考慮車型與道路線形的山區公路貨車事故嚴重程度影響因素辨識

曹 瑞，戢曉峰，覃文文

(昆明理工大學 交通工程學院，云南 昆明 650504)

0 引言

隨著我國物流業的快速發展，公路貨運作為物流體系的重要基礎，在綜合運輸體系中發揮著越來越重要的作用。目前，公路貨物運輸正朝著車輛大型化、重載化、專業化的方向發展，貨車保有量不斷增加。2018年，我國公路貨物運輸總量達到395.69億t，貨物周轉量71 249.21億t km，分別占全方式貨物運輸總量的78.15%和35.73%。隨著公路貨運量與貨車保有量的持續增長，各等級公路的貨車混入率也普遍提高。貨車在行駛過程中，由于車身體積大、實際載貨量高等自身因素影響，以及駕駛員、交通流量、天氣、道路幾何條件等外部因素的影響容易產生嚴重的交通事故。近年來，我國道路交通事故數仍然居高不下，其中貨車事故占比25%以上，貨車事故死亡人數約占道路交通事故死亡總數的39.6%。由此可見，貨車事故致死率高，有效的貨車事故整治已成為重大現實需求。

同時，受公路設計標準、地形地質條件和建設資金的綜合限制，我國山區公路呈現路窄、彎多、坡陡、載貨汽車混入率高等特征，行車條件復雜，道路安全性能偏低，導致其交通事故頻發且事故嚴重程度較高。以云南省為例，全省80%的大宗貨物在公路上運輸，而山區公路線形復雜、轉彎半徑小且頻率高，貨車引發交通事故的風險遠高于其他公路。據統計，云南省山區公路的交通事故發生率占全部公路的15%以上，貨車參與的事故高達20%以上，且人員受傷事故(包含死亡)占比高達35%以上。因此，山區公路復雜的道路線形導致貨車事故致死致傷概率更大，迫切需要對山區公路貨車事故嚴重程度影響因素進行分析。

目前，國內外學者從駕駛員特性、車輛特性、行車環境、道路幾何條件和事故形態等方面，采用數理統計模型分析潛在的事故影響因素與貨車事故嚴重程度的定量關系，主要針對高速公路與城市快速路，對貨車事故嚴重程度致因進行了分析。從駕駛員角度看，已有研究發現更嚴重的貨車事故與年輕人和老年人、無有效駕駛執照駕駛、超速駕駛以及在酒精或毒品影響下的駕駛有關[1]。Hong等[2]以韓國高速公路事故數據為基礎，采用兩階段殘差包含估計方法(2SRI)分析了駕駛員違規行為與交通事故發生的內生關系，發現酒后駕駛、嗜睡駕駛、中型或小型貨車會增加駕駛員違規行為的可能性，繼而增加事故風險。從車輛特性來看，有研究發現更嚴重的事故傷害與貨車載重、車速差異大有關。如胥川等[3]基于新澤西事故數據庫，采用Logit和Probit模型估計解釋變量對事故嚴重程度的影響，發現了事故嚴重程度和貨車重量的正相關關系。從環境角度來看，有研究顯示更嚴重的事故與惡劣天氣有關[4]，但在路面潮濕情況和照明條件方面的研究結果不一致。如Azimi等[5]采用隨機參數有序logit(RPOL)模型分析了駕駛員、車輛、道路和碰撞的各種屬性對佛羅里達州際公路貨車翻車事故嚴重程度的影響，發現干燥的路面條件與嚴重事故相關。從道路角度來看，部分研究關注于彎道路段，當車道寬度更小，沒有中央隔離帶、縱坡坡度較大的道路條件下更易造成嚴重事故[6]。Taylor等[7]基于美國某高速公路事故數據，建立負二項式和有序logit貨車事故嚴重程度致因分析模型，發現低肩寬、上坡或下坡路段更容易造成嚴重事故。從事故形態角度來看，部分研究發現嚴重事故與側滑碰撞有關[8]，而撞固定物和追尾碰撞與輕微傷害事故相關[9-10]。還有研究關注了貨物類型、貨車配置、流量、空間依賴和物流公司特征等方面[11-13]。最近，已有學者開始關注于山區公路行車環境，探討貨車事故嚴重程度致因。如Wang等[14]以江西省和陜西省4條山區公路上的2 695起重型貨車事故數據為基礎，采用部分比例優勢模型分析幾何特征、駕駛員、碰撞、卡車和環境特征對貨車事故嚴重程度的影響，發現異常駕駛行為、年輕駕駛員、坡度較大與更嚴重的事故后果有關。

