公交车单车事故严重程度影响因素分析

顾宏艳，沈金星，于 淼，郑长江

(河海大学土木与交通学院，南京 210098)

公交出行被认为是一种绿色可持续且环境友好的出行方式。近年来，随着各种公交优先策略的实施，公交出行比例在不断提高，人们对公共交通的依赖程度不断提高。然而，对公交安全性的研究却并没有引起特别的关注。特别是与其他交通方式(如私家车、大货车、非机动车和行人等)相比，针对公交安全的研究成果相对较少。一般情况下，由于公交车速度较低，会直观地认为这是一种比较安全的交通方式。此外，由于公交车也是机动车的一种，部分研究者认为针对机动车的研究成果也可以用于改善公交车的安全。实际上公交车事故率远高于其他交通方式。根据英国交通运输部公开的数据显示，2019年公交车保有量为3.23万辆，发生4 305起事故，公交车事故率达到13.33%，这一比例远高于小汽车的事故率。与一般机动车相比，公交车有固定路线、固定运营时间，以及拥有公交专用道[1]，但作为大运量的交通工具，发生交通事故后造成的财产损失和社会影响更加严重[2]。此外，由于公交车速度较慢，车体较大，其驾驶行为与普通机动车差别很大[3]，因此非常有必要专门针对公交车的事故严重性进行分析。

迄今为止，中外学者针对交叉口范围内机动车(私家车、货车等)、非机动车和行人事故影响因素分析方面已进行大量研究，并使用了多种计量经济模型来分析事故影响程度[3-8]。近年来，公交车安全性问题也开始引起研究者的关注。Sam等[3]研究发现处于周末和夜间、恶劣的道路地形、碰撞行人和酒后驾驶会导致更严重的公共汽车事故。林庆丰等[9]建立Logistic模型分析了人、车、路和环境等因素对公交车事故严重程度的影响，结果表明行驶状态、道路类型、区域和时段、道路线形对事故严重程度具有显著影响。在公交车车速方面，Nasri等[10]通过估算二元Logistic模型研究公交车事故严重程度相关的风险因素，得出事故严重程度与车速限制存在正相关。Prato等[11]使用丹麦公交车事故数据，通过广义有序Logit模型分析影响公共汽车事故严重程度的因素，其中高车速与事故严重程度呈正相关。通常情况下，高车速会导致严重的交通事故，但也有一些情况结果与之相反。Kaplan等[12]研究驾驶员和碰撞对象的特征和行为、基础设施特征和环境条件，发现低限速会导致严重程度增加。

综上所述，学者们在涉及机动车(私家车、大货车等)、非机动车和行人等事故分析方面取得很多成果，然而，专门针对公交车事故严重程度进行分析的论文却偏少，且较少研究事故当事人仅公交车一方的事故。在涉及公交车车速影响方面的研究表明，大多数研究认为公交车事故严重程度与高车速成正相关[10-11]，却容易忽视在低速情况下也会发生严重事故[12]，所以将公交车低车速作为前提条件研究低速状态下的公交车事故严重性影响因素的研究就较少。

因此，现以城市交叉口范围内发生正面碰撞且低速行驶≤30 mph(48 km/h)的公交车单车(事故仅涉及1辆车)为研究对象，分析影响公交车事故严重程度的影响因素。此外，将事故严重程度分为死亡、重伤和轻伤，存在一定的有序性，因此建立有序Logit模型研究相关因素对事故严重性的影响，具有实际意义，能为提高公交运行的安全性提供依据，相关研究方法可为其他城市提供参考。

1 数据描述

1.1 数据来源

选取2014—2018年英国交通部公开的公交车交通事故数据，通过对原始数据进行处理，剔除缺失值，筛选出1 093起发生在城市交叉口、公交车速度低于30 mph(48 km/h)且发生正面碰撞的单车事故(事故仅涉及1辆车)数据。

1.2 因变量

根据事故现场人员的伤亡情况、医院伤残鉴定和司法部门鉴定的损失说明，将事故严重程度将其分为死亡事故、重伤事故和轻伤事故三类[13]，并进行编码：y=1表示死亡，y=2表示重伤，y=3表示轻伤。在所有的1 093起事故中，发生死亡事故为45起(占4.12%)，重伤事故为290起(占26.53%)，轻伤事故为758起(占69.35%)。

1.3 自变量

交通事故是由驾驶人、车、道路和环境所组成的系统失衡导致的，选取自变量时需要考虑各方面的影响[14]，所以从公交车驾驶员特征、车辆特征、道路特征、环境特征和事故特征方面初步选取21个候选自变量参与研究分析。对于二分类的变量不需要进行转换，对于三分类及以上的自变量需要转换为哑变量。变量的描述及编码如表1所示。

