道路因素对典型较严重道路交通事故严重性的影响分析

王长君;王励旸;李瑞敏

【摘 要】基于道路交通事故数据探究事故影响因素对于认识事故的影响因素、提高交通安全水平具有重要意义。利用近年来国内典型较严重道路交通事故数据，应用泊松模型和负二项模型，以区分事故形态的方式建立追尾事故、侧碰事故及撞行人事故的事故死亡率的道路影响因素分析模型。这些模型以三类事故中涉及人员的死亡数为因变量，以一系列道路因素为自变量，将事故涉及人数作为偏移变量。模型的具体形式以过离散系数及赤池信息量准则（AIC）为依据进行选择。结果显示，追尾事故的死亡率与道路等级、路侧防护设施显著相关；侧碰事故则与天气、路表情况、路口路段位置、坡度以及道路结构有关；撞行人事故与路表情况、道路等级、车道数、平曲线半径有关。本文拓展了事故严重性研究的深度，其研究成果对于更好地利用重特大事故的深入调查数据有现实意义，也可为事故分析及道路设计等提供借鉴。%With the purpose to improve the road traffic safety,it is important to investigate the factors which have impacts on the severity of traffic crashes.Based on the data of traffic crashes in recently years which include serious colli-sions,the types of crashes are distinguished using Poisson Model and Negative-binomial Model.These models are also used for establishing an estimation model of fatality rate for three typical crash types:rear-end crashes,lateral impact crashes and pedestrian-involved crashes.In this model,the fatality is a dependent variable and highway factors are inde-pendent variables,the numbers of persons involved in each crash is a modified variable.The parameters of this model are determined by the over-dispersion parameter and Akaike Information Criterion (AIC)method.The results indicate that the grade of highway and roadside protective facilities significantly correlate with the fatality of rear-end crashes.Weather, conditions of road surface,locations of segments or intersections,gradient of roads,and structure of pavement are all rel-evant with lateral impact crashes.The factors of conditions of road surface,grade of roads,numbers of lanes,and radius of curve are relevant with pedestrian-involved crashes.This innovated method on severity of traffic crashes proposed in this study can be further used for analyses on extremely serious traffic crashes.This study could be used as a reference for accident analysis and design of roads as well.

【期刊名称】《交通信息与安全》

【年(卷),期】2016(034)003

【总页数】8页(P10-17)

【关键词】交通安全;事故死亡率;道路因素;泊松模型;负二项模型;事故数据分析

【作 者】王长君;王励旸;李瑞敏

【作者单位】交通管理科学研究所 江苏 无锡 214151; 交通管理科学研究所国家道路交通管理工程技术研究中心 江苏 无锡 214151;清华大学交通研究所 北京 100084;清华大学交通研究所 北京 100084

【正文语种】中 文

【中图分类】U491.31

随着我国社会经济的持续发展，道路基础设施建设不断推进，逐渐满足了日益增长的交通运输需求。然而，道路安全方面也因此产生了一定压力。例如，2011年，全国共接报道路交通事故422.4万起，造成62 387人死亡，237 421人受伤，直接财产损失10.8亿元，万车死亡率约为2.8人/年[1]。

改善道路交通安全水平的重要工作之一是消除事故隐患，由此需要了解事故的影响因素或事故致因。应用统计工具进行事故数据分析，虽不能直接揭示事故机理，但对分析道路交通事故的影响因素、查找道路设计的潜在缺陷，均有重要意义。同时，此类研究也为深入研究交通事故发生机理指明了方向。因此，针对不同交通安全对象的统计方法研究获得较大的发展。

以事故数据为基础，应用统计方法探求交通事故影响因素的研究方法在交通安全研究邻域应用得非常广泛。根据统计模型的因变量进行分类，其研究对象主要是事故数(或事故频率)和事故严重程度。从模型来看，对于前者，国内外已有研究经常运用计数数据模型，其中以泊松模型和负二项模型的应用最为广泛[2]；而后者，则通常用各种离散输出模型加以分析[3]。

以泊松模型和负二项模型为工具，路段事故记录为基础，分析事故数与交通流特征、道路设计参数及所处环境的关系的研究在国外开始较早。S.Miaou[2]以泊松模型和负二项模型分析了涉及卡车的事故与路段几何线性的关系；而后，随着数据量日渐充实，统计技术手段日新月异，更精确的模型和更细化的研究路段划分方法成体系地出现[4-5]；但是，基本的泊松模型及负二项模型应用仍最为广泛[6]。其他关于事故频率研究的现状及可用计数数据模型的综述见D.Lord等[7]的研究。在国内，此类研究的起步稍晚，但发展迅速并根据国内实际有了许多改进[8-9]。

