公交車單車事故嚴重程度影響因素分析

顧宏艷，沈金星，于 淼，鄭長江

(河海大學(xué)土木與交通學(xué)院，南京 210098)

公交出行被認為是一種綠色可持續(xù)且環(huán)境友好的出行方式。近年來，隨著各種公交優(yōu)先策略的實施，公交出行比例在不斷提高，人們對公共交通的依賴程度不斷提高。然而，對公交安全性的研究卻并沒有引起特別的關(guān)注。特別是與其他交通方式(如私家車、大貨車、非機動車和行人等)相比，針對公交安全的研究成果相對較少。一般情況下，由于公交車速度較低，會直觀地認為這是一種比較安全的交通方式。此外，由于公交車也是機動車的一種，部分研究者認為針對機動車的研究成果也可以用于改善公交車的安全。實際上公交車事故率遠高于其他交通方式。根據(jù)英國交通運輸部公開的數(shù)據(jù)顯示，2019年公交車保有量為3.23萬輛，發(fā)生4 305起事故，公交車事故率達到13.33%，這一比例遠高于小汽車的事故率。與一般機動車相比，公交車有固定路線、固定運營時間，以及擁有公交專用道[1]，但作為大運量的交通工具，發(fā)生交通事故后造成的財產(chǎn)損失和社會影響更加嚴重[2]。此外，由于公交車速度較慢，車體較大，其駕駛行為與普通機動車差別很大[3]，因此非常有必要專門針對公交車的事故嚴重性進行分析。

迄今為止，中外學(xué)者針對交叉口范圍內(nèi)機動車(私家車、貨車等)、非機動車和行人事故影響因素分析方面已進行大量研究，并使用了多種計量經(jīng)濟模型來分析事故影響程度[3-8]。近年來，公交車安全性問題也開始引起研究者的關(guān)注。Sam等[3]研究發(fā)現(xiàn)處于周末和夜間、惡劣的道路地形、碰撞行人和酒后駕駛會導(dǎo)致更嚴重的公共汽車事故。林慶豐等[9]建立Logistic模型分析了人、車、路和環(huán)境等因素對公交車事故嚴重程度的影響，結(jié)果表明行駛狀態(tài)、道路類型、區(qū)域和時段、道路線形對事故嚴重程度具有顯著影響。在公交車車速方面，Nasri等[10]通過估算二元Logistic模型研究公交車事故嚴重程度相關(guān)的風(fēng)險因素，得出事故嚴重程度與車速限制存在正相關(guān)。Prato等[11]使用丹麥公交車事故數(shù)據(jù)，通過廣義有序Logit模型分析影響公共汽車事故嚴重程度的因素，其中高車速與事故嚴重程度呈正相關(guān)。通常情況下，高車速會導(dǎo)致嚴重的交通事故，但也有一些情況結(jié)果與之相反。Kaplan等[12]研究駕駛員和碰撞對象的特征和行為、基礎(chǔ)設(shè)施特征和環(huán)境條件，發(fā)現(xiàn)低限速會導(dǎo)致嚴重程度增加。

綜上所述，學(xué)者們在涉及機動車(私家車、大貨車等)、非機動車和行人等事故分析方面取得很多成果，然而，專門針對公交車事故嚴重程度進行分析的論文卻偏少，且較少研究事故當(dāng)事人僅公交車一方的事故。在涉及公交車車速影響方面的研究表明，大多數(shù)研究認為公交車事故嚴重程度與高車速成正相關(guān)[10-11]，卻容易忽視在低速情況下也會發(fā)生嚴重事故[12]，所以將公交車低車速作為前提條件研究低速狀態(tài)下的公交車事故嚴重性影響因素的研究就較少。

因此，現(xiàn)以城市交叉口范圍內(nèi)發(fā)生正面碰撞且低速行駛≤30 mph(48 km/h)的公交車單車(事故僅涉及1輛車)為研究對象，分析影響公交車事故嚴重程度的影響因素。此外，將事故嚴重程度分為死亡、重傷和輕傷，存在一定的有序性，因此建立有序Logit模型研究相關(guān)因素對事故嚴重性的影響，具有實際意義，能為提高公交運行的安全性提供依據(jù)，相關(guān)研究方法可為其他城市提供參考。

1 數(shù)據(jù)描述

1.1 數(shù)據(jù)來源

選取2014—2018年英國交通部公開的公交車交通事故數(shù)據(jù)，通過對原始數(shù)據(jù)進行處理，剔除缺失值，篩選出1 093起發(fā)生在城市交叉口、公交車速度低于30 mph(48 km/h)且發(fā)生正面碰撞的單車事故(事故僅涉及1輛車)數(shù)據(jù)。