表1 自变量的描述及取值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为事故严重程度，j=1,2,3；τ∈{γ0,γ1,γ2,γ3}为事故严重程度的分界点集合，且γ0<γ1<γ2<γ3，γ0=-∞，γ3=+∞。

(4)

即

(5)

2.2 边际效应计算

由于变量的系数并不能直接解释变量对结果选择的影响，为进一步解释影响因素对事故严重程度等级的影响大小和方向，需计算自变量的边际效应[17]。边际效应是指在其他变量都取均值的情况下，某个变量取值增加一个单位对因变量取值概率产生的变化[5]，其计算公式为

ΔP(yi=j|xi)=P(yi=j|xi=1)-

P(yi=j|xi=0)

(6)

边际效用值反映了自变量对事故伤害程度概率发生的变化。

3 模型计算结果及边际效应

回归模型中并非所有解释变量都对被解释变量有显著影响，为减小模型误差，保证模型精度，需对解释变量将进行筛选，采用向后删除变量法，即利用有序Logit模型，将选取的21个影响因素的所有自变量纳入模型，对模型进行参数估计并检验变量的显著性，选取90%作为置信水平，若变量的P<0.1，则为显著变量，若变量的P>0.1，则表明该变量为不显著变量，将其从模型中剔除。剔除变量的方法按照由大到小顺序依次剔除不显著变量，每次删除不显著变量后对模型进行新的回归拟合，重新检验剩余变量的显著性。重复上述步骤，直至所有剩余变量的P<0.1[18]。由于有序Logit模型前提条件是比例优势假设，本文将利用brant进行平行线假设检验，若P>0.05，表明通过平行线假设检验，反之则不通过。为了更好研究自变量对事故严重程度的具体影响，还将计算各个显著变量的边际效应，并进行详细分析。

3.1 模型检验

3.1.1 平行性检验

利用brant进行平行线假设检验，检验得到P=0.106>0.05，表明符合平行线假设检验，因此有序Logit模型可以应用于事故数据分析。

3.1.2 拟合优度检验

如表2所示，根据模型拟合优度检验结果，发现Pearson的P>0.05，Deviance 检验P>0.05，两种检验结果均表明模型较好地拟合数据。

表2 模型拟合优度检验结果Table 2 Goodness of fit test

3.2 模型计算结果

通过上述的计算方法和流程，使用Stata16统计分析软件建立有序Logit模型进行极大似然估计。模型回归结果如表3所示，女性驾驶员、中年驾驶员、减速停车、车辆行驶11～15 a、公交车位于交叉口下游出口处、车辆未离开车行道、工作日、路面湿滑冰冻、无信号控制、夜间无灯、警察在事故现场、事故发生在公交专用道、碰撞大树以及碰撞信号灯柱、电线杆这14个显著变量，均会显著影响公交车事故严重程度。

表3 有序Logit模型的估计结果Table 3 Estimation results of ordered Logit model

3.3 边际效应

为了反映自变量对事故伤害程度概率发生的变化，利用Stata16软件计算各自变量对事故严重程度的边际效应值，结果如表4所示。

4 事故影响因素分析

4.1 公交车驾驶员特征

从表4可以看出，男性驾驶员发生死亡和严重事故分别增加2.5%和10.7%，而女性驾驶员发生严重事故概率较低，这是因为男性驾驶员驾驶车辆较为冒险激进，通常还有好斗心理，女性驾驶员相对而言比较谨慎小心。从年龄上看，中年公交车驾驶员发生死亡事故的可能性增加0.9%，发生重伤的概率增加3.6%，由于此年龄段驾驶员认为自己驾驶经验丰富，从而产生比较激进的驾驶行为，同时随着年龄的增长，身体各项功能不断下降，反应逐渐迟钝，更容易发生严重事故。

4.2 车辆特征

从表4的边际效应可知，当公交车进行减速停车时，发生死亡或者重伤的概率分别降低0.03%、12.4%，不易发生严重的事故，受伤程度较轻。基于Sam等[3]提出的车辆行驶速度与事故发生的风险及其严重程度相关，行驶速度越大，影响程度就越大的结论，本文分析结果与其一致，虽然公交车本身质量大，但由于其在运行过程中不断地减速直至停车，速度越来越小，动能也在不断降低，所以即使发生碰撞，公交车发生严重事故的概率也会降低。

表4 事故严重程度的边际效应和标准误差Table 4 Marginal effects and standard errors for different accident severity levels

当公交车行驶11～15 a时，发生死亡和严重事故的概率增加0.7%和2.9%，这是因为随着车辆使用时间的增加，公交车在各方面的性能及稳定性在不断降低，容易导致严重事故的发生。

