山区高速公路事故涉及车辆数致因分析

陈 波，姚红云

(重庆交通大学交通运输学院，重庆 400074)

近年来，中国高速公路飞速发展，截至2018年，高速里程已经达到14.26万km。但随之而来的是大量的高速公路交通事故，其中单车事故较少，单起事故中涉及车辆数超过一辆的较多，这在山区高速公路中尤为突出。从事故严重程度来看，重大交通事故主要集中在涉及车辆数超过一辆的交通事故中，因此对事故涉及车辆数进行研究有利于提高山区高速公路交通安全。在高速公路安全性方面，前人已经做了一些研究，如在行车环境方面，Wright等[1]除参考事故率以外还考虑了伤亡人数，并建立风险模型以判别事故黑点;Rune等[2]以道路交通出行者能接受的最高事故率为临界点，对多个临界点，采用显著性水平分析得到最小的临界点作为事故黑点鉴别的阈值;高红丽等[3]对交通事故进行分析后得出与驾驶员相关的事故致因； Hiroshi[4]在分析事故黑点时提出使用质量控制方法；李晓雷等[5]在对雾区的风险分析时考虑了气候耦合因素； Cho等[6]发现视线不良的天气及时段因高速行驶而产生碰撞的事故致死率较高；Edwards[7]认为雾天对交通安全性的影响同道路周围环境具有一定联系。在风险预测方面，张诗雯等[8]研究得出货车比例造成的事故风险随车流量变化而变化；游锦明等[9-11]应用支持向量机预测路段风险，以及通过分析事故发生前的交通流状态对不良交通流进行实时预警；李瑞等[12]利用优化模型分析高速路限速区运行安全；李耘等[13]运用碰撞时间同驾驶员特征之间的关系研究施工区碰撞风险，并将该风险划分为四个等级。在交通管理方面，吴江玲等[14]从安全角度分析高速路施工区车辆换道时间；张文婷等[15]以Logit模型及BRT函数为基础进行事故影响范围分析，以利于疏散周围交通；金书鑫等[16]将事故影响范围进行多维度划分，并以此为依据诱导交通流。在特征分析方面，孟祥海等[17]研究得出不同事故特征对应的研究方法存在差异性； Amundsen等[18]对隧道事故类型进行了致因分析；O’Donnell等[19]采用ologit模型、Probit模型研究不同事故严重程度与影响因素之间的关系；Abdel-Aty[20]在探究事故严重程度影响因素时增加了变量路段类型；Lao等[21]、Wong等[22]、Abdel-Aty等[23]在建立交通事故预测模型时添加了年平均日交通量(annual average daily traffic，AADT)，与加入AADT前相比，准确度有所提升。

上述研究对高速公路交通事故致因及管理等方面进行了分析，研究结论能有效提高高速公路安全性，但在事故涉及车辆数方面的研究较少。因此，在此提出山区高速公路事故涉及车辆数研究，以西部某高速事故数据为基础，因超过2辆车的交通事故多涉及正常行驶的车辆，应与双车事故进行区别，总体而言，涉及车辆数增多时事故涉及人数也随之增多；且重大事故随事故涉及车辆数的增加其所占比例也逐渐增大。因此在分析时，从涉及人数、事故严重程度的角度将事故划分为单车事故、双车事故以及多车事故，采用ologit模型和NB模型进行分析，得到事故涉及车辆数ologit模型相关参数，并通过优势比值分析各自变量的分类中风险最大的分类。

1 事故特性及原因分析

在之前的研究中，对于事故涉及车辆数一般分为单车事故和多车事故，但多车事故中双车事故与超过两辆车的事故具有一定的差异，涉及车辆数超过两辆时大多都涉及无辜车辆(正常行驶的车辆)，也更易造成二次事故。因此，将以往的多车事故分为双车事故和多车事故(涉及车辆数大于2的事故)，这两类事故同单车事故一起作为因变量分类。

1.1 事故时间分布特性

以西部某山区公路2011—2018年的事故数据为基础进行分析，对原始数据进行筛选后剩余11 347起事故数据，并以筛选后的数据作为研究数据。

图1为山区高速公路交通事故时间分布特性图，其中，图1(a)是对交通事故的季节性分布描述，可以看出事故涉及车辆数季节性分布明显，单车事故主要发生在秋、冬两季(12—次年2月)，双车事故在春(3—5月)、夏(6—8月)、秋(9—11月)三个季节发生的起数都远高于单车和双车事故，而多车事故则集中分布于冬季。

