平縱組合路段事故嚴重程度致因辨識模型

戢曉峰，吳亞欣，郝京京，房 銳，胡澄宇

(1.昆明理工大學交通工程學院，昆明650504；2.西南交通大學交通運輸與物流學院，成都610031；3.云南省交通規劃設計研究院陸地交通氣象災害防治技術國家工程實驗室，昆明650200)

0 引 言

平縱組合路段(Combined Horizontal and Vertical Alignments，CHVA)具有平曲線與縱坡組合的特點，是公路運輸安全的瓶頸路段[1].尤其是山區公路，由于地形陡峭常出現彎道與長大下坡或曲線組合的情況[2]，因線形參數對行車安全有顯著影響，其安全形勢更為嚴峻.相關統計表明，約15%的交通事故發生在CHVA.因此，對平縱組合路段事故嚴重程度(Severity of Traffic Accident on Combined Horizontal and Vertical Alignments，STACHVA)致因進行辨識，可有效保障公路行車安全.

近年來，國內外學者深入探索道路事故嚴重程度與人、車、路及環境之間的關系，但主要集中于高速公路，鮮有對STACHVA 的影響研究.Benlagha等[4]研究車輛、駕駛員等因素對事故嚴重性的差異性影響機制，馮忠祥等[5]發現時間和天氣是影響繞城高速事故嚴重程度的關鍵致因.上述研究均可為CHVA 的事故致因分析提供理論依據，但對于CHVA來說，數據獲取難度及其致因與高速公路存在顯著差異，故影響高速公路事故嚴重程度的關鍵因素并不能直接應用于CHVA.此外，關于事故嚴重程度的致因研究多基于有序概率模型，該類模型的自變量選擇具有局限性，往往忽略了不滿足某些假設但對因變量有顯著效應的自變量.Kalyani等[6]通過構建有序Probit模型表明受害人性別、車輛類型等因素對3種嚴重程度等級事故的不同影響，王鵬等[7]應用有序Probit 模型識別出道路線形、交通量等5個因素可顯著影響追尾事故嚴重程度.上述有序模型均進行了比例優勢假設(Proportional Odds Hypothesis，POH)，即相同自變量對因變量的影響不會隨著等級的不同而變化，但從交通事故的隨機性來看，部分自變量因違反該假設而被忽略，進而影響模型整體擬合度和科學性.

綜上，針對傳統模型無法精準識別及量化STACHVA 致因的不足，本文建立有序Logit 模型(OLM)選取影響事故嚴重程度的顯著自變量，通過構建偏比例優勢模型(PPOM)進行優化，形成STACHVA 致因辨識的TSM 模型，進一步獲取各關鍵自變量對不同等級事故嚴重程度的邊際效應.最后，選取元雙公路元謀—牟定段進行案例分析，旨在為交通安全部門制定針對性的管控政策提供理論依據.

1 變量選取

1.1 因變量選取

根據公安部發布的《交通事故統計暫行規定》，我國按每起事故的傷亡人數及財產損失，將事故嚴重程度劃分為死亡、重傷、輕傷和財產損失事故4類.因此，本文結合實地監測的事故數據，將事故嚴重程度劃分為輕微、一般及嚴重3類，如表1所示.

表1 STACHVA劃分標準Table 1 Classification of STACHVA

1.2 自變量選取及測量

結合道路交通安全影響機制，本文從人[4]、車[6]、路[5]、環境[8]這4 個子系統中選取事故嚴重程度的影響變量，如圖1所示.首先，對選定的32 個變量進行預處理，連續變量采用實際變量值進行賦值；對于分類變量，二分類變量賦值為0 和1，多分類變量需引入啞變量，生成預處理后的自變量38 個.其次，利用SPSS 對38 個自變量進行多重共線性檢驗，并采取逐步剔除、多次迭代的方式依次刪除小車平均小時交通量、空間占有率、總流量及V/C 等4 個VIF 大于10 的自變量，最終形成34 個自變量.

2 模型構建

由于有序模型在自變量選擇上的局限性及參數估計上的粗放性，本文建立事故嚴重程度致因辨識的TSM模型，如圖2所示.第1階段構建OLM獲取顯著影響STACHVA的自變量，為第2階段提供變量基礎，采用Brant 對關鍵變量進行POH 檢驗；第2 階段構建PPOM，可運用自動擬合選項對未通過POH 檢驗的自變量放寬比例優勢，使模型擬合度更優.最終，通過TSM 精準識別影響STACHVA的顯著自變量，進一步獲取各自變量對因變量的邊際效應[9].