对于事故严重程度，传统的做法是将事故根据事故中最严重伤者的伤亡情况划分2类或多类严重程度的事故，通过估计离散输出模型各类事故的变量参数来分析各种变量，尤其是道路因素对事故严重程度的影响[10]。道路因素主要指事故发生地点的道路因素，如Hu等[11]的研究指出事故发生地点、路面铺装类型及路面状态等道路因素对碰撞隔离护栏事故的伤亡情况的影响；P.T.Savolainen等[12]的研究也表明路面状态是影响各种事故形态事故伤亡情况的显著道路影响因素。另一项研究表明，路面的摩擦系数和事故地点位于平曲线的位置也可能对某些严重程度的事故有显著影响[13]；此外，平纵曲线设计参数[14]、道路限速[15]、车道数[16]、照明情况[16]，以及道路等级[14]等也是研究者关注的潜在道路影响因素。但是事故严重性不仅限于划分最严重的伤亡情况，对于死亡事故来说，尤其是对于重特大事故而言，死亡数或者更确切地说死亡率是衡量事故严重性更直观的指标。用它们作为事故严重程度的评价手段，不仅数据相对容易获取，而且数值直接反应事故严重程度，是直接可比的；同时涉及人员死亡的交通事故历来受到重视，在统计中缺漏较少[17]。然而当前关于交通事故死亡数/死亡率的研究，以宏观层面的研究为主，多利用线性模型进行分析预测[18]，不仅精度不高，且对于交通安全工作实践的意义有限。另一方面，从更微观的层面考虑死亡率的研究，例如，以非线性统计模型分析道路因素对交通事故死亡率的影响，在国内还不多见。因此，针对国内道路的重特大事故，有必要在传统事故严重程度的研究基础上，以事故的死亡率为研究对象，分析道路因素对事故死亡率的影响，拓展事故严重性研究的深度。

笔者利用泊松模型和负二项模型，以区分事故形态的方式建立不同事故形态下某一起重特大交通事故死亡率的道路影响因素分析模型。建模数据来自交通管理部门的数据库，共有发生于2009～2012年的443条事故记录，分属追尾、正碰、侧碰、撞行人和其他单车事故5类，以重特大事故为主。

对每个事故形态分别建立泊松模型和负二项模型，其因变量为一起事故的死亡率，自变量为事故发生地点的道路因素。现实中，实际影响道路事故的道路因素可能有多种，受所能够采集的数据的影响，笔者研究的各类因素主要包括：事故发生的时间及当时的天气、照明状况，事故发生地点的道路情况、路表情况、道路转弯半径与坡度、道路技术等级、事故路段所处地形、事故地点的路口路段类型、事发路段的车道数与车道宽、该路段是否有路侧防护设施及隔离设施等。

2.1　泊松模型

事故中的死亡人数，由事故参与人数N及其死亡率p共同决定，为重复的伯努利试验(Bernoulli trial)[19]。Lord等[19]的研究表明，若相对于N而言死亡人数n足够小，可用泊松分布近似处理。用于本文的泊松模型的形式如下。

式中：yi为第i起事故的死亡人数；P(Yi)为第i起事故导致yi人死亡的概率；λi为事故i的泊松参数，也是事故i的死亡人数估计期望E(Yi)，λi通过以下公式计算，

式中：λi为事故涉及人数；β为估计参数向量；Xi为与事故i相关的道路因素显著自变量向量，从本节所述的备选道路因素中依下面介绍的方法选取。上述模型设定使exp(βXi)直接代表第i起事故的死亡率。

虽然泊松模型处理离散数据的能力较强，但泊松分布的一个特性是模型的均值等于方差。该特点不容易在现实数据中满足，因此使用该模型需要验证数据的过离散性α[19]。

2.2　负二项模型

在事故死亡人数的原始数据中时常存在过离散现象，此时需采用负二项模型。负二项回归模型也称为泊松-伽马模型(Poisson-gamma model)，它是泊松模型针对数据过离散的拓展。考虑到原始数据可能存在的过离散因素，亦建立了进行事故影响因素分析的负二项模型，以对比选择能够最佳拟合事故数据的模型。

