿意度評分升高 (P＜0.05)，B組和C組差異無統(tǒng)計學(xué)意義 (P＞0.05)；與B組比較，D組和E組產(chǎn)婦滿意度評分升高(P＜0.05)，C 組差異無統(tǒng)計學(xué)意義(P＞0.05)；與 C 組比較，D組和E組產(chǎn)婦滿意度評分升高(P＜0.05)；與D組比較，E組產(chǎn)婦滿意度評分升高(P＜0.05)，見表4。

式中：為個自變量,,…,x；α為常數(shù)項；β為回歸系數(shù)；為自變量的個數(shù)；(≤)

為累積概率，且有()=1。

累積Logistic 的概率模型可以表示為：

2.2 模型構(gòu)建

本文利用SAS 9.2，采用逐步篩選法來構(gòu)建行人交通事故嚴重程度模型。針對事故發(fā)生地點的不同分別建立交叉口事故模型和路段模型，以此來深入探析各影響因素與不同發(fā)生地的行人交通事故嚴重程度之間的潛在關(guān)系。

在進行模型擬合前，采用方差膨脹因子分析各個自變量的共線性情況，當(dāng)方差膨脹因子（Variance Inflation Factor，VIF）大于10 時，說明變量之間存在明顯的共線性關(guān)系。結(jié)果表明：交叉口模型和路段模型中各變量的值均小于10，不存在明顯共線性。

將變量再分別代入2 個模型中并進行預(yù)測力分析，用分析結(jié)果的Spearman 與Hoeffding 這兩個指標(biāo)來判斷變量在模型中的預(yù)測能力，當(dāng)變量的這兩個指標(biāo)皆大于0.5 時表示變量預(yù)測力較差，則刪除對應(yīng)變量。結(jié)果顯示：交叉口事故模型中，機動車類型、駕駛員性別、駕駛員年齡段、發(fā)生季度、路面干濕情況、是否高峰期、天氣7 個變量預(yù)測力較差，需要刪除，最終符合建模要求的有16 個變量；路段模型中，發(fā)生季度、機動車類型、道路線形、天氣4 個變量預(yù)測力較差，需要刪除，最終符合建模要求的有19 個變量。保留剩余自變量作為獨立變量分別引入到兩個模型的構(gòu)建中。取顯著性水平為0.05，各模型最終的具體標(biāo)定結(jié)果如表3 所示。

由模型標(biāo)定結(jié)果可知: 行人是否飲酒、駕駛員是否飲酒、車輛類型、照明條件、車道數(shù)、事故類型、是否肇事逃逸這7 個變量對事故嚴重程度影響顯著。其中，為回歸系數(shù)，當(dāng)值為負時，表示相對于對照組該類別發(fā)生嚴重程度更高的事故概率會升高，反之，則降低。()為優(yōu)勢比，表示對照組與實驗組發(fā)生嚴重事故的概率之比。

表2 自變量分類及編碼

2.3 模型檢驗

Logistic 回歸模型的模型檢驗主要包括對模型的整體檢驗、模型的擬合優(yōu)度檢驗和模型的預(yù)測準(zhǔn)確度檢驗。對本文研究的2個模型的擬合結(jié)果進行檢驗，檢驗結(jié)果如表4 所示。參數(shù)估計結(jié)果符合似然比檢驗和Wald 檢驗，且值皆小于0.0001，說明模型整體通過了檢驗。在模型的擬合優(yōu)度檢驗中，檢驗結(jié)果顯示2 個模型擬合優(yōu)度均較好(值＞0.05 )，模型有效性較強。預(yù)測準(zhǔn)確度檢驗結(jié)果顯示2 個模型的準(zhǔn)確度都較高(值＞0.7 )，模型預(yù)測能力較強。

3 模型影響因素分析

3.1 人的顯著因素

駕駛員與行人是否飲酒在交叉口事故模型和路段事故模型中的回歸系數(shù)均為負數(shù)，說明駕駛員或行人飲酒后在交叉口和路段上都更容易發(fā)生較為嚴重的交通事故。這主要是因為飲酒后駕駛員的判斷能力、操作能力和觸覺能力等降低，無法正確判斷距離和車速，且交叉口交通狀況比較復(fù)雜，不同方向過往車輛較多，路段車輛速度較快，飲酒后的行人視野會縮小，感知及行為能力也會減弱，這些都更易導(dǎo)致行人在交叉口和路段處遭受更為嚴重的交通事故。

