肖樂 周華 王朝健 劉鑫

關(guān)鍵詞：交通安全；交叉口；事故嚴(yán)重性；車車事故；雙變量有序Probit模型

據(jù)統(tǒng)計[1]，2019年中國大陸發(fā)生道路交通事故20萬余起，其中發(fā)生在交叉口事故就有4萬余起，占比約22%。且交叉口的數(shù)量隨著城鎮(zhèn)化的進(jìn)程快速增加，導(dǎo)致路網(wǎng)愈加繁雜，各類交通流在此交匯，形成大量交通沖突點，相關(guān)研究顯示，發(fā)生在城市交叉口的事故占比約30%[2]。因此研究城市交叉口事故嚴(yán)重性影響因素對事故預(yù)防具有重要意義。

事故嚴(yán)重性的分析方法，主要有計量經(jīng)濟(jì)學(xué)模型和數(shù)據(jù)挖掘方法。計量經(jīng)濟(jì)學(xué)模型主要包含Logit模型[3-4]和Probit模型[5-6]。袁方等[7]采用隨機(jī)參數(shù)次序Probit模型對交叉口自行車與機(jī)動車碰撞事故進(jìn)行分析，發(fā)現(xiàn)車輛類型、交通信號和交叉路口類型等要素影響事故嚴(yán)重性。陳荔等[8]采用多元Logit模型分析不同形態(tài)的城市交通事故影響要素，結(jié)果表明交通方式、行駛狀態(tài)、違法行為3個因素影響最顯著。馬景峰等[9]對采用偏比例優(yōu)勢模型對電動自行車與機(jī)動車事故的影響因素進(jìn)行分析，發(fā)現(xiàn)事故區(qū)位、道路類型與光線亮度是可能導(dǎo)致事故高發(fā)的因素。

在采用數(shù)據(jù)挖掘方面，趙曉華等[10]基于導(dǎo)航數(shù)據(jù)挖掘交叉口風(fēng)險因素，發(fā)現(xiàn)交叉口車道數(shù)、信號相位、中央分隔帶類型、監(jiān)控設(shè)備數(shù)量等都對交叉口安全性具有顯著影響。汪瑩等[11]歸納交叉口事故影響因素，建立安全評價模型，實現(xiàn)交叉口安全程度的量化分級。此外，也有學(xué)者利用交通沖突數(shù)量或交通沖突模型進(jìn)行交通安全分析，郭延永等[12]構(gòu)建了包含數(shù)據(jù)層、處理層、先驗層的3層Beyes超閾值沖突極值模型，對非常規(guī)信號交叉口的安全影響因素進(jìn)行了定量評估。王晨等[13]將極值模型與微觀交通仿真相結(jié)合，對信號交叉口的交通安全進(jìn)行評價。

針對事故嚴(yán)重性分類，分類方式眾多。美國公路委員會將汽車交通事故傳統(tǒng)地分為死亡、A、B、C級傷害和僅有物損的事故[14]。中國大陸根據(jù)事故后果的嚴(yán)重程度分為特大事故、重大事故、一般事故與輕微事故[15]。分類方式雖然豐富，但在實際用于研究時，通常只考慮死亡和受傷人數(shù)，忽略了車輛損失的影響，而考慮汽車損壞嚴(yán)重性的研究則更少。

現(xiàn)有文獻(xiàn)大多采用Probit和Logit等傳統(tǒng)離散模型分析，相關(guān)文獻(xiàn)表明采用該類模型分析的效果較好，但尚未見有綜合考慮汽車損壞狀態(tài)和人、車、路、環(huán)等要素對城市車車事故嚴(yán)重性影響的研究報道。

為此，本文以中國國家車輛事故深度調(diào)查體系（NationalAutomobileAccidentIn-depthInvestigationSystem，NAIS）中528例交叉口車車事故數(shù)據(jù)為樣本，建立雙變量有序Probit（bivariateorderedProbit，BOP）概率模型，以車輛損壞狀態(tài)為因變量，辨識事故嚴(yán)重性影響因素，最后利用平均邊際效應(yīng)量化顯著因素的影響。本文引入車輛損壞狀態(tài)可為事故影響因素分析提供新的視角，可望為減小城市交叉口車車事故數(shù)量及降低事故嚴(yán)重性提供一定理論支撐。

1數(shù)據(jù)來源及事故特性分析

對于分析的數(shù)據(jù)來源，多數(shù)研究采用國外開源數(shù)據(jù)，該數(shù)據(jù)難以反映具有中國特色的道路交通事故特征；且部分學(xué)者以國內(nèi)某一城市的事故統(tǒng)計數(shù)據(jù)作為研究對象，難以表征道路交通事故的共性。故本文數(shù)據(jù)來源于國家車輛事故深度調(diào)查體系（NAIS）。