在该模型中，假设泊松参数λi服从伽马分布，并在其计算公式中加入修正项εi，即

其中exp(εi)服从伽马分布，其均值为1，方差为α。在加入修正项后，事故数Yi的方差不必严格等于E(Yi)。

式中：α表征了数据的过离散程度，称为过离散参数。当α=0时，负二项模型就变为泊松模型，这说明泊松模型是负二项模型的特例[19]。

2.3　模型拟合

使用统计语言R进行模型拟合。拟合时利用向后逐步回归地非线性最小二乘法以AIC为评价指标选择最佳模型，即首先建立包含所有备选道路因素变量的事故率分析模型，再根据AIC逐渐剔除变量，直至AIC达到最小。在此基础上，考虑各事故形态的负二项模型的过离散参数α的估计值及其p-值。对于负二项模型过离散参数α不显著的事故形态，选择泊松模型，否则选择负二项模型。最后筛选其中代表性良好的事故形态加以分析。

原始数据包含的正碰事故共83起，其他单车事故共124起。这2个事故形态的建模结果显示上述道路因素对它们的死亡率没有显著影响，故以下各节分别论述追尾事故、侧碰事故及撞行人事故的建模结果。

3.1　追尾事故建模结果

原始数据包含的追尾事故共67起。对可用变量的概要描述见表1。

针对追尾形态的重特大交通事故数据分别建立了泊松模型和负二项模型。后者的过离散参数α=0.095 704 62 ，且不显著，表明数据的过离散程度不大。比较AIC后，选择负二项模型。

模型中将事故涉及人数作为偏移项乘在指数项之外，故估计参数实际上表示对死亡率的影响。负二项模型的估计结果见表2。

由表 2、表 3可知，相对于四级及以下公路，追尾事故死亡率随着道路等级提升呈现逐渐增大的趋势。如果重特大事故发生地由四级及以下道路依次变为高速公路、一级公路、二级公路和三级公路，则该事故死亡率是原先的1.580，1.434，1.015和1.316倍。该现象是较高等级道路平均行车速度增加带来的事故发生时车辆操控难度增大的综合结果，也反映出现有的针对高等级公路的交通安全工程设施可能存在部分缺陷，无法消除引发严重事故后果的倾向。由于数据分组上把普通城市道路和二级公路同属一类，虽就设计速度而言如此处理是合理的，但现实中，普通城市道路由于存在拥堵现象和较多的路口，其实际运行速度低很多；同时，复杂的交通环境迫使驾驶人集中注意力，也提升了发生事故时的处置能力。这两者都降低了在普通城市道路发生追尾事故时的伤害。另一方面，行人极易卷入城区道路的碰撞事故，而部分此类事故可能无论事故形态如何均被归为“撞行人”事故，造成统计数据上“撞行人”事故较多而缺乏显著影响因素，而其他各形态事故严重性相对偏低的情况。

具有路侧防护设施的道路发生追尾事故时的死亡率为不具有此类设施时的75%。这说明布置合理的路侧防护设施有利于降低追尾事故的严重程度，这是因为追尾事故中部分车辆容易失控冲出车道，在缺乏合理路侧防护设施的情况下加重了追尾事故的严重程度。

模型显示当其他情况不变时，涉及车辆数每增加1，事故死亡率降低约5.5%。需注意模型还需乘以事故涉及人数。因此该变量结果表明，当事故涉及总人数不变时，事故车辆越多，整体死亡率越低。若追尾事故涉及较少车辆同时涉及人数却较多，那么事故中涉及的人更多的是乘客。相对驾驶人而言，在我国现阶段，乘客存在更高的不系安全带的比例，而且车辆设计对驾驶人的防护相对来说更好。相反涉及车辆数越多而涉及人数不变，则涉及人员中更多的是驾驶人，也就越可能受到更良好的保护，相应的死亡率也就越低。

3.2　侧碰事故建模结果

原始数据包含的侧碰事故共121起。对可供选择的连续变量的概要描述见表4。

模型建立方法同3.2节。结果显示数据的过离散程度很小，并且泊松模型得到更好的拟合优度指标。

道路、环境因素对事故严重性会有2种作用。首先，良好的道路因素(比如，路面平整、天气良好等)倾向于提高平均行驶速度，使得事故发生后果的严重性更大。然而，此类因素也降低了处置事故紧急情况的难度，比如，设有路侧防护设施则通过合理刮蹭碰撞可以避免产生更严重的伤亡与损失。统计模型的估计值所表达的，是两种作用叠加后的综合影响。