圖1 STACHVA 致因Fig.1 Cause of STACHVA

圖2 STACHVA 致因辨識的TSM 模型Fig.2 TSM model for cause identification of STACHVA

2.1 模型定義

OLM是一種用于因變量有次序且多分類的回歸模型.交通事故第j等級嚴重程度的OLM為

本文3類事故嚴重程度對應的OLM分別為

式中：Yi為第i起事故的嚴重程度；Xi為自變量向量；βi為相應的參數估計向量；αj為第j等級事故嚴重程度的截距；J為事故嚴重程度等級數；K為自變量總數；xk為第k個自變量，k=1,2,…,K；βk為xk的估計參數.

OLM 的前提條件是滿足POH，該假設因過于嚴格常常很難滿足，出現部分自變量違反POH 的情況.因此，在OLM 的基礎上運用PPOM 進行優化，即

不同等級事故嚴重程度PPOM分別為

式中：Xi′，Ti′分別為滿足、違反POH 的自變量向量；βj，γj分別為第j等級中Xi′、Ti′對應的參數估計向量.

OLM 中參數值估計采用最大似然法，似然函數ln(L)計算公式為

式中：N為事故數量；lij表示第i起事故嚴重程度為j時，lij為1，否則為0.PPOM 中運用伽馬參數化對違反POH的自變量參數值重新估計.

為進一步反映Xi對Yi的影響方向和程度，計算二分類及連續變量的邊際效應，即

式中：為影響第j等級事故的第k個自變量；a，b表示為二分類變量對應的不同取值；為的邊際效應值，表示從a到b或每單位變化時，對第j等級事故的影響.

2.2 模型檢驗

本文用似然比指數表征似然比檢驗結果，即比較最終模型對數似然函數值Lβ與基準模型對數似然函數值L0的相對大小，越接近0，表示模型擬合程度越高，各參數顯著性采用t檢驗方法.采用赤池信息量準則(AIC)和貝葉斯信息準則(BIC)檢驗模型簡約性與擬合數據優良性.

3 實例分析

3.1 研究路段及數據來源

(1)研究路段概況.

相較于單一平曲線與豎曲線，CHVA的車輛運行風險更高[3].為保證行車安全，應合理規定CHVA線形參數，但現有公路設計規范對CHVA 線形參數的規定缺乏定量標準，易出現單一線形要素滿足規定而CHVA 事故居高不下的情況.本文以元雙公路元謀—牟定段為例，其全長約77.8 km，設計速度60 km/h，為典型的山區二級公路，具體幾何特征如表2所示.

表2 研究路段的幾何特征Table 2 Geometric characteristics of investigative sections

由表2可知，部分CHVA平曲線半徑及縱坡坡長的最小值未滿足單一線形規范要求；經統計可知，不滿足縱坡坡長及平曲線最小半徑要求的分別占14.38%、6.07%；通過調研可知，本文涉及的CHVA 約占元謀—牟定段全長的42.3%.因此，該路段行車環境相對復雜，對行車安全極為不利，是公路運輸的高風險路段.

(2)數據來源.

本文獲取元謀—牟定段平縱組合路段2013—2017年的交通事故、道路屬性、歷史天氣及交通流數據，如表3所示.經數據集匹配，初始數據共315條，剔除信息不全的數據，最終形成匹配數據集313條，數據有效率達99.4%.

3.2 模型估計結果

運用STATA15.0 進行求解，同時采用反向逐步選擇法，經過13次迭代最終篩選出OLM中置信度大于95%的10 個自變量，分別為駕駛人性別(Fdg)、涉及車輛數(Fnv)、平曲線曲率(Fchc)、豎曲線曲率(Fcvc)、豎曲線長度(Flvc)、縱坡坡度(Fdls)、接入口(Fas)、陰天(Fc)、大車比例(Frlv)及小車與無防護型車的平均車速差(Fsuv).經Brant檢驗發現Fnv、Fchc、Fcvc、Flvc及Fdls這5 個變量的p值均小于0.05，表明在95%置信水平下，這5 個自變量統計性并不顯著，違反了POH，故通過構建PPOM進行參數優化，結果如表4所示.