如图1(b)所示，从变化曲线可以看出，各类事故都呈“驼峰”形变化，其中双车事故的曲线波动最大，且双车事故在各个时段发生的事故起数均大于其他两类事故，总体而言，三类事故都主要发生在白天。事故起数的季节变化、时变化表明时间因素对事故的发生具有一定的影响，应作为相关原因进行分析。

图1 山区高速公路交通事故时间分布特性Fig.1 Time distribution characteristics of freeway traffic accidents in mountains areas

1.2 空间分布特性

如图2所示，可以看出主道路和隧道路段为事故集中路段，收费站和其他路段类型事故较少。单车事故在主道路发生的次数比例远大于另外三种路段类型，在其他类型发生的事故比例相差不大。多车事故在主道路和隧道发生的数量较多，且在隧道发生的事故比例最大。双车事故在各路段类型所占比例排序基本相同，但其路段类型间的比例差异相对单车事故较小。由此可知事故涉及车辆数的空间分布具有差异性，应将此因素作为潜在变量进行分析。

图2 山区高速公路事故空间分布特性Fig.2 Spatial distribution characteristics of freeway accidents in mountains areas

1.3 事故原因分析

采用的事故数据中单车、双车、多车事故占总事故数的百分比分别为15.8%、67.2%、17%，重大事故在其中的分布为29.9%、33.6%、36.5%，从相对比例(此类型中该分类事故数/此类型事故总数)来说，多车事故所占比例最大，其次为双车事故和单车事故。表1为各潜在自变量的数据统计表，每个自变量一种事故类型累计百分比为100%。

表1 潜在变量描述性统计

从表1中可以看出：驾驶原因分类中的间距不足所占比例最大，表明驾驶员在行车过程中未保持安全间距易造成事故发生。在坡向分类中水平路段事故所占比例最大，其次为上坡路段，这可能与驾驶员的认知有关，水平路段从线形来说较适合行车，因而导致警惕性下降。在曲线半径分类中曲线半径大于3 000时事故所占比例较大，三种事故类型所占比例在两个分类基本相同。在涉及大货车变量分类中，未涉及大货车的事故较大，但三类事故中多车事故涉及大货车的事故相对比例最大，大货车因体积庞大、行驶速度慢，易对其他车辆行驶产生影响。天气变量分类中，晴天事故起数最多，相对事故比例在阴、雨雾分类存在差异，阴天多车事故较多，在雨雾天气则是单车事故较多。在时段变量分类中白天发生事故数较大，夜间发生事故数较少，但夜间单车事故相对比例较其他事故大，白天事故数多于夜间与高速公路白天车流量远大于夜间有关。

2 构建解释模型

2.1 ologit模型

ologit模型用于处理结果为多分类且有序的变量，研究的事故涉及车辆数分类之间存在好坏之分，属于有序分类，因而采用ologit模型进行事故分析。模型为

(1)

式(1)中：Yj为模型因变量，即第j起事故涉及车辆数；X为模型自变量；β为回归系数；αi为等级i的截距；i为因变量分类等级。

将事故涉及车辆数划分为3类，使用的ologit模型形式为

(2)

P(Y=2|X)=P(Y≤2|X)-P(Y≤1|X)

(3)

P(Y=3|X)=1-P(Y≤2|X)

(4)

式中：βn为xn的未知参数；xn为第n个影响因素，n=1,2,…,N。

2.2 NB模型

ologit模型是分类模型，不能用于计数预测，为验证各自变量分类风险大小不是因为个别模型导致的，特引入负二项(negative binomial,NB)回归模型对各自变量分类进行风险分析，NB模型如下：

Yi～NB(λi,n)

λi=E(Yi)=exp(θ0+xiθ)

(5)

式(5)中：θ为xi的相关系数；n为标度参数；xi为自变量向量。

2.3 模型变量分析

从前文分析可以知道，山区高速公路事故的发生同人、车、路、环境等方面因素相关。从人、车、行车环境(路、环境)三个方面选取8个潜在自变量进行分析，其中，人的方面包括驾驶原因1个变量，车的方面包括涉及大货一个变量，行车环境方面包括季节、曲线半径、坡向、路段类型、天气、时段等6个变量。变量分析如表2所示。

表2 变量特征分析

由表2可知：①因变量事故涉及车辆数为多分类变量，因此选取单车事故作为参照类；②潜在自变量中曲线半径、涉及大货、时段为二分类变量可直接使用，而其他5个潜在自变量属于多分类变量，需选取各自的参照类。