不良的路表状况主要指路面积水、积雪、油污、泥泞等导致附着力下降的情况。建模结果显示，不良的路表情况反而降低侧碰事故死亡率(死亡率降低55%)，这是由于不良路表情况不仅降低了平均车速，也令人加倍小心驾驶，反而抑制了恶性事故的发生。而天气的作用则相反，不良天气下的侧碰事故死亡率为良好天气下的1.73倍。这是由于不良天气不仅影响路面附着力，同时干扰视线，影响驾驶人预判事故风险。类似的情况还有路面结构，沥青水泥路面的死亡率远低于砂石土路(51.7%)，该现象应与砂石土路普遍等级较低，缺乏防护设施等因素有关。

显著变量“路口路段位置”则说明发生于不同地点的侧碰事故可以进一步细分。路段上发生侧碰事故的死亡率较路口高18.8%，是由于路段上的侧碰事故以超车错车时的刮蹭为主，而路口的侧碰事故则以视距遮挡造成的侧向碰撞为主，前者车速较高更容易导致车辆失控。

模型反应坡度越大，侧碰事故的死亡率越低。每增大1%坡度，侧碰事故死亡率约减少7.2%。事实未必如此，该结果是事故数据中不区分车辆处于上下坡导致的。

3.3　撞行人事故建模结果

原始数据包含的撞行人事故共38起。对可供选择连续变量的概要描述见表6。

模型建立方法同3.1.2节。结果显示宜选择负二项模型。

模型表明，不良的路表情况引起行驶速度降低，这反而降低了撞行人事故的死亡率(90%)。而道路等级变量则折射出行驶速度对被撞击行人死亡率的影响，随着道路等级的降低，行驶速度逐渐下降，撞行人事故的死亡率也逐渐下降。相比于高速公路，在一级、二级、三级、四级及以下公路上发生的撞行人事故，其死亡率依次降低16%，23%，17%，30%。行车速度对死亡率的影响还反映在平曲线半径上。半径越大、平曲线越接近直线，其行车速度越快，死亡率也相对高。

模型还显示车道数每增加1条，撞行人事故导致的死亡率将降低3%。这是因为，车道越多，路面越宽，车辆失控后越不容易发生次生灾害。相应地，当撞行人事故发生时，虽然行人由于较多车道导致的较高行车速度而受害；但对于车内的人而言，由于车辆不易再发生侧碰、翻车等情况，则受伤害情况相对较低。

基于相对有限的较为严重事故的数据，利用泊松模型和负二项模型对影响事故严重程度死亡率的因素进行了初步分析，结果表明计数数据模型可用于挖掘以事故形态分组的事故数据，分析事故背后潜藏的道路因素，能用于对事故严重程度(以死亡率考虑)进行影响因素研究。若把该方法用于某特定道路或地区的事故数据研究，则其结果将有助于揭示该地区道路建设的潜在缺陷。同时由于数据是按事故形态分组，模型结果可以辅助事故黑点筛查和预测，并作为道路安全工程改善的参考，具有一定现实意义。

模型表明，从事故死亡率角度考虑事故的严重性，在追尾事故中表现为车速越快事故越严重，而通过在低等级道路上设置路侧防护设施，则有望降低追尾事故的死亡率，这一点对于山区、临水临崖的公路改造有实际意义；侧碰事故方面，可通过改善路面条件，如硬化路面及时养护等措施，降低事故的死亡率；而在撞行人的事故中，行人是天然的弱势一方，降低行人的死亡率需通过降低行人的暴露水平进而降低撞行人事故发生的可能性实现。

由于大规模重特大交通事故数据的获取较为困难，本文所使用的数据非常有限，且当前我国道路交通事故所采集的影响因素的信息相对有限，故模型结果应该还有很大改进空间。未来在数据方面，不仅应将数据在较小地理范围内，还应将交通量、事故车型等信息再包括进去；因变量方面，也可将死亡率细分为行人、驾驶者、乘客分别考虑；模型方面，可考虑采用多变量的计数数据模型。

[1]　刘 钊, 王长君, 杨 钧. 中华人民共和国道路交通事故统计年报(2011年度)[M]. 北京: 交通管理局, 2012.

LIU Zhao, WANG Changjun, YAN Jun. Road Traffic Accident Statistics Yearbook (2011) [M]. Beijing: Traffic Management Bureau of Ministry of Public Security,2012.(in Chinese)

[2]　MIAOU S. The relationship between truck accidents and geometric design of road sections: Poisson versus negative binomial regressions[J]. Accident Analysis & Prevention, 1994,26(4):471-482.