1.2 因變量

根據(jù)事故現(xiàn)場人員的傷亡情況、醫(yī)院傷殘鑒定和司法部門鑒定的損失說明，將事故嚴重程度將其分為死亡事故、重傷事故和輕傷事故三類[13]，并進行編碼：y=1表示死亡，y=2表示重傷，y=3表示輕傷。在所有的1 093起事故中，發(fā)生死亡事故為45起(占4.12%)，重傷事故為290起(占26.53%)，輕傷事故為758起(占69.35%)。

1.3 自變量

交通事故是由駕駛?cè)恕④嚒⒌缆泛铜h(huán)境所組成的系統(tǒng)失衡導(dǎo)致的，選取自變量時需要考慮各方面的影響[14]，所以從公交車駕駛員特征、車輛特征、道路特征、環(huán)境特征和事故特征方面初步選取21個候選自變量參與研究分析。對于二分類的變量不需要進行轉(zhuǎn)換，對于三分類及以上的自變量需要轉(zhuǎn)換為啞變量。變量的描述及編碼如表1所示。

表1 自變量的描述及取值Table 1 Description and value of independent variable

2 研究方法

2.1 有序Logit模型

(1)

(2)

(3)

式中：j為事故嚴重程度，j=1,2,3；τ∈{γ0,γ1,γ2,γ3}為事故嚴重程度的分界點集合，且γ0<γ1<γ2<γ3，γ0=-∞，γ3=+∞。

(4)

即

(5)

2.2 邊際效應(yīng)計算

由于變量的系數(shù)并不能直接解釋變量對結(jié)果選擇的影響，為進一步解釋影響因素對事故嚴重程度等級的影響大小和方向，需計算自變量的邊際效應(yīng)[17]。邊際效應(yīng)是指在其他變量都取均值的情況下，某個變量取值增加一個單位對因變量取值概率產(chǎn)生的變化[5]，其計算公式為

ΔP(yi=j|xi)=P(yi=j|xi=1)-

P(yi=j|xi=0)

(6)

邊際效用值反映了自變量對事故傷害程度概率發(fā)生的變化。

3 模型計算結(jié)果及邊際效應(yīng)

回歸模型中并非所有解釋變量都對被解釋變量有顯著影響，為減小模型誤差，保證模型精度，需對解釋變量將進行篩選，采用向后刪除變量法，即利用有序Logit模型，將選取的21個影響因素的所有自變量納入模型，對模型進行參數(shù)估計并檢驗變量的顯著性，選取90%作為置信水平，若變量的P<0.1，則為顯著變量，若變量的P>0.1，則表明該變量為不顯著變量，將其從模型中剔除。剔除變量的方法按照由大到小順序依次剔除不顯著變量，每次刪除不顯著變量后對模型進行新的回歸擬合，重新檢驗剩余變量的顯著性。重復(fù)上述步驟，直至所有剩余變量的P<0.1[18]。由于有序Logit模型前提條件是比例優(yōu)勢假設(shè)，本文將利用brant進行平行線假設(shè)檢驗，若P>0.05，表明通過平行線假設(shè)檢驗，反之則不通過。為了更好研究自變量對事故嚴重程度的具體影響，還將計算各個顯著變量的邊際效應(yīng)，并進行詳細分析。

3.1 模型檢驗

3.1.1 平行性檢驗

利用brant進行平行線假設(shè)檢驗，檢驗得到P=0.106>0.05，表明符合平行線假設(shè)檢驗，因此有序Logit模型可以應(yīng)用于事故數(shù)據(jù)分析。

3.1.2 擬合優(yōu)度檢驗

如表2所示，根據(jù)模型擬合優(yōu)度檢驗結(jié)果，發(fā)現(xiàn)Pearson的P>0.05，Deviance 檢驗P>0.05，兩種檢驗結(jié)果均表明模型較好地擬合數(shù)據(jù)。

表2 模型擬合優(yōu)度檢驗結(jié)果Table 2 Goodness of fit test

3.2 模型計算結(jié)果

通過上述的計算方法和流程，使用Stata16統(tǒng)計分析軟件建立有序Logit模型進行極大似然估計。模型回歸結(jié)果如表3所示，女性駕駛員、中年駕駛員、減速停車、車輛行駛11～15 a、公交車位于交叉口下游出口處、車輛未離開車行道、工作日、路面濕滑冰凍、無信號控制、夜間無燈、警察在事故現(xiàn)場、事故發(fā)生在公交專用道、碰撞大樹以及碰撞信號燈柱、電線桿這14個顯著變量，均會顯著影響公交車事故嚴重程度。