綜上可知，現有研究在貨車事故嚴重程度致因分析中考慮了較多因素，然而對道路幾何特征及貨車類型的關注較少，且目前的道路線形指標選取較為單一，未能充分考慮不同道路等級下不同線形組合對貨車事故嚴重程度的影響差異。因此，本研究聚焦車型和線形，基于云南省楚雄州典型山區公路(元雙公路元謀-牟定段)貨車(輕型、中型、重型)涉事事故數據，建立有序logit模型(OLM)，擬合道路線形組合、曲線半徑、外距、縱向坡度和豎曲線類型等道路幾何特征因素、駕駛員、碰撞、環境和車型等因素與貨車參與事故嚴重程度的函數關系。根據模型估計結果，辨識影響山區公路貨車事故嚴重程度的顯著因素，為山區公路貨車事故整治提供參考，對提升我國山區公路交通安全水平具有重要現實意義。

1 數據準備

1.1 數據收集與處理

本研究選取云南省楚雄州典型山區公路(元雙公路)K0+000-K87+422路段為研究對象。該路段全長87.42 km，設計速度60 km/h，路基寬8.5 m，為雙向兩車道，共有159處彎道，平曲線最小半徑125 m，其中彎道半徑小于500 m的高達117個，彎道路段長46.14 km，占研究路段總長度的52.54%。聚焦山區公路貨車事故嚴重程度致因分析的研究目標，本研究從交警與公路管理部門收集了2012—2017年共2 215起事故數據和道路線形數據。事故原始數據主要包含案情簡要、事故發生時間、星期、樁號、天氣、路表、路面、事故形態、照明條件、涉事車輛、死亡人數、失蹤人數、受傷人數、直接財產損失等字段。道路線形數據由元雙公路牟定路段的豎曲表和直曲表構成，主要包含變坡點、豎曲線類型、坡度、坡長、豎曲線長、直線坡長、交點樁號、轉角值、曲線半徑、曲線長度、緩和曲線長度、切線長度、外距、曲線位置等字段。原始數據為人工收集的全事故數據，存在信息記錄不全、有誤等現象，因此需要對數據進行處理，提取貨車參與事故數據，剔除無效信息，最終形成山區貨車事故嚴重程度致因分析數據庫。

山區公路上行駛的車輛有客車、貨車、摩托車、自行車、微耕機、拖拉機、電動車、三輪車、裝載機等，從元雙二級公路2012—2017年2 215起事故數據中可知，單一車輛涉事事故較少，約占20%。本研究將涉事車輛包含貨車(輕型、中型、重型)的所有事故作為貨車事故研究的原始數據集。然后對原始數據集進行分析處理，最大限度提取出可用字段，再結合豎曲表和直曲表提取事故路段的道路線形數據，形成貨車事故嚴重程度致因分析數據庫，為下一步選取模型變量做準備。

1.2 變量選取

1.2.1 因變量選取

交通事故嚴重程度根據每起事故的傷亡程度及財產損失進行劃分，2004年公安部發布《交通事故統計暫行規定》，將交通事故嚴重程度劃分為死亡事故、重傷或輕傷事故和財產損失事故3個等級。本研究參照公安部規定，結合以往相關研究及實地調查的交通事故數據，將事故嚴重程度劃分為財產損失事故、輕微事故、嚴重事故3類。具體見表1。

表1 山區公路貨車事故嚴重程度劃分標準

1.2.2 自變量選取

貨車事故的發生是人-車-路-環境等各方面因素作用的結果，本研究在分析國內外現有研究基礎上，綜合考慮山區公路線形特征，以貨車事故嚴重程度致因分析數據庫為基礎，最終選取了駕駛員年齡、事故發生時間、天氣、貨車類型、事故形態、道路線形等13個候選自變量來構建山區公路貨車事故嚴重程度影響因素分析模型。自變量的定義及描述性統計特性見表2。

表2 自變量劃分標準

13個候選自變量中，有6個連續變量，2個二分類變量和5個多分類變量。對于多分類變量需要設置虛擬變量，若變量含有n(n≥3)個類別，模型中引入n-1個虛擬變量。如TRT分為輕型、中型和重型3類，以輕型為參考類，則引入TRT1和TRT2兩個虛擬變量，見表3。

表3 虛擬變量貨車類型分類編碼

2 研究方法

2.1 模型構建

目前離散選擇模型被廣泛應用于貨車事故的分析與預測研究中，且事故嚴重程度存在有序特性，其與影響因素并非只是簡單的非線性關系，傳統的多項logistic不能準確獲取事故嚴重程度與變量之間的關系。因此，本研究采用有序logit模型(OLM)進行山區公路貨車事故嚴重程度致因分析，然后對顯著變量進行邊際效應估計，從而更好地反映顯著自變量對事故嚴重程度的影響方向和強弱程度。

