道路交通事故嚴(yán)重程度預(yù)測及致因分析

摘要：【目的】為提高交通事故嚴(yán)重程度預(yù)測的準(zhǔn)確性，明晰事故嚴(yán)重程度的關(guān)鍵影響因素。【方法】從885起道路交通事故案例數(shù)據(jù)中選取影響交通事故嚴(yán)重程度的人、車、路、環(huán)境四方面共14個(gè)因素，采用融合通道注意力的卷積神經(jīng)網(wǎng)絡(luò)（CA-CNN）構(gòu)建事故分類預(yù)測模型。在此基礎(chǔ)上，采用邊際效用方法分析得出交通事故嚴(yán)重程度的顯著影響因素。【結(jié)果】結(jié)果表明，相較于卷積神經(jīng)網(wǎng)絡(luò)（CNN）、隨機(jī)森林（RF）、樸素貝葉斯（NaiveBayes）、回歸分析（Logistics）、決策表（Decision_table）、引導(dǎo)聚集算法（Bagging）6種預(yù)測模型，CA-CNN模型在準(zhǔn)確率、查準(zhǔn)率、召回率等指標(biāo)評價(jià)下，整體預(yù)測性能更優(yōu)；在交通事故嚴(yán)重程度的影響因素中，季節(jié)、是否工作日、道路類型、事故形態(tài)、是否違法變更車道、未按規(guī)定讓行及制動(dòng)不當(dāng)7個(gè)因素具有顯著性（p≤0.05）。【結(jié)論】CA-CNN是一種有效的交通事故嚴(yán)重程度預(yù)測模型，其分析結(jié)果有助于降低交通事故發(fā)生率和嚴(yán)重程度。

關(guān)鍵詞：交通安全；事故嚴(yán)重程度預(yù)測；卷積神經(jīng)網(wǎng)絡(luò)；通道注意力；致因分析

中圖分類號：U491.31 文獻(xiàn)標(biāo)志碼：A

本文引用格式：嚴(yán)利鑫，胡鑫輝，劉清梅，等. 道路交通事故嚴(yán)重程度預(yù)測及致因分析[J]. 華東交通大學(xué)學(xué)報(bào)，2024，41（5）：65-73.

Road Traffic Accident Severity Prediction and Causation Analysis

Yan Lixin1， Hu Xinhui1， Liu Qingmei2， Jin Wujie1

（1.School of Transportation Engineering， East China Jiaotong University， Nanchang 330013， China;

2.College of Transportation， Nanchang Jiaotong Institute， Nanchang 330044， China）

Abstract： 【Objective】To improve the accuracy of predicting the severity of traffic accidents and clarify the key influencing factors of traffic accident severity.【Method】Fourteen factors related to people， vehicles， roads， and environment that affect traffic accident severity were selected from 885 road traffic accident case data， and a traffic accident classification prediction model was constructed using a convolutional neural network with channel attention （CA-CNN）. On this basis， the significant influencing factors of traffic accident severity were analyzed using the method of marginal utility.【Result】The results show that compared with the 6 prediction models such as convolutional neural network （CNN）， random forest （RF）， NaiveBayes， logistics regression （Logistics）， decision table （Decision_table）， and bagging algorithm （Bagging）， the convolutional neural network model with channel attention fusion has better overall prediction performance in terms of accuracy， precision， and recall， etc. Among the influencing factors of traffic accident severity， the season， whether it is a workday， road type， accident type， illegal lane change， failure to yield， and improper braking have significant effects （p≤0.05）. 【Conclusion】CA-CNN is an effective traffic accident severity prediction model， and the analysis results are helpful in reducing the incidence and severity of traffic accidents.

Key words： traffic safety; accident severity prediction; convolutional neural network; channel attention; causation analysis

Citation format： YAN L X， HU X H， LIU Q M， et al. Road traffic accident severity prediction and causation analysis[J]. Journal of East China Jiaotong University， 2024， 41（5）： 65-73.