[3]　ANASTASOPOULOS P C, MANNERING F L. An empirical assessment of fixed and random parameter logit models using crash- and non-crash-specific injury data[J]. Accident Analysis & Prevention, 2011,43(3):1140-1147.

[4]　MALYSHKINA N V, MANNERING F L, TARKO A P. Markov switching negative binomial models: An application to vehicle accident frequencies[J]. Accident Analysis & Prevention, 2009,41(2):217-226.

[5]　PARK B, LORD D. Application of finite mixture models for vehicle crash data analysis[J]. Accident Analysis & Prevention, 2009,41(4):683-691.

[6]　LORD D. Modeling motor vehicle crashes using Poisson-gamma models: Examining the effects of low sample mean values and small sample size on the estimation of the fixed dispersion parameter[J]. Accident Analysis & Prevention, 2006,38(4):751-766.

[7]　LORD D, MANNERING F. The statistical analysis of crash-frequency data: A review and assessment of methodological alternatives[J]. Transportation Research Part A: Policy and Practice, 2010,44(5):291-305.

[8]　马壮林, 邵春福, 胡大伟, 等. 高速公路交通事故起数时空分析模型[J]. 交通运输工程学报, 2012(02):93-99.

MA Zhuanglin, SHAO Chunfu, HU Dawei, et al. Temporal-spatial analysis model of traffic accident frequency on expressway [J]. Journal of Traffic and Transportation Engineering, 2012(02):93-99. (in Chinese)

[9]　王雪松, 宋 洋, 黄合来, 等. 基于分层负二项模型的城郊公路安全影响因素研究[J]. 中国公路学报, 2014(01):100-106.

WANG Xuesong, SONG Yang, HUANG Helai, et al. Analysis of risk factors for suburban highways using hierarchical negative binomial model [J]. China Journal of Highway and Transportation, 2014(1):100-106. (in Chinese)

[10]　SAVOLAINEN P T, MANNERING F L, LORD D, et al. The statistical analysis of highway crash-injury severities: A review and assessment of methodological alternatives[J]. Accident Analysis & Prevention, 2011,43(5):1666-1676.

[11]　HU W, DONNELL E T. Median barrier crash severity: Some new insights[J]. Accident Analysis & Prevention, 2010,42(6):1697-1704.

[12]　SAVOLAINEN P, MANNERING F. Probabilistic models of motorcyclists′ injury severities in single- and multi-vehicle crashes[J]. Accident Analysis & Prevention, 2007,39(5):955-963.

[13]　MILTON J C, SHANKAR V N, MANNERING F L. Highway accident severities and the mixed logit model: An exploratory empirical analysis[J]. Accident Analysis & Prevention, 2008,40(1):260-266.

[14]　HOLDRIDGE J M, SHANKAR V N, ULFARSSON G F. The crash severity impacts of fixed roadside objects[J]. Journal of Safety Research, 2005,36(2):139-147.

[15]　MALYSHKINA N V, MANNERING F L. Empirical assessment of the impact of highway design exceptions on the frequency and severity of vehicle accidents[J]. Accident Analysis & Prevention, 2010,42(1):131-139.

[16]　KHORASHADI A, NIEMEIER D, SHANKAR V, et al. Differences in rural and urban driver-injury severities in accidents involving large-trucks: An exploratory analysis[J]. Accident Analysis & Prevention, 2005,37(5):910-921.

[17]　郭应时, 袁 伟, 付 锐. 道路交通安全评价指标特性分析[J]. 公路交通科技, 2006(5):102-105.

GUO Yingshi , YUAN Wei , FU Rui. Research on characteristics of assessment indexes for road safety [J], Journal of Highway and Transportation Research and Development,2006(5):102-105. (in Chinese)

[18]　袁 伟, 付 锐, 郭应时, 等. 道路交通事故死亡人数预测模型[J]. 交通运输工程学报, 2007(04):112-116.

YUAN Wei, FU Rui, GUO Yingshi, et al. Prediction model of death toll resulted from road traffic accidents [J]. Journal of Traffic and Transportation Engineering, 2007(04):112-116. (in Chinese)

[19]　LORD D, WASHINGTON S P, IVAN J N. Poisson, poisson-gamma and zero-inflated regression models of motor vehicle crashes: balancing statistical fit and theory[J]. Accident Analysis & Prevention, 2005,37(1):35-46.

E-mail：******************.cn