表3 數據來源Table 3 Sources of data

表4 TSM 模型估計結果Table 4 Estimation results of TSM model

由表4可知，TSM 較OLM 而言，AIC、BIC、分別下降了14.924%、12.742%、17.500%，故模型更簡約且擬合程度更優.對TSM 參數估計結果進一步分析，可得10 個顯著自變量對事故嚴重程度的影響機制如圖3所示.

由圖3可知：

(1)除駕駛人性別、小車與無防護型車的平均車速差、接入口等對STACHVA 有顯著負效應，其余變量對STACHVA均呈現正效應.

(2)如圖3(a)所示，從輕微事故對一般和嚴重事故的PPOM來看，大車比例、平曲線及豎曲線曲率對STACHVA的影響較大；如圖3(b)所示，從輕微和一般事故對嚴重事故的PPOM來看，大車比例、縱坡坡度及平曲線曲率對STACHVA的影響較大.

圖3 STACHVA 影響機制Fig.3 Influence mechanism of STACHVA

(3)總之，大車比例對STACHVA的影響最大，主要是大車在特定速度下具有更大的動量，使發生嚴重事故概率更高；而線形因素對STACHVA的影響較大，說明CHVA 因降低了駕駛員的可見度和機動性，使行車風險性增加.

3.3 邊際效應分析

根據3.2節的分析，計算顯著自變量對因變量的邊際效應，說明各自變量對STACHVA的影響方向和程度，如表5所示.

表5 顯著自變量對因變量的邊際效應Table 5 Marginal effect of significant independent variables on dependent variable

由表5可以看出：

(1)從駕駛人層面來看，與女性相比，男性駕駛員發生一般和嚴重事故的概率分別減少10.181%和0.400%，說明男性較女性駕駛情緒穩定及身體承受創傷力強.

(2)從車輛層面來看，與單車事故相比，多車事故由于涉及車型各異、事故形態復雜，發生一般和嚴重事故的概率分別增加5.183%和0.465%.

(3)從道路屬性層面來看，接入口使一般和嚴重事故的發生概率分別減少10.855%和3.611%，說明駕駛員對接入口的危險感知較敏感，行車較謹慎，故事故嚴重程度減輕；平曲線曲率、豎曲線曲率、豎曲線長度及縱坡坡度等4個變量每增大一個單位，發生一般和嚴重事故的概率均會不同程度地增加，說明線形條件較差顯著加重事故后果，從而驗證了線形對STACHVA影響重大，改善道路線形是減輕事故嚴重程度的關鍵舉措.

(4)從環境層面來看，陰天較晴、雨天發生一般和嚴重事故的概率分別增加2.899%和1.212%，這主要是因為晴天對較高嚴重程度的事故影響較小，而雨天等惡劣天氣下駕駛員警惕性高，一定程度上可減輕事故嚴重程度；大車比例每增加一個單位，車輛間車頭時距減小，發生一般和嚴重事故的概率分別增加3.788%和1.374%；小車與無防護型車的平均車速差每增加一個單位，發生一般和嚴重事故的概率分別減少0.604%和0.021%，主要是由于車速差異性較大，車輛間相互影響小，可減少惡性交通事故的發生.

4 結 論

CHVA交通安全一直是痛點問題，本文通過構建STACHVA致因辨識的TSM模型，對STACHVA致因的影響方向和程度進行精準識別和定量解析.研究發現：所構建的TSM 模型相比傳統的有序概率模型擬合度更優；駕駛人性別、小車與無防護型車的平均車速差、接入口對一般及以上事故嚴重程度具有負效應，涉及車輛數、平曲線曲率、豎曲線曲率、豎曲線長度、縱坡坡度、天氣、大車比例對一般及以上事故嚴重程度具有正效應；就影響程度來看，從高到低依次是接入口、駕駛人性別、豎曲線曲率、平曲線曲率、涉及車輛數、大車比例、縱坡坡度、天氣、小車與無防護型車的平均車速差、豎曲線長度.本研究可為交通安全部門開展CHVA風險監管工作提供決策參考.本文僅分析了單一變量對STACHVA的影響，未來將進一步探究多變量間的耦合作用對STACHVA的影響機理.