【研究意義】根據(jù)世界衛(wèi)生組織發(fā)布的《2023年全球道路安全狀況報(bào)告》，2021年全球約有119萬人因道路交通事故死亡，相當(dāng)于每10萬人中有15人死于道路交通事故，道路交通事故是造成5至29歲年齡段人員死亡的主要原因之一[1]。近年來，隨著我國經(jīng)濟(jì)社會(huì)的快速發(fā)展和城鎮(zhèn)化水平的不斷提高，道路交通需求急劇擴(kuò)張，這無疑對日益嚴(yán)峻的交通安全形勢構(gòu)成了更大挑戰(zhàn)。因此，提高交通事故嚴(yán)重程度預(yù)測的準(zhǔn)確性，明晰事故嚴(yán)重程度的關(guān)鍵影響因素，對提高道路安全水平具有重要意義。

【研究進(jìn)展】在早期的研究中，受計(jì)算機(jī)運(yùn)算能力的限制，研究人員主要采用線性回歸、負(fù)二項(xiàng)式、零膨脹回歸等簡單耗時(shí)的方法來構(gòu)建道路交通事故預(yù)測模型[2-3]；然而，這類方法未能充分反映出道路交通事故的分布特點(diǎn)，模型預(yù)測準(zhǔn)確率不高。Sun等[4]用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型探索事故發(fā)生前車輛的速度數(shù)據(jù)與事故發(fā)生的關(guān)系，實(shí)現(xiàn)了76.4%的預(yù)測精度。孫軼軒等[5]采用C5.0決策樹方法構(gòu)建交通事故嚴(yán)重程度預(yù)測模型，以二分類和三分類作為因變量進(jìn)行預(yù)測，預(yù)測準(zhǔn)確率分別為70%和61%。Parsa等[6]采用概率神經(jīng)網(wǎng)絡(luò)（PNN）構(gòu)建模型用以監(jiān)測交通事故的發(fā)生，該模型在正確預(yù)測事故方面的表現(xiàn)優(yōu)于支持向量機(jī)（SVM）。Vaiyapuri等[7]比較了多層感知機(jī)、邏輯回歸和K最近鄰算法在事故嚴(yán)重程度預(yù)測上的性能，發(fā)現(xiàn)多層感知機(jī)的預(yù)測性能優(yōu)于其他算法。綜合來看，在評估某種事故嚴(yán)重程度預(yù)測模型的預(yù)測精度時(shí)，通常會(huì)將其與其他多種模型進(jìn)行對比分析，以凸顯出該模型的優(yōu)勢。

在交通事故嚴(yán)重程度致因分析領(lǐng)域的研究中，李英帥等[8]基于隨機(jī)森林算法構(gòu)建了一個(gè)預(yù)測模型，該模型將22個(gè)特征因素納入考慮以預(yù)測事故嚴(yán)重程度；研究發(fā)現(xiàn)，車輛間事故類型、受傷部位、道路物理隔離類型等因素是影響受傷嚴(yán)重程度的主要因素。石小林等[9]基于美國密歇根州 Wayne 縣的直角事故記錄數(shù)據(jù)，通過二元 Logit 模型分析了影響直角事故傷害嚴(yán)重性的因素；Jalayer 等[10] 采用相關(guān)隨機(jī)參數(shù)有序Probit模型，探討了駕駛員錯(cuò)誤駕駛行為對交通事故嚴(yán)重性的影響；韓天園等[11]運(yùn)用文本挖掘技術(shù)提取了重特大道路交通事故調(diào)查報(bào)告中的事故成因特征；以上研究結(jié)果顯示駕駛員違法、安全隱患和操作不當(dāng)是導(dǎo)致重大交通事故的主要原因。目前，對于涉及多種因素和分類的交通事故嚴(yán)重性的研究尚需進(jìn)一步深化，此前大多研究主要集中在二分類事故嚴(yán)重程度上，這也會(huì)限制事故數(shù)據(jù)中有用信息的提取。

【創(chuàng)新特色】在目前關(guān)于交通事故嚴(yán)重程度的研究中，研究數(shù)據(jù)主要來自高速公路，對日常市區(qū)通勤發(fā)生的交通事故研究較少，為了填補(bǔ)這項(xiàng)空白，本文選取江蘇某園區(qū)城市道路交通事故數(shù)據(jù)。機(jī)器學(xué)習(xí)方法已經(jīng)在道路交通事故的預(yù)測中顯示良好的應(yīng)用前景，本文采用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，得到模型精度更高、泛化能力更強(qiáng)的交通事故嚴(yán)重程度預(yù)測模型。

【關(guān)鍵問題】深入研究交通事故與涉及的人、車輛、道路條件、環(huán)境等各要素之間的復(fù)雜關(guān)系，對于精確預(yù)測事故的嚴(yán)重程度至關(guān)重要，找出對事故嚴(yán)重程度有顯著影響的因素，對提升道路安全水平，改善交通管理策略，促進(jìn)交通安全政策的制定與執(zhí)行，推動(dòng)交通安全技術(shù)的進(jìn)步，增強(qiáng)公眾對交通安全重要性的認(rèn)識具有重要的應(yīng)用價(jià)值。

1 道路交通事故數(shù)據(jù)