表3 有序Logit模型的估計結(jié)果Table 3 Estimation results of ordered Logit model

3.3 邊際效應(yīng)

為了反映自變量對事故傷害程度概率發(fā)生的變化，利用Stata16軟件計算各自變量對事故嚴重程度的邊際效應(yīng)值，結(jié)果如表4所示。

4 事故影響因素分析

4.1 公交車駕駛員特征

從表4可以看出，男性駕駛員發(fā)生死亡和嚴重事故分別增加2.5%和10.7%，而女性駕駛員發(fā)生嚴重事故概率較低，這是因為男性駕駛員駕駛車輛較為冒險激進，通常還有好斗心理，女性駕駛員相對而言比較謹慎小心。從年齡上看，中年公交車駕駛員發(fā)生死亡事故的可能性增加0.9%，發(fā)生重傷的概率增加3.6%，由于此年齡段駕駛員認為自己駕駛經(jīng)驗豐富，從而產(chǎn)生比較激進的駕駛行為，同時隨著年齡的增長，身體各項功能不斷下降，反應(yīng)逐漸遲鈍，更容易發(fā)生嚴重事故。

4.2 車輛特征

從表4的邊際效應(yīng)可知，當(dāng)公交車進行減速停車時，發(fā)生死亡或者重傷的概率分別降低0.03%、12.4%，不易發(fā)生嚴重的事故，受傷程度較輕。基于Sam等[3]提出的車輛行駛速度與事故發(fā)生的風(fēng)險及其嚴重程度相關(guān)，行駛速度越大，影響程度就越大的結(jié)論，本文分析結(jié)果與其一致，雖然公交車本身質(zhì)量大，但由于其在運行過程中不斷地減速直至停車，速度越來越小，動能也在不斷降低，所以即使發(fā)生碰撞，公交車發(fā)生嚴重事故的概率也會降低。

表4 事故嚴重程度的邊際效應(yīng)和標準誤差Table 4 Marginal effects and standard errors for different accident severity levels

當(dāng)公交車行駛11～15 a時，發(fā)生死亡和嚴重事故的概率增加0.7%和2.9%，這是因為隨著車輛使用時間的增加，公交車在各方面的性能及穩(wěn)定性在不斷降低，容易導(dǎo)致嚴重事故的發(fā)生。

當(dāng)公交車位于交叉口下游出口處(即距離交叉口20 m范圍內(nèi))時，死亡和重傷的概率增加1.8%和7.5%。公交車在上游經(jīng)歷排隊過程后，在駛出交叉口時會經(jīng)歷加速過程，此時速度已經(jīng)達到一定值，另一方面，在交叉口出口處會形成混合車流匯合點，有來自除公交車外的其他社會車輛的匯入，各種車輛行車存在穿插且隨機的現(xiàn)象，會增加公交車發(fā)生碰撞的可能性。

公交車在車道上發(fā)生死亡和嚴重事故的概率分別增加6%和25.1%，由于事故是單車事故，且在車道上發(fā)生，碰撞對象可能是隧道、橋梁等大型基礎(chǔ)設(shè)施，發(fā)生嚴重事故的可能性較大。或者碰撞對象是可活動的動物，在車輛行駛過程中，往往會令駕駛員措手不及，大大增加嚴重事故發(fā)生的可能性。

4.3 環(huán)境特征

工作日相對于周末而言發(fā)生死亡和重傷的概率增加了1.1%和4.4%，人們由于工作或者上下學(xué)需要進行必要的出行，出行量在早晚高峰會顯著增加，出行環(huán)境會復(fù)雜化，公交車發(fā)生嚴重事故的可能性增加。

公交車行駛于潮濕、冰凍的路面時，路面容易打滑，路面與輪胎摩擦力小，車輛制動性能下降，發(fā)生嚴重事故的概率比在干燥路面行駛發(fā)生事故的概率高。

當(dāng)事故發(fā)生在無信號控制交叉口的情況時，發(fā)生死亡和重傷的可能性減少0.3%和1.4%，與姜文龍等[19]研究結(jié)果一致，這是由于車輛進入交叉口時，速度降低，且駕駛員行駛謹慎小心，降低嚴重事故發(fā)生的概率。