2.1.1 有序logit模型

有序logit模型主要用于處理因變量為有序的多分類結果，屬于二項logit模型的擴展[15]。OLM可表示為：

(1)

式中，P(*)為特定事故嚴重程度等級的發生概率；Yi為第i(i=1,2,…)起事故的受傷嚴重程度等級；j為事故嚴重程度等級(j=1,2,…,M)；X為自變量組成的集合；β為X的系數；αj為第j等級的常數項。由于本研究將事故嚴重程度分為3類，因此OLM模型為：

(2)

P(Y=2|X)=P(Y≤2|X)-P(Y≤1|X)，

(3)

P(Y=3|X)=1-P(Y≤2|X)。

(4)

2.1.2 邊際效應估計

為進一步反映顯著自變量對事故嚴重程度的影響方向和強弱程度，需計算各個自變量的邊際效應值。分兩種情況來計算：當自變量為二分類變量時，可直接計算該變量的邊際效應值[16]如式(5)所示；當自變量為多分類變量時，由于變量可微，故采取彈性分析計算邊際效應值[17]如式(6)所示。

(5)

(6)

2.2 模型檢驗

2.2.1 共線性假設檢驗

OLM前提條件要求自變量之間無多重共線性，即若自變量間存在著較強相關性時，通常情況下認為此模型違背了基本假設。本研究采取相關性分析法和方差膨脹因子法綜合診斷自變量間的共線性[18]。方差膨脹因子法通過計算方差膨脹系數(Variance Inflation Factor，VIF)衡量多元線性回歸模型中共線性問題，一般建議若方差膨脹因子(VIF)大于等于10，則表明有多重共線性存在，在進行模型運算前應將不滿足該假設的自變量剔除。

2.2.2 比例優勢假設檢驗

OLM需要進行比例優勢假設檢驗(又稱平行線假設檢驗)，否則模型的參數估計誤差太大，導致模型信度及效度缺乏。平行線假設檢驗的Wald檢驗由Brant(1990)提出，因此又稱Brant檢驗[19]。

2.2.3 擬合優度檢驗

(1)似然比檢驗

本研究用似然比指數表征似然比檢驗結果，即比較僅包含常量項的模型與包含所有解釋變量的模型之間似然值的相對大小，分別記為L(Mintercept)和L(Mfull)，模型的參數個數為K，其計算公式如式(7)所示，R2越接近0，表示模型擬合程度越高。

(7)

(2)信息準則指標

信息準則指標包含赤池信息量準則(Akaike Information Criterion,AIC)和貝葉斯信息準則(Bayesian Information Criterion,BIC)，二者均是基于熵的概念，衡量模型的復雜度和模型擬合數據的優度。計算方法為：

AIC=2k-2ln(L)，

(8)

(9)

式中，k為模型中自由參數的數量；L為似然值。AIC和BIC值越小，模型對數據擬合程度越佳。

3 模型結果

3.1 模型演化分析

基于貨車事故嚴重程度致因分析數據庫，首先進行共線性假設檢驗，最終剔除RDA，FCS和LSL3個變量，剩余變量VIF<10均滿足要求。運用stata15.0進行回歸，取顯著性水平為0.100，使用向后剔除變量法，篩選出顯著變量，模型演化結果如表4所示。

表4 OLM模型演化

續表4

由表4可以發現，模型M-1到模型M-3演化過程中，AIC和BIC不斷下降，說明模型在不斷優化。對最終模型M-3進行似然比檢驗，模型的似然比指數Pseudo-R2為0.028 8，再結合其赤池信息量準則AIC和貝葉斯信息準則BIC分別為465.641和491.820，表明模型的擬合效果較好。采用Brant檢驗判定最終模型M-3中5個顯著自變量是否均滿足比例優勢假設，結果見表5。

表5 比例優勢假設的Brant檢驗

由表5可知，所有顯著自變量的得分檢驗χ2為9.042，自由度為5，p值為0.107，表明比例優勢假設成立。同時，單個自變量的p值均大于0.05，表明在95%置信水平，5個自變量都滿足比例優勢假設檢驗。對5個顯著自變量進行邊際效應估計，結果見表6。

表6 顯著自變量對因變量的邊際效應

從表4和表6可以發現，DA，LSD，TRT(中型)，AF(追尾碰撞)和VCT(凹)這5個自變量與山區公路貨車事故嚴重程度顯著相關。各顯著自變量對事故嚴重程度的影響大小依次排序為TRT，VCT，AF，LSD，DA。