依據(jù)公安部2017年頒布的《道路交通事故處理程序規(guī)定》，道路交通事故按事故后果嚴(yán)重程度可以分為：死亡事故、傷人事故和財(cái)產(chǎn)損失事故。本研究選用蘇州某園區(qū)一年的交通事故數(shù)據(jù)進(jìn)行挖掘分析，經(jīng)過預(yù)處理得到有效數(shù)據(jù)885條。結(jié)合數(shù)據(jù)樣本特征，將交通事故嚴(yán)重程度等級劃分為：輕微事故、一般事故、重大事故3個(gè)不同等級。其中輕微事故指的是造成經(jīng)濟(jì)財(cái)產(chǎn)損失但事故人員不需要醫(yī)療干預(yù)的事故；一般事故是指在事故中相關(guān)人員涉及骨折等較為嚴(yán)重的傷情，需要醫(yī)療干預(yù)的事故；重大事故是指事故發(fā)生導(dǎo)致事故相關(guān)人員死亡或1個(gè)月內(nèi)重傷不治的事故。

每條交通事故記錄包含3種類型的信息：① 事故原因；② 事故特征；③ 環(huán)境特征；事故原因又包括駕駛員、車輛、環(huán)境3個(gè)維度的信息；事故特征包括所涉車輛種類，事故形態(tài)等；環(huán)境特征包括事故發(fā)生的時(shí)間、地點(diǎn)、道路環(huán)境等。從以上多方面信息中篩選出性別（gender）、年齡段（age group）、季節(jié)（season）、是否工作日（weekday）、時(shí)間段（time period）、路面情況（pavement condition）、道路類型（road type）、事故形態(tài)（accident pattern）、車輛類型（vehicle type）、違反交通信號（traffic signal violation）、違法變更車道（illegal lane change）、未按規(guī)定讓行（failure to yield）、制動(dòng)不當(dāng)（improper braking）、非機(jī)動(dòng)車逆行（non-motor vehicle retrograde）14個(gè)因素作為影響交通事故嚴(yán)重程度的變量，見表1。從數(shù)據(jù)統(tǒng)計(jì)結(jié)果可知，一般事故數(shù)量最多，占比為37.5%；其次為輕微事故，占比為33.8%；數(shù)量最少的為重大事故，占比為28.7%。

2 研究方法

2.1 建模方案設(shè)計(jì)

將交通事故的嚴(yán)重程度等級作為因變量，同時(shí)選取影響交通事故發(fā)生的人、車、路、環(huán)境四個(gè)方面的特征因素作為自變量。考慮到數(shù)據(jù)中影響因素較多，傳統(tǒng)的數(shù)據(jù)預(yù)處理方法，如主成分分析，并不能有效提高模型的預(yù)測性能。因此，本研究采用了一種融合通道注意力的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network with channel attention，CA-CNN）模型來預(yù)測交通事故的嚴(yán)重等級。該模型通過調(diào)整不同特征在網(wǎng)絡(luò)預(yù)測中的權(quán)重，實(shí)現(xiàn)了對不同事故嚴(yán)重等級（如輕微事故、一般事故、重大事故）的有效識別，從而增強(qiáng)了模型的預(yù)測性能，并提高了道路交通安全預(yù)警的水平。

卷積計(jì)算被當(dāng)作一種特殊的線性運(yùn)算，常用于提取圖像特征。CNN具有訓(xùn)練速度快、準(zhǔn)確率高等優(yōu)點(diǎn)，該模型主要包括卷積層、池化層和分類器層[12-13]。與傳統(tǒng)的特征提取方法不同，CNN可以自動(dòng)提取特征信息（其結(jié)構(gòu)如圖1所示），在特征識別方面同樣具有平移不變性的優(yōu)勢，因此廣泛應(yīng)用于時(shí)間序列的特征識別和提取。

為了應(yīng)對CNN中普遍存在的通道間信息價(jià)值不均衡問題，本文引入文獻(xiàn)[14]中提出的通道注意力與卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行組合，構(gòu)建CA-CNN交通事故嚴(yán)重等級預(yù)測模型。

通道注意力通過均值池化全局信息壓縮到信息通道維度，以此來建立不同通道間的相互依存關(guān)系，對卷積計(jì)算得到的特征通道維度加權(quán)，提高神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)特征的表達(dá)能力，從而增強(qiáng)網(wǎng)絡(luò)模型對目標(biāo)的判別能力，提高模型識別準(zhǔn)確率。為了能從復(fù)雜背景下區(qū)分不同特征的重要程度，給予重要特征更高的權(quán)重有利于提升神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的特征提取能力，進(jìn)一步獲取不同特征的關(guān)鍵程度，將池化后的向量分別送入瓶頸結(jié)構(gòu)的擠壓-激勵(lì)網(wǎng)絡(luò)，獲取不同重要程度特征的權(quán)重，通道注意力模塊流程如圖2所示。