該體系由國家市場監(jiān)督管理總局缺陷管理中心聯(lián)合8所具有較深事故研究背景的高校、事故鑒定機(jī)構(gòu)及科研機(jī)構(gòu)共同建立，各工作站采用統(tǒng)一的標(biāo)準(zhǔn)從事故相關(guān)的人、車、路、環(huán)信息進(jìn)行深入采集，并完成事故再現(xiàn)分析。2011—2019年，共已收集4000多起道路交通事故案例，覆蓋全國7個地區(qū)包括東北、華南、西南、華北、華東等地。該數(shù)據(jù)主要由交通事故采集人通過到事故現(xiàn)場復(fù)勘和交警部門獲得，包括事故照片、編碼的數(shù)據(jù)、警方資料、事故現(xiàn)場視頻、事故重構(gòu)文件、CAD（computeraideddesign，計算機(jī)輔助設(shè)計）事故現(xiàn)場圖以及事故分析報告等。數(shù)據(jù)完整、詳細(xì)，對交通事故研究具有較高價值。

本文從數(shù)據(jù)庫中篩選事故地點類型為城市路口（三枝和四枝交叉口）共得到556起事故數(shù)據(jù)，剔除并清洗信息記錄不全數(shù)據(jù)，最終共獲得有效數(shù)據(jù)528起作為研究對象。

1.1城市路口事故特性分析

1.1.1時間特性

圖1為1日（24h）內(nèi)的城市路口事故頻數(shù)分布。圖2為1星期內(nèi)事故頻數(shù)分布。

由圖1可知：不同嚴(yán)重程度的24h事故分布均呈現(xiàn)“雙高峰”，但高峰時刻存在微小差異。其中重傷、死亡事故的第1次高峰時刻為07：00—07：59，死亡事故的第2次高峰時刻為17：00—17：59，重傷事故的為20：00—20：59，其余時段為平峰段。在06：00—08：00的重傷、死亡事故數(shù)量分別為38起、75起，整體的死亡事故數(shù)量大于重傷事故數(shù)量，這與城市交叉口上班早高峰所具有的交通高密度、大流量密切相關(guān)，根據(jù)該時間分布特性可為交叉口事故預(yù)防提供一定的決策依據(jù)。

由圖2可知：1周內(nèi)事故數(shù)量分布呈“W”形，其中星期一發(fā)生車車事故數(shù)最多（96例），逐漸下降到星期三，隨后上漲，最后從星期五逐漸下降。由于星期一是工作日的第一天，出行率高，造成的交通事故也最多；周末休息，城市居民出行率明顯降低，交通沖突隨之降低，事故數(shù)量也顯著少于工作日。

1.1.2車輛損壞狀態(tài)特性

根據(jù)統(tǒng)計的事故傷亡情況來看，城市交叉口受傷事故占比53.03%，超事故總數(shù)的一半以上。圖3為傷亡事故的車輛損壞狀態(tài)分布圖。從圖3可知：一半以上的重傷事故會造成車輛局部明顯變形，輕傷事故造成車輛大面積嚴(yán)重變形的概率最大。對于這類事故而言，事故傷亡嚴(yán)重性小，但車輛損壞卻很嚴(yán)重，因此有必要從車輛損壞狀態(tài)角度分析交叉口事故嚴(yán)重程度影響因素。

1.2事故嚴(yán)重性分析

1.2.1因變量

原始數(shù)據(jù)將事故嚴(yán)重程度分為4個等級：輕微事故（僅輕傷）、一般事故（重傷、未死亡）、重大事故（死亡1～2人）、特大事故（死亡3人及以上）。由于特大事故僅在此分析中僅1例，故將其與重大事故歸為一類；其中車輛損壞狀態(tài)為各參與方車輛整體的損失程度。最終確定本文的事故嚴(yán)重程度具體情況如表1。

1.2.2自變量

調(diào)研國內(nèi)外學(xué)者對交叉口事故影響因素選取情況，并結(jié)合數(shù)據(jù)事故特征，從人、車、道路、環(huán)境4個方面選擇15個自變量，采用方差膨脹因子對變量之間的共線性情況進(jìn)行診斷，當(dāng)方差膨脹因子在0到10之間表示變量間不存在多重共線性。各變量取值見表2。

結(jié)果表明：15個自變量之間無多重共線性。

2研究方法

2.1雙變量有序Probit模型

具體形式如下：

式中：Y1*代表人員傷亡事故的潛在變量；Y2*代表車輛損失的潛在變量；X1i、X2i分別為人員傷亡事故和車輛損失事故的解釋變量；β1、β2為對應(yīng)X1i、X2i的參數(shù)估計值，ε1i、ε2i為誤差項；i對應(yīng)變量數(shù)；γ為待估參數(shù)項。Y1、Y2代表觀測到的有序變量，則觀測變量與潛在變量的關(guān)系為：