3 结果分析

采用ologit模型进行风险分析，并运用NB模型验证风险分析结果不因模型选取差异而改变。

3.1 ologit模型结果分析

使用的分析软件为stata15，分析时取显著性水平为95%。表3为ologit模型分析结果，表中变量为分析结果中显著性水平低于0.05的自变量。

表3 ologit模型分析结果

由表3可知，在ologit模型分析结果中有6个自变量对因变量的影响显著，其中涉及大货、季节、路段类型、驾驶原因、时段等5个因素对因变量的影响极其显著。

为探究各自变量分类对事故涉及车辆数的影响大小，对影响为显著的自变量进行分类分析，以优势比(odds ratio，OR)作为风险评估指标，计算公式如式(6)所示，分析结果如表4。从中可以看出，冬季优势比明显大于其他季节，表明在冬季发生高等级事故涉及车辆数的风险较大。对于驾驶原因，间距不足优势比远大于另外3类原因，即行车间距不足情况下事故涉及车辆数增多的风险较大。在涉及收费站的事故中事故车辆数等级增加的风险较大。当事故中存在大货车时发生高等级事故的风险增大。天气为晴天时，优势比大于阴、雨雾天气，则在晴天发生交通事故时涉及车辆数增多的风险较大。在时段变量中，夜晚风险值较小，表明在白天发生事故涉及车辆数增多的风险更大。

表4 ologit模型分类分析结果

3.2 NB模型结果分析

在进行NB回归分析时，天气变量与时段变量不再显著，但为验证自变量的风险大小仍将这两个变量加入模型进行分类分析。表5为事故涉及车辆数NB回归分析结果，由表5可知，季节变量中风险值最大的为冬季，驾驶原因中以间距不足的优势比最大，路段类型则表现为收费站风险值较大，涉及大货车时事故涉及车辆数增多的风险更大，天气为晴天时优势比大于其他天气分类，时段变化中白天优势比大于夜间。

(6)

式(6)中：a为实验组中实验结果与真实结果相同的事故数;b为实验组中实验结果与真实结果不同的事故数;c为对照组中实验结果与真实结果相同的事故数;d为对照组中实验结果与真实结果不同的事故数。

表5 NB模型分类分析结果

从表5可以看出，各变量分类优势比的大小排序与ologit模型分类分析结果相同，风险大小不因选取模型不同而改变。如图3所示，图3中季节风险在ologit模型和NB模型分析中变化规律相同，但ologit模型中优势比波动较大，表明ologit模型能更好地描述各自变量分类的风险变化。

图3 季节风险变化Fig.3 Change of the seasonal risk

3.3 事故涉及车辆数致因优势比分析

从ologit回归分析结果可知，有6个因素对事故涉及车辆数影响显著。一年四季中冬季对涉及车辆数的影响最大，冬季气温低，且多雨雾天气，高速公路路面湿滑，车辆在行驶时制动性能下降，易与其他车辆发生擦剐、追尾等。而车辆在行车过程中与其他车辆之间没有保持安全距离导致遇到紧急情况时不能及时避让，与其他驾驶原因相比，此类原因引起的事故涉及车辆数更多。收费站路段事故涉及车辆数较多，收费站车辆较多，且车辆间间距小，插队现象频繁等都使得车辆间发生事故的可能性增大。大货车具有车速慢、体积大等特点，易对其他车辆造成影响，在自身变道以及被其他车辆超越时都比较危险。对于天气变化，晴天的优势比较其他天气大，则是因为晴天行车环境良好，导致驾驶员警惕性降低、路面反光现象等，从而超速行驶等现象增多，驾驶员在反光路面视力受影响，以致与其他车辆间发生事故的概率增加。在白天事故涉及车辆数增加的风险大于夜晚，原因在于白天车流量较夜间车流量大，且驾驶员在白天行车警惕性较夜间低，行车时与其他车辆间发生交通事故的概率也随之增大。

4 结论

将山区高速公路事故涉及车辆数作为因变量，将其分为单车事故、双车事故、多车事故3个等级。从人、车、行车环境3个方面选择8个潜在影响因素代入ologit模型分析，结果中影响显著的自变量再代入ologit模型分类分析，以得到各自变量分类间的风险大小。采用NB模型验证ologit模型分类分析结果的正确性，分析结果表明各自变量分类风险大小不因选取模型的不同而改变。在验证分析结果后对各自变量分类风险大小做出相应解释，为高速公路管理部门安全管理提供理论依据。