設(shè)送入通道注意力機(jī)制的矩陣為[X∈RH×1×a]；H為通道數(shù)；a為數(shù)據(jù)長度。通過擠壓-激勵(lì)網(wǎng)絡(luò)輸出的兩個(gè)結(jié)果相加，以此得到新的特征矩陣向量[c∈RH×1×1]。最后，通道注意力機(jī)制的輸出矩陣為

[C=X?σ（c）] （1）

通過全局平均池化層保留通道特征，使用兩層1*1卷積層學(xué)習(xí)通道特征權(quán)重，并利用sigmoid激活函數(shù)進(jìn)行歸一化處理，可以得到不同通道的權(quán)值分配信息，有利于特征提取。

[Mn（F1）=σ（MLP（AvgPool（F1）））=σ（W1（W0（Fn1-age）））] （2）

[F0=Mn（F1）*F1+F1] （3）

式中：[σ]為激活函數(shù)；MLP為感知機(jī)；[Fn1-age]為平均池化特征；[W0]，[W1]為減少率；n 是特征的通道維度的大小。[Mn（F1）]是一個(gè)通道注意力參數(shù)矩陣，[F1]和[F0]分別表示通道注意力模塊特征圖的輸出和輸入。

在通道注意力的基礎(chǔ)上，模型將具有不同道路事故嚴(yán)重程度的數(shù)據(jù)作為輸入數(shù)據(jù)，構(gòu)建基于融合通道注意力的卷積神經(jīng)網(wǎng)絡(luò)識別模型，通道注意力模塊用于提取不同特征變量之間的差異，增強(qiáng)或減弱特征在事故嚴(yán)重程度預(yù)測中的輸入權(quán)重。CA-CNN交通事故嚴(yán)重程度預(yù)測模型網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置上，經(jīng)過多次調(diào)試，模型設(shè)置多個(gè)卷積層、2個(gè)通道注意力單元、1個(gè)輸入層及1個(gè)輸出層。每個(gè)隱含層結(jié)構(gòu)采用卷積層、激活層、卷積層結(jié)構(gòu)；通道注意力單元采用自適應(yīng)平均池化層、卷積層、激活層、卷積層、激活層的結(jié)構(gòu)；輸出層為1個(gè)卷積層。模型網(wǎng)絡(luò)隱含層中采用了ReLU作為激活函數(shù)，通道注意力單元中第1個(gè)激活層使用ReLU函數(shù)，第2個(gè)激活層使用sigmoid函數(shù)。各卷積層中卷積核大小為1，卷積核移動(dòng)步長均設(shè)置為1。訓(xùn)練模型時(shí)，網(wǎng)絡(luò)采用SGD函數(shù)優(yōu)化學(xué)習(xí)率，初始學(xué)習(xí)率設(shè)置為0.02。

2.2 模型評價(jià)指標(biāo)

在對模型分類預(yù)測模型進(jìn)行評估時(shí)，評價(jià)指標(biāo)種類多樣，但不同的指標(biāo)可能得到不同的結(jié)果。本研究采用分類準(zhǔn)確率（accuracy）、查準(zhǔn)率（precision）、召回率（recall）等5種預(yù)測評價(jià)指標(biāo)對事故嚴(yán)重程度預(yù)測精度進(jìn)行評估[15]，其詳細(xì)表達(dá)式見式（4）～式（8）。

1） 準(zhǔn)確率，分類準(zhǔn)確度衡量了分類模型總體預(yù)測準(zhǔn)確度，計(jì)算公式如下

[Accuracy=TP+TNTP+TN +FN+FP] （4）

式中：TP樣本為正類，預(yù)測為正類；FP樣本為負(fù)類，預(yù)測為正類；TN樣本為負(fù)類，預(yù)測為正類；FN樣本為正類，預(yù)測為正類。

2） 查準(zhǔn)率計(jì)算公式如下

[Precision=TPTP +FP] （5）

3） 召回率計(jì)算公式如下

[Recall=TPTP+FN] （6）

4） F1_score是統(tǒng)計(jì)學(xué)中用來衡量模型精確度的一種指標(biāo)，它同時(shí)兼顧了分類模型的準(zhǔn)確率和召回率

[F1_score=2Precision×RecallPrecision+Recall] （7）

5） MCC用以衡量分類預(yù)測模型性能的指標(biāo)，該指標(biāo)考慮了真正類、真負(fù)類、假正類和假負(fù)類，通常認(rèn)為該指標(biāo)是一個(gè)比較均衡的指標(biāo)，計(jì)算公式如下