3.2 影響因素分析

3.2.1 道路線形特征

本研究選取道路線形組合(RDA)，平曲線曲率(CFC)，平曲線長度(LFC)，平曲線外距(FCS)，豎曲線類型(VCT)，縱坡坡度(LSD)，縱坡坡長(LSL)7個道路特征變量探討其對貨車事故嚴重程度的影響機理，通過回歸模型最終識別出豎曲線類型和縱坡坡度2個顯著變量。其中，縱坡坡度的回歸系數為0.107，OR值為1.094，表明坡度越大，貨車事故嚴重程度越高。從邊際效應估計結果可知，縱坡坡度與受傷事故顯著相關，坡度增加一個單位，貨車參與事故的人員受傷概率將增加0.5%，死亡概率將增加0.07%。研究結果與現有研究保持一致，部分研究表明當縱坡坡度大于3%時，事故死亡概率將大幅增加[14]。坡度大的路段會導致駕駛員的視線受阻，同時陡坡將導致重載貨車等車輛的爬坡困難以及下坡時的速度上升，這些因素都會導致陡坡路段貨車行車安全性的降低。凹型豎曲線的回歸系數為-0.534，OR值為0.667，表明凹型豎曲線發生惡性事故的概率低于平面豎曲線和凸型豎曲線。從邊際效應估計結果可知，凹型豎曲線與財產損失事故概率的增加(8.8%)和受傷事故概率的適度降低顯著相關(-7.8%)。

3.2.2 貨車類型特征

事故涉及貨車類型(TRT)標記為此事故中涉及的最重貨車類型(輕型、中型、重型)。比如，一起事故中同時涉及中型和重型貨車，則這起事故的涉及貨車類型為重型貨車。311起貨車事故數據中，被標記為涉及重型貨車的事故共126起，被標記為涉及中型貨車的事故共24起，被標記為涉及輕型貨車的事故共161起，分別占比40.5%，7.7%，51.8%。最終模型并未識別出輕型或重型貨車對事故嚴重程度的影響，研究結果顯示，中型貨車與財產損失事故概率的增加(20.5%)和受傷事故概率的降低高度相關(-18.6%)。

3.2.3 其他特征

一般而言，回歸模型應盡可能控制性別、年齡、歸屬地等駕駛員特征相關的因素，然而由于采集到的原始數據能提取到的有效變量僅為年齡變量，因此模型最終選取年齡變量進行回歸分析。最優模型中年齡的回歸系數為0.027，OR值為1.027，表明年輕貨車司機(20～61歲)不易造成嚴重事故。研究結果與現有部分研究不一致，可能是因為未考慮駕駛員不當操作、疲勞駕駛等行為的影響。追尾碰撞事故形態的回歸系數為-0.404，OR值為0.668，表明相同條件下，追尾碰撞的事故嚴重程度低于其他事故形態。從邊際效應估計結果可知，追尾碰撞與財產損失事故概率的增加(9.1%)和受傷事故概率的適度降低顯著相關(-8.0%)。換言之，與現有研究保持一致的結論是追尾碰撞不太可能導致人員嚴重受傷，因為追尾碰撞主要造成車輛結構損傷[10]。

4 結論

(1)以貨車事故嚴重程度為因變量，將其分為僅財產損失、輕傷、重傷或死亡事故3個等級，從人、車、路、環境、事故形態5個方面，結合山區雙車道公路特點，選取13個候選自變量建立了山區公路貨車事故嚴重程度分析模型。

(2)與山區公路貨車事故嚴重程度顯著相關的5個自變量分別為貨車類型(中型)、豎曲線類型(凹)、事故形態(追尾碰撞)、縱坡坡度、駕駛員年齡，且5個顯著自變量均滿足比例優勢假設。值得關注的是，本研究發現了山區道路線形特征、貨車類型對貨車事故受傷率和財產損失率的影響效應。縱坡坡度與貨車事故嚴重程度的正向變動效應說明貨車事故整治應重點關注坡度較陡路段。研究結果表明，凹型豎曲線、中型貨車類型與財產損失事故概率的增加和受傷事故概率的適度降低顯著相關。

(3)分析結果從道路、駕駛員、車輛等角度對山區公路貨車事故整治提供了參考。從道路角度看，交通管理部門應對山區公路凹形豎曲線、陡坡等安全隱患路段進行重點排查，加強對此類路段的交通安全監測預警。從駕駛員角度看，針對不同年齡段的貨車駕駛員采取差異化措施(提醒駕駛員謹慎駕駛、減少跟馳、超車等)干涉其駕駛行為。從車輛角度看，應重點關注中型貨車，及時布控、攔截、查處該類車輛的超載超速等違法行為。

(4)由于數據樣本容量有限及人工統計數據等方面的局限性，模型中未能充分體現山區公路環境對貨車事故嚴重程度的影響。因此，獲取更精確的山區公路環境、交通流狀況等數據，并結合地理空間技術、仿真技術對貨車事故影響機理進行深入分析將是下一步研究的重點。