在模型擬合過程中，需要對2個假設(shè)進(jìn)行了檢驗。1）使用似然比檢驗獨立性假設(shè)，判斷是否使用雙變量模型；2）使用Wald檢驗一致性假設(shè)，判斷2個因變量對應(yīng)的自變量回歸系數(shù)是否相同；3）通過逐步回歸，以Akaike（赤池）信息量準(zhǔn)則（Akaikeinformationcriterion，AIC）和Bayes信息量準(zhǔn)則（Bayesianinformationcriterion，BIC）達(dá)到最小為標(biāo)準(zhǔn)得到擬合度最佳的模型。

3車車事故雙變量有序Probit模型結(jié)果分析

3.1雙變量有序Probit模型驗證

雙變量有序Probit模型結(jié)果表明，誤差項的相關(guān)系數(shù)為ρ=0.110，p值檢驗小于0.001，說明傷亡和車輛損壞嚴(yán)重性間存在正相關(guān)關(guān)系。同時，Wald檢驗的結(jié)果顯著（卡方值X2=95.00，顯著性水平p≤0.001），拒絕2類變量回歸系數(shù)相同的假設(shè)，說明各因素對2類事故的嚴(yán)重程度影響存在差異，在模型中剔除未通過90%水平下的顯著性變量后，模型相關(guān)性系數(shù)增大，所有變量也全部通過顯著性檢驗，說明模型整體擬合效果好。通過逐步回歸使模型收斂，假設(shè)參數(shù)向量β使得lnL（β）取值最大，對應(yīng)的似然函數(shù)L（β）=-1160.88，模型擬合優(yōu)度指標(biāo)AIC=2351.76，BIC=2415.81，達(dá)到最小，說明模型的擬合度取得最佳。同時在不考慮2個因變量間的相關(guān)性時，2個獨立的單變量有序Probit模型中AIC=2354.07，BIC=2418.11，均大于雙變量模型，進(jìn)一步驗證了使用雙變量模型的合理性。

3.2雙變量有序Probit模型結(jié)果分析

以事故車輛損失狀態(tài)和傷亡狀態(tài)為因變量，選取駕駛員因素、車輛類型、道路和環(huán)境條件、碰撞位置等因素共包含15個變量為自變量，進(jìn)行雙變量有序Probit模型擬合，見表3。

雙變量有序Probit模型結(jié)果表明：影響傷亡嚴(yán)重性的變量中有8個變量系數(shù)為正，7個變量系數(shù)為負(fù)，其中5個變量影響顯著，分別是信號燈狀態(tài)、路燈狀態(tài)、車輛類型、駕駛員超速駕駛和未按規(guī)定讓行。影響車輛損壞狀態(tài)的變量中有13個變量系數(shù)為正，2個變量系數(shù)為負(fù)，其中9個變量對車輛損壞狀態(tài)影響顯著。用傷亡狀態(tài)作為因變量時，共挖掘出5個顯著變量，而引入車輛損失后，能夠挖掘出更多對事故嚴(yán)重性影響的潛在易忽略變量。比如性別變量、事故發(fā)生時段等，有研究顯示：該要素對事故嚴(yán)重性影響不顯著，因此將其剔除；而本文卻發(fā)現(xiàn)：其對事故車輛損壞嚴(yán)重性影響顯著，有助于交通管理者采取更為合理的策略來降低交叉口事故嚴(yán)重性。

3.3模型邊際效應(yīng)分析

圖4表示傷亡程度變量的平均邊際效應(yīng)b。圖5為路燈狀態(tài)變量平均邊際效應(yīng)b。

由圖4可知：顯著影響傷亡嚴(yán)重性的4個變量中，人為因素對事故嚴(yán)重性影響最顯著，其次是交叉口路燈和信號燈狀態(tài)，其中超速駕駛變量影響事故死亡的概率最大。

如圖5所示：對于影響車輛損壞嚴(yán)重性的6個變量中，邊際效應(yīng)的變動存在明顯的最高點（4處），在該最高點處會顯著增加車輛局部明顯變形的概率。

圖6為車輛碰撞位置的邊際效應(yīng)圖。由圖6可知：各變量邊際效應(yīng)被0刻度線分為上下2層，當(dāng)車輛碰撞位置在左側(cè)時，造成車輛局部明顯、大面積嚴(yán)重變形、報廢的概率比正面和右側(cè)面碰撞高。

圖7為不同車輛類型的碰撞事故的邊際效應(yīng)圖。由此可知：乘用車與乘用車碰撞事故造成的車損最為嚴(yán)重。

從圖4—7中可以看出：各變量的邊際效應(yīng)隨著傷亡程度和車輛損失程度取值變動的情況。為量化該變動的大小，對其取值進(jìn)行詳細(xì)分析，見表4、表5。