[MCC=TP×TN-FP×FN（TP+FP）（TP+FN）（TN+FP）（TN+FN）]（8）

3 模型結(jié)果評估分析

3.1 模型預(yù)測結(jié)果分析

通過數(shù)據(jù)的預(yù)處理，本研究形成一份包含885個(gè)樣本，14個(gè)特征變量的交通事故數(shù)據(jù)集。分類變量標(biāo)簽以事故嚴(yán)重程度為標(biāo)準(zhǔn)，劃分為3個(gè)等級。算法使用python語言在pytorch深度學(xué)習(xí)框架上進(jìn)行編程。計(jì)算機(jī)使用i5-1135G7處理器以及16 GB內(nèi)存硬件配置。考慮到本研究數(shù)據(jù)量較少，因此選取了90%的數(shù)據(jù)用于訓(xùn)練模型，10%的數(shù)據(jù)作為測試集。

3.2 不同模型預(yù)測結(jié)果對比

根據(jù)本文建模方案，將經(jīng)預(yù)處理的數(shù)據(jù)集分別輸入CNN，CA-CNN，RF，NaiveBayes，Logistics，Decision_table，Bagging 7個(gè)模型中。為充分驗(yàn)證此模型在事故嚴(yán)重程度預(yù)測上具有優(yōu)勢，將CA-CNN模型與以上模型進(jìn)行比較。

依據(jù)各模型預(yù)測結(jié)果計(jì)算出對應(yīng)混淆矩陣，利用混淆矩陣顯示模型對各事故嚴(yán)重程度的預(yù)測結(jié)果與實(shí)際指標(biāo)之間的差異。在混淆矩陣中，每一行代表特定事故嚴(yán)重程度的實(shí)際觀察次數(shù)，而各列代表預(yù)測次數(shù)。對角線上的單元格值表示準(zhǔn)確預(yù)測特定事故嚴(yán)重程度的次數(shù)，非對角線單元格則表示錯(cuò)誤分類，這可能導(dǎo)致模型估計(jì)過高或過低。各模型預(yù)測結(jié)果對應(yīng)的混淆矩陣詳見表2。在輕微事故的預(yù)測中，CA-CNN模型的預(yù)測準(zhǔn)確率最高，達(dá)到72.4%；在一般事故的預(yù)測中，RF模型的預(yù)測準(zhǔn)確率最高，達(dá)到96.3%；在重大事故的預(yù)測中，CA-CNN模型的預(yù)測準(zhǔn)確率最高，達(dá)到78.3%。在所有分類預(yù)測模型中，CA-CNN模型正確預(yù)測事故類別的數(shù)量最多，正確預(yù)測總數(shù)達(dá)到71例。其他幾種模型正確預(yù)測的數(shù)量依次為：RF模型 69例、CNN模型66例、Logistics模型65例、NaiveBayes模型62例、Bagging模型58例、Decision_table 52例。

為從整體上了解模型整體預(yù)測效果，依據(jù)模型預(yù)測結(jié)果對應(yīng)混淆矩陣，計(jì)算模型預(yù)測效果總體評價(jià)指標(biāo)MCC，F(xiàn)1_score，ACC，具體計(jì)算結(jié)果見圖4。

由圖4可知，CA-CNN模型的整體預(yù)測性能優(yōu)于其他模型。與其他模型相比，CA-CNN模型的F1_score值最大（0.796），相對于CNN，RF，NaiveBayes，Logistics，Decision_table，Bagging模型分別提高了0.070，0.016，0.097，0.062，0.098和0.144，對應(yīng)增長率分別為8.8%，2.0%，12.2%，7.8%，12.3%和18.1%；CA-CNN模型的MCC值最大，為0.701，相對于CNN，RF，NaiveBayes，Logistics，Decision_table，Bagging模型分別高出0.058，0.027，0.149，0.096，0.147和0.218，對應(yīng)增長率為8.3%，3.9%，21.3%，13.7%，21.0%和31.1%；模型CA-CNN模型準(zhǔn)確率為0.801，相對于其他模型分別提高了0.026，0.017，0.093，0.063，0.097和0.042，增長率為3.2%，2.1%，12.1%，7.9%，12.1%和5.2%。由以上分析可知，采用模型CA-CNN的預(yù)測效果最佳，其性能較Bagging等模型而言有明顯提升。

為更具體地了解模型實(shí)際總體分類性能，引入了TP Rate（真正類率），F(xiàn)P Rate（假正類率），Precision和Recall評價(jià)指標(biāo)，具體計(jì)算結(jié)果見圖5和圖6。