事故發(fā)生夜間無燈光的情況下，死亡和重傷事故的可能性均有所增加，白天和夜間有燈光的情況下不易發(fā)生重大事故，這與大部分研究結(jié)論(陳昭明等[20]、林慶豐等[21])一致，因為在行車過程中駕駛員光線充足，行車視距良好。夜間無燈光增加事故嚴重性的結(jié)論與溫惠英等[22]提出夜間(無燈光)更容易發(fā)生死亡事故結(jié)論一致，原因是在夜間無燈光的條件下，駕駛者視距變短，反應(yīng)時間變長，無法及時采取正確的駕駛行為，增加死亡或重傷事故的發(fā)生可能性。

當(dāng)有警察在事故現(xiàn)場時，發(fā)生死亡和重傷事故的概率增加2.1%、8.9%，輕傷的概率降低11.1%。根據(jù)英國汽車駕駛協(xié)會描述，政府多年削減開支導(dǎo)致交警流失，從2010年開始，英國交警數(shù)量大幅度下降，所以即使有警察在事故現(xiàn)場，但由于數(shù)量很少，駕駛員產(chǎn)生僥幸心理，容易導(dǎo)致發(fā)生嚴重交通事故。

4.4 事故特征

從表4事故特征中可以看到，事故發(fā)生在公交專用道上導(dǎo)致死亡和嚴重事故的概率分別增加1.2%、4.9%，原因是雖然公交車擁有獨立路權(quán)車道，但仍是無法避免其他社會車輛頻繁換道至公交專用道上，從而會經(jīng)常與公交車產(chǎn)生交織，大大增加碰撞的可能性。

當(dāng)公交車正面撞上信號燈柱、電線桿時，容易發(fā)生輕傷事故，概率增加11.8%。當(dāng)車輛撞上大樹時，卻容易發(fā)生死亡或重傷事故，概率分別增加1.6%和6.9%。造成不同結(jié)果的原因是大樹相較于信號燈柱、電線桿彈性小，且直徑大，難以通過變形等吸收車輛與其碰撞產(chǎn)生的能量，難以保護駕駛員和乘客的安全，所以碰撞大樹的事故相對于碰撞信號燈柱、電線桿的事故更容易造成較嚴重的后果。

5 結(jié)論

以1 093起城市交叉口范圍內(nèi)低速公交車發(fā)生正面碰撞的單車事故為樣本，選取公交車駕駛員特征、車輛特征、道路特征、環(huán)境特征、碰撞特征的21個影響因素，建立有序Logit模型進行分析，發(fā)現(xiàn)男性駕駛員、中年駕駛員、車輛行駛11～15 a、公交車位于交叉口下游出口處、車輛未離開車行道、工作日、路面濕滑冰凍、夜間無燈、警察在事故現(xiàn)場、事故發(fā)生在公交專用道以及碰撞大樹這些情況會增加公交車發(fā)生死亡和重傷事故的概率；公交車減速停車、處于無信號控制交叉口以及碰撞信號燈柱、電線桿等這些因素會降低公交車發(fā)生死亡和重傷事故的概率。

針對研究結(jié)果，為盡量減少公交車事故的發(fā)生，減少財產(chǎn)損失和降低社會影響，相關(guān)部門應(yīng)從多方面采取相對應(yīng)的措施。

(1)對駕駛員應(yīng)加強交通安全教育及宣傳，增強安全駕駛理念的認知，同時需要增強駕駛員的路權(quán)意識，加強交通執(zhí)法，盡量減少社會車輛駛?cè)牍粚Ｓ玫溃瑴p少社會車輛與公交車輛的交織。

(2)對公交車輛應(yīng)按時進行安全及性能的檢查，嚴格查處不合格運營車輛。

(3)在道路易發(fā)生事故的地方設(shè)置警示標志，在車流復(fù)雜情況下安排交警有序指揮，引導(dǎo)車輛安全通過交叉口。

(4)保障道路基礎(chǔ)設(shè)施，在夜間照明不足的地方增設(shè)路燈保證良好的照明條件。

(5)在路面狀況不良的條件下制訂交通管制預(yù)案，采取有效措施增加地面的摩擦力。

研究由于選用的有序Logit模型存在等比例假設(shè)的固有缺陷，下一步可選用其他模型如廣義有序Logit模型或者部分優(yōu)勢比模型放寬此假設(shè)的約束。受限于事故數(shù)據(jù)采集的問題，對公交車駕駛員特征考慮的因素較少，例如駕駛員是否存在違章行為、違章行為類型、是否使用安全帶、駕駛年齡等，未來可對這些因素做進一步的研究。