由表4、5，結(jié)合邊際效應(yīng)數(shù)值可以看出：

1）在駕駛員方面。人為因素中駕駛員超速駕駛（β=0.449）對事故傷亡率影響最顯著，使事故死亡概率增加15.49%，其次是未按規(guī)定讓行（β=0.258）使事故死亡概率增加9.69%。駕駛員酒后駕駛（β=1.104）對事故車輛損壞嚴(yán)重性最顯著，導(dǎo)致車輛報廢的可能性高達(dá)5.92%，其次是駕駛員性別（β=-0.409）要素，相關(guān)研究發(fā)現(xiàn)[16]，當(dāng)事故無法避免的時候，女性駕駛員在處理事故從而減輕車輛損壞的應(yīng)急能力稍弱與男性。以往研究通常會忽略性別因素，而分析則表明性別因素可以顯著影響車輛損失嚴(yán)重程度。

2）在車輛因素方面。車輛碰撞位置顯著影響事故嚴(yán)重性，參與車相對主車從左側(cè)面碰撞（β=0.507）對事故嚴(yán)重性影響最顯著，造成車輛局部明顯變形的概率增加9.89%，其次是正面碰撞（β=0.438）和右側(cè)面碰撞（β=0.389），造成車輛局部明顯變形的概率分別上升7.89%、6.97%。車輛類型方面，從傷亡程度來看，涉及二三輪車的事故傷亡率較高，大多數(shù)駕駛員相關(guān)研究表明[17]，城市交叉口早、晚高峰期出行流量大，車與非機(jī)動車的交通沖突多，受傷事故的數(shù)量也相應(yīng)增加，由于二三輪車駕駛員缺乏保護(hù)措施，事故發(fā)生后非死即傷。相比二三輪車事故，乘用車與乘用車碰撞造成的車損比乘用車與二三輪車的大，從邊際效應(yīng)可以看出，乘用車間的碰撞事故造成車輛局部明顯變形的概率比與非機(jī)動二三輪車高13.47%，比與機(jī)動二三輪車高11.77%；由于二三輪車車速小、質(zhì)量小，當(dāng)與乘用車發(fā)生碰撞時有足夠的避撞反應(yīng)時間，因此造成的車輛損失也較小。

3）在道路、環(huán)境方面。路燈狀態(tài)（β=-0.403）與傷亡嚴(yán)重性顯著負(fù)相關(guān)，結(jié)合邊際效應(yīng)數(shù)值可以發(fā)現(xiàn)，相比于無路燈狀態(tài)，有路燈條件下，可以降低事故死亡概率9.43%。路口信號燈狀態(tài)與傷亡和車輛損壞顯著負(fù)相關(guān)。結(jié)合邊際效應(yīng)可以發(fā)現(xiàn)，相比于沒有信號燈，有路口信號燈時，造成死亡事故的概率降低7.55%，還可以明顯降低車輛損失，車輛局部明顯變形的影響最大，使其發(fā)生概率降低2.27%。由此可見路口信號燈的狀態(tài)，對事故嚴(yán)重程度影響較大，說明了交叉口交通信號設(shè)施的重要性。

4結(jié)論

本文在分析城市交叉口車車事故時間、車輛損失分布特性的基礎(chǔ)上，考慮車輛損壞狀態(tài)，構(gòu)建雙變量有序Probit模型進(jìn)行事故嚴(yán)重程度影響因素分析，主要結(jié)論如下：

1）交叉口車車碰撞事故在星期一、星期四和星期五事故數(shù)量最大，07：00—07：59時段和17：00—17：59時刻是死亡事故的高峰段，20：00—20：59時段為重傷事故的高發(fā)期。

2）通過雙變量有序Probit模型得人為因素、車輛類型、碰撞位置、路燈和信號燈狀態(tài)對交叉口車車碰撞車損嚴(yán)重性的影響較為顯著；酒后駕駛導(dǎo)致車輛報廢的可能性高達(dá)5.92%；相比于沒有信號燈，有信號燈時，發(fā)生車輛局部明顯變形概率降低2.27%，明顯降低車輛損失，減輕事故嚴(yán)重程度。

3）乘用車與乘用車在交叉口的碰撞事故，造成的車輛損失最嚴(yán)重，車輛局部明顯變形的概率比與非機(jī)動二三輪車高13.47%，碰撞類型為左側(cè)面碰撞顯著影響車輛損失，造成車輛局部明顯變形的概率比右側(cè)面碰撞高2.92%。

數(shù)據(jù)庫收集的字段有限，考慮車損影響因素時不完善，隨著數(shù)據(jù)庫的充實，有待進(jìn)一步研究。