TPR數(shù)值越大，F(xiàn)PR數(shù)值越小，表明模型預(yù)測效果越好。從圖5的數(shù)據(jù)可知，CA-CNN模型的TPR數(shù)值最大，其對應(yīng)數(shù)值為0.798，其次為RF模型，TPR值為0.784，Bagging模型的TPR值最小，TPR值為0.659。CA-CNN模型的TPR值較Bagging模型和RF模型分別提高0.139，0.014，增長率為21.1%，1.8%。CA-CNN模型的FPR數(shù)值最小，其對應(yīng)數(shù)值為0.096，RF模型，F(xiàn)PR值為0.108，Bagging模型的TPR值最大，F(xiàn)PR值為0.173。CA-CNN模型的FPR值較Bagging模型和RF模型分別減小0.077，0.012，減小比率為80.2%，12.5%。

由文獻(xiàn)[13]可知，Precision和Recall的值越高，模型預(yù)測效果越好。從圖6可知，CA-CNN模型對應(yīng)的Precision值和Recall值分別為0.796和0.799，遠(yuǎn)高于Bagging模型的0.651和0.659，分別提高了0.145和0.140，增長率為22.3%和21.2%。

由以上分析可知，從整體預(yù)測效果上看CA-CNN模型是一種較好的交通事故預(yù)測模型，其整體預(yù)測效果優(yōu)于CNN，RF，Logistics等模型。

3.3 多重共線性檢驗(yàn)

為了排除不同影響因素之間存在較強(qiáng)相關(guān)性從而影響模型的準(zhǔn)確性，本文基于Stata15.0軟件對回歸模型14個(gè)自變量做了多重共線性診斷，診斷結(jié)果見表3。

衡量多重共線性程度一個(gè)常用的指標(biāo)是方差膨脹因子VIF。VIF值越大，表示自變量的容忍度越小，越有共線性問題。通常，以10作為臨界值，當(dāng)VIF值大于10時(shí)，則認(rèn)為變量間存在明顯的多重共線性。從上表結(jié)果可以看出，所有變量的VIF值均遠(yuǎn)小于臨界值10，表明它們之間不存在多重共線性，可以作為模型的自變量。

3.4 模型標(biāo)定結(jié)果分析

基于Stata15.0軟件，對交通事故嚴(yán)重程度的事故數(shù)據(jù)建立多元Logit模型，設(shè)置置信度區(qū)間為95%。當(dāng)顯著性水平P值小于或等于0.05時(shí)，表示該變量對事故嚴(yán)重程度具有顯著影響，當(dāng)Pgt;0.05時(shí)，說明該變量對事故嚴(yán)重程度影響顯著性較低。對應(yīng)的參數(shù)估計(jì)結(jié)果見表4。

從以上結(jié)果可以看出，影響交通事故發(fā)生的因素中存在7個(gè)顯著因子，為季節(jié)、是否工作日、道路類型、事故形態(tài)、是否違法變更車道、未按規(guī)定讓行及制動(dòng)不當(dāng)。

4 事故嚴(yán)重程度致因分析

基于此前分析得出的顯著影響因素結(jié)果，為量化不同影響因素對事故嚴(yán)重程度等級的影響，本研究在多元Logit模型的基礎(chǔ)上對存在顯著影響的自變量進(jìn)行了深入的邊際效應(yīng)分析，具體邊際效應(yīng)結(jié)果見表5。

4.1 輕微事故致因分析

對于輕微事故而言，普通道路、車輛與非機(jī)動(dòng)車事故、夏季這3個(gè)因素對于該類事故的發(fā)生影響更為顯著，其對應(yīng)的邊際效用絕對值高達(dá)43.3%，43.1%和31.2%。 在對一般事故以及重大事故機(jī)理分析中，道路類型為普通道路的影響也很顯著，因此合并在一起進(jìn)行機(jī)理分析。

1） 普通道路。此類道路類型會(huì)將3種事故發(fā)生的概率分別增加43.3%，46.7%和39.8%。道路原因主要表現(xiàn)在混合交通、平面交叉、標(biāo)志不全、路面障礙和道路不符合標(biāo)準(zhǔn)，此外，一般車輛在普通道路上行駛的時(shí)間相對于三支以及四支分岔口時(shí)間更長，從這個(gè)角度來說，也會(huì)相應(yīng)增大事故的發(fā)生概率。