3.2 車輛顯著因素

車輛類型在交叉口模型中對人車碰撞事故嚴重程度影響顯著，而在路段模型中不顯著。模型結(jié)果顯示：在交叉口處，貨車相對于客車及摩托車更易引發(fā)嚴重程度較高的人車碰撞事故。這可能與貨車自身的體積、慣性較大，貨車駕駛員盲區(qū)較多有關(guān)。

表3 模型標(biāo)定結(jié)果

表4 模型檢驗

3.3 道路顯著因素

車道數(shù)對2 個模型均顯著，一到二車道數(shù)相對于八車道以上的路段和交叉口更易發(fā)生嚴重的行人交通事故，這主要因為多車道的路段一般規(guī)劃有人行道，機動車對路側(cè)行人威脅較小，而車道數(shù)少的路段往往人車混行，發(fā)生嚴重人車事故的概率更高。

3.4 環(huán)境顯著因素

照明條件是交叉口和路段模型中的顯著因素，相對于白天發(fā)生的交通事故，夜晚有路燈和昏暗（黎明） 發(fā)生的事故嚴重性更高，且黎明時刻的昏暗情況在交叉口和路段模型中最顯著。這是緣于黎明時分多為貨車通勤，駕駛員和行人視線皆受照明條件差的影響。

3.5 事故顯著特征

肇事逃逸對于路段模型的事故嚴重程度也有很大影響。路段上機動車行駛速度高，肇事車輛逃逸后行人容易受到后續(xù)車輛的二次傷害。而在交叉口處，機動車一般車速較慢，且存在過街行人，可以及時對受傷行人進行救助。

2 個模型中，道路不同地點行人在路上工作或玩耍、行人橫穿馬路時車輛轉(zhuǎn)向、行人橫穿街道等均為引發(fā)嚴重交通事故的危險影響因素，而當(dāng)行人沿道路行走、等待穿行時，行人交通事故嚴重程度相對較低。

4 結(jié) 論

（1） 本文將城市行人交通事故依據(jù)不同發(fā)生位置劃分為交叉口交通事故和路段交通事故，從人、車、路和環(huán)境等方面分別構(gòu)建Logistic 交通事故嚴重程度模型。模型檢驗結(jié)果表明，各模型的擬合情況良好，Logistic 模型可有效進行城市不同空間的人車碰撞事故嚴重程度分析。

（2） 通過分析城市道路不同位置的行人交通事故嚴重程度模型結(jié)果發(fā)現(xiàn)，駕駛員與行人是否飲酒、照明條件、車道數(shù)、事故形式對于城市交叉口和路段事故嚴重程度均有顯著影響。車輛類型僅對交叉口發(fā)生的人車事故嚴重程度有影響；肇事逃逸僅對于路段發(fā)生的碰撞行人事故影響顯著。這說明城市行人交通事故嚴重程度的顯著性影響因素具有異同性，而針對不同地點的交通事故構(gòu)建模型，有利于降低城市行人交通事故數(shù)據(jù)的異質(zhì)性，交通管理部門需要根據(jù)不同地點的交通情況設(shè)計針對性的安全管理及防范策略。

（3） 本文利用了美國北卡羅萊納州夏洛特市城區(qū)的人車碰撞事故集進行了一些研究，研究成果可以幫助城市交通管理部門更好地了解行人交通事故嚴重程度的影響因素。雖然在交通設(shè)施或管理方面我國與美國存在一些差異，且我國的交通狀況也有其特殊性，但從發(fā)達國家的交通事故中總結(jié)相關(guān)規(guī)律并吸取一定經(jīng)驗是頗為必要的，此外，本文在模型的變量上選取較為基礎(chǔ)，具有代表性，研究方法也適用于我國的行人交通事故，研究成果可為我國交通管理部門的決策規(guī)劃提供依據(jù)，對我國降低行人交通事故嚴重程度具有參考意義。

（4） 由于數(shù)據(jù)獲取存在局限性，本文中并沒有將對城市行人交通事故嚴重程度有影響的因素全部納入模型當(dāng)中，如機動車速、行人受傷部位、駕駛員或行人是否違反交通規(guī)則和其他交通參與者的行為等，結(jié)果分析中對行人及駕駛員行為的解釋不夠全面，這將在接下來的研究中進一步完善。