2） 車輛與非機(jī)動(dòng)車事故。此類事故形態(tài)會(huì)將輕微事故發(fā)生的概率增加43.1%。考慮原因?yàn)榉菣C(jī)動(dòng)車駕駛者缺乏安全意識，沒有注意交通信號和道路標(biāo)志，違規(guī)情況較多，一些道路也存在安全隱患，容易造成事故發(fā)生。

3） 夏季。此季節(jié)因素會(huì)將輕微事故發(fā)生的概率增加31.2%。夏季白天時(shí)間增長，夜晚時(shí)間縮短，人們的睡眠時(shí)間也隨之縮短。夜間睡眠不足，導(dǎo)致白天犯困、精神不能集中，甚至開車時(shí)打盹。此外，天氣炎熱，溫度高，駕駛員心情容易急躁，尤其是對于暴露在外的非機(jī)動(dòng)車駕駛員。

4.2 一般事故致因分析

對于一般事故而言，普通道路對于該類事故的發(fā)生影響最為顯著，對應(yīng)的邊際效用絕對值為46.7%，其次為三支分岔口、車輛間運(yùn)動(dòng)碰撞邊際效用絕對值分別為16.0%和13.2%。

1） 三支分岔口。此類道路類型會(huì)將一般事故發(fā)生的概率減小16.0%。這可能是由于三支分岔口相對于四支分岔口的路況較簡單，因而對事故發(fā)生的影響較小。

2） 車輛間運(yùn)動(dòng)碰撞。此類事故形態(tài)會(huì)將一般事故發(fā)生的概率減小13.2%。由于此類型事故是車輛之間的事故，由于車身外殼以及車輛防護(hù)設(shè)備，發(fā)生事故時(shí)往往能對乘車人起到保護(hù)作用。

4.3 重大事故致因分析

對于重大事故而言，車輛與非機(jī)動(dòng)車事故和普通道路跟其他因素相比影響更為顯著，邊際效用絕對值為39.8%和40.6%，其他事故形態(tài)的邊際效用絕對值為26.1%，違法變更車道的邊際效用絕對值為19.6%。

1） 車輛與非機(jī)動(dòng)車事故。此類事故形態(tài)會(huì)將重大事故發(fā)生的概率增加39.8%，由于機(jī)動(dòng)車駕駛速度過快，而非機(jī)動(dòng)車部件老化，甚至存在機(jī)械故障，導(dǎo)致安全性較差，事故發(fā)生時(shí)，非機(jī)動(dòng)車往往因缺乏防護(hù)設(shè)施導(dǎo)致駕駛者重傷甚至當(dāng)場死亡。

2） 其他事故形態(tài)。其他事故形態(tài)會(huì)將重大事故發(fā)生的概率增加26.1%，其他事故形態(tài)包括翻車、墜落、爆炸等，這些類型的事故危害極大，往往造成巨大的生命財(cái)產(chǎn)損失。

3） 違法變更車道。違法變更車道會(huì)將重大事故發(fā)生的概率增加19.6%，在車輛進(jìn)行車道變換時(shí)，駕駛員需要執(zhí)行一系列復(fù)雜的操作，這不僅會(huì)耗費(fèi)他們的精力，還可能誘發(fā)超速行為。

5 結(jié)論

1） 提出CA-CNN的交通事故分類預(yù)測模型。在7種分類預(yù)測模型中，CA-CNN模型在準(zhǔn)確預(yù)測事故類型方面表現(xiàn)最佳，準(zhǔn)確預(yù)測了71起事故的類別，能夠有效預(yù)測出輕微事故、一般事故和重大事故。

2） CA-CNN模型在7種模型中的TPR數(shù)值最大，F(xiàn)PR數(shù)值最小，Precision值和Recall值也最大，從整體預(yù)測效果上看CA-CNN模型是一種效果較好的交通事故預(yù)測模型。

3） 置信度區(qū)間為95%時(shí)，以下7個(gè)因素對交通事故的發(fā)生具有顯著影響：季節(jié)、是否為工作日、道路類型、事故類型、違法變道、未按規(guī)定讓行以及不當(dāng)制動(dòng)。其中，普通道路、車輛與非機(jī)動(dòng)車事故、夏季對輕微事故的影響更為顯著；普通道路、三岔路口、車輛間運(yùn)動(dòng)碰撞對一般事故的影響更為顯著；車輛與非機(jī)動(dòng)車事故、普通道路、其他事故形態(tài)和違法變更車道對于重大事故的影響更為顯著。

參考文獻(xiàn)：

[1] " 世界衛(wèi)生組織.2023年全球道路安全狀況報(bào)告[EB/OL].（2023-12-13）[2024-02-15].https：//www.who.int/zh/publications/b/72400.

[2] " 劉海珠. 道路交通事故嚴(yán)重程度影響因素分析及預(yù)測模型建立[D]. 長春： 吉林大學(xué)， 2014.

LIU H Z. The analysis of influencing factors for crash severity and the establishment of predication model[D]. Changchun： Jilin University， 2014.

[3] " SHAON M， QIN X， AFGHARI A， et al. Incorporating behavioral variables into crash count prediction by severity. A multivariate multiple risk source approach[J]. Accident Analysis and Prevention， 2019， 129： 277-288.

[4] " SUN J， SUN J. A dynamic Bayesian network model for real-time crash prediction using traffic speed conditions data[J]. Transportation Research Part C： Emerging Technologies， 2015， 54： 176-186.

[5] " 孫軼軒， 邵春福， 趙丹， 等. 交通事故嚴(yán)重程度C5.0決策樹預(yù)測模型[J]. 長安大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014， 34（5）： 109-116.

SUN Y X， SHAO C F， ZHAO D， et al. Traffic accident severity prediction model based on C5.0 decision tree[J]. Journal of Chang'an University （Natural Science Edition），2014， 34（5）： 109-116.

[6] " PARSA A， TAGHIPOUR H， DERNIBLE S， et al. Real-time accident detection： coping with imbalanced data[J]. Accident Analysis and Prevention， 2019， 129：202-210.

[7] " VAIYAPURI T， GUPTA M. Traffic accident severity prediction and cognitive analysis using deep learning[J]. Soft Computing， 2021：1-13.

[8] 李英帥， 張旭， 王衛(wèi)杰， 等. 基于隨機(jī)森林的電動(dòng)自行車騎行者事故傷害程度影響因素分析[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2021， 21（1）： 196-200.

LI Y S， ZHANG X， WANG W J， et al. Factors affecting electric bicycle rider injury in accident based on random forest model[J]. Transportation Systems Engineering and Information， 2021， 21（1）： 196-200.

[9] 石小林， 李涵， 黃子富. 基于二元Logit模型的直角事故受傷嚴(yán)重程度分析[J]. 交通運(yùn)輸工程與信息學(xué)報(bào)， 2020，18（1）： 106-110.

SHI X L， LI H， HUANG Z F. Analysis of the severity of right-angle accident injury based on a dual Logit model[J]. Journal of Traffic and Transportation Engineering and Information Technology， 2020， 18（1）： 106-110.

[10] JALAYER M， SHABANPOUR R， POUR-ROUHOLAMIN M， et al. Wrong-way driving crashes： a random-parameters ordered probit analysis of injury severity[J]. Accident Analysis amp; Prevention， 2018（117）： 128-135.

[11] 韓天園， 田順， 呂凱光， 等. 基于文本挖掘的重特大交通事故成因網(wǎng)絡(luò)分析[J]. 中國安全科學(xué)學(xué)報(bào)， 2021， 31（9）：150-156.

HAN T Y， TIAN S， LYU K G， et al. Network analysis on causes for serious traffic accidents based on text mining[J]. China Safety Science Journal， 2021， 31（9）： 150-156.

[12] SHUO J， FEI H， SHINING L， et al. Long short-term memory and convolutional neural network for abnormal driving behavior recognition[J]. Intelligent Transport Systems， 2020， 14（5）： 306-312.

[13] 趙建東， 趙志敏， 屈云超， 等. 軌跡數(shù)據(jù)驅(qū)動(dòng)的車輛換道意圖識別研究[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2022， 22（4）： 63-71.

ZHAO J D， ZHAO Z M， QU Y C， et al. Vehicle lane change intention recognition driven by trajectory data[J]. Transportation Systems Engineering and Information， 2022， 22（4）： 63-71.

[14] 馬吉權(quán)， 趙淑敏， 孔凡輝. 多尺度條形池化與通道注意力的圖像語義分割[J]. 中國圖象圖形學(xué)報(bào)， 2022， 27（12）：3530-3541.

MA J Q， ZHAO S M， KONG F H. Semantic image segmentation by using multi-scale strip pooling and channel attention[J]. Chinese Journal of Image and Graphics， 2022， 27（12）： 3530-3541.

[15] XIE G， SHANGGUAN A， FEI R， et al. Unmanned system safety decision-making support： Analysis and assessment of road traffic accidents[J]. IEEE/ASME Transactions on Mechatronics， 2021， 26（2）： 633-644.

通信作者：嚴(yán)利鑫（1988—），男，博士，副教授，博士生導(dǎo)師，研究方向?yàn)橹悄芫W(wǎng)聯(lián)汽車關(guān)鍵技術(shù)，交通安全及事故致因分析。E-mail：yanlixinits@163.com。