当公交车位于交叉口下游出口处(即距离交叉口20 m范围内)时，死亡和重伤的概率增加1.8%和7.5%。公交车在上游经历排队过程后，在驶出交叉口时会经历加速过程，此时速度已经达到一定值，另一方面，在交叉口出口处会形成混合车流汇合点，有来自除公交车外的其他社会车辆的汇入，各种车辆行车存在穿插且随机的现象，会增加公交车发生碰撞的可能性。

公交车在车道上发生死亡和严重事故的概率分别增加6%和25.1%，由于事故是单车事故，且在车道上发生，碰撞对象可能是隧道、桥梁等大型基础设施，发生严重事故的可能性较大。或者碰撞对象是可活动的动物，在车辆行驶过程中，往往会令驾驶员措手不及，大大增加严重事故发生的可能性。

4.3 环境特征

工作日相对于周末而言发生死亡和重伤的概率增加了1.1%和4.4%，人们由于工作或者上下学需要进行必要的出行，出行量在早晚高峰会显著增加，出行环境会复杂化，公交车发生严重事故的可能性增加。

公交车行驶于潮湿、冰冻的路面时，路面容易打滑，路面与轮胎摩擦力小，车辆制动性能下降，发生严重事故的概率比在干燥路面行驶发生事故的概率高。

当事故发生在无信号控制交叉口的情况时，发生死亡和重伤的可能性减少0.3%和1.4%，与姜文龙等[19]研究结果一致，这是由于车辆进入交叉口时，速度降低，且驾驶员行驶谨慎小心，降低严重事故发生的概率。

事故发生夜间无灯光的情况下，死亡和重伤事故的可能性均有所增加，白天和夜间有灯光的情况下不易发生重大事故，这与大部分研究结论(陈昭明等[20]、林庆丰等[21])一致，因为在行车过程中驾驶员光线充足，行车视距良好。夜间无灯光增加事故严重性的结论与温惠英等[22]提出夜间(无灯光)更容易发生死亡事故结论一致，原因是在夜间无灯光的条件下，驾驶者视距变短，反应时间变长，无法及时采取正确的驾驶行为，增加死亡或重伤事故的发生可能性。

当有警察在事故现场时，发生死亡和重伤事故的概率增加2.1%、8.9%，轻伤的概率降低11.1%。根据英国汽车驾驶协会描述，政府多年削减开支导致交警流失，从2010年开始，英国交警数量大幅度下降，所以即使有警察在事故现场，但由于数量很少，驾驶员产生侥幸心理，容易导致发生严重交通事故。

4.4 事故特征

从表4事故特征中可以看到，事故发生在公交专用道上导致死亡和严重事故的概率分别增加1.2%、4.9%，原因是虽然公交车拥有独立路权车道，但仍是无法避免其他社会车辆频繁换道至公交专用道上，从而会经常与公交车产生交织，大大增加碰撞的可能性。

当公交车正面撞上信号灯柱、电线杆时，容易发生轻伤事故，概率增加11.8%。当车辆撞上大树时，却容易发生死亡或重伤事故，概率分别增加1.6%和6.9%。造成不同结果的原因是大树相较于信号灯柱、电线杆弹性小，且直径大，难以通过变形等吸收车辆与其碰撞产生的能量，难以保护驾驶员和乘客的安全，所以碰撞大树的事故相对于碰撞信号灯柱、电线杆的事故更容易造成较严重的后果。

5 结论

以1 093起城市交叉口范围内低速公交车发生正面碰撞的单车事故为样本，选取公交车驾驶员特征、车辆特征、道路特征、环境特征、碰撞特征的21个影响因素，建立有序Logit模型进行分析，发现男性驾驶员、中年驾驶员、车辆行驶11～15 a、公交车位于交叉口下游出口处、车辆未离开车行道、工作日、路面湿滑冰冻、夜间无灯、警察在事故现场、事故发生在公交专用道以及碰撞大树这些情况会增加公交车发生死亡和重伤事故的概率；公交车减速停车、处于无信号控制交叉口以及碰撞信号灯柱、电线杆等这些因素会降低公交车发生死亡和重伤事故的概率。

针对研究结果，为尽量减少公交车事故的发生，减少财产损失和降低社会影响，相关部门应从多方面采取相对应的措施。

(1)对驾驶员应加强交通安全教育及宣传，增强安全驾驶理念的认知，同时需要增强驾驶员的路权意识，加强交通执法，尽量减少社会车辆驶入公交专用道，减少社会车辆与公交车辆的交织。

(2)对公交车辆应按时进行安全及性能的检查，严格查处不合格运营车辆。

(3)在道路易发生事故的地方设置警示标志，在车流复杂情况下安排交警有序指挥，引导车辆安全通过交叉口。

(4)保障道路基础设施，在夜间照明不足的地方增设路灯保证良好的照明条件。

(5)在路面状况不良的条件下制订交通管制预案，采取有效措施增加地面的摩擦力。

研究由于选用的有序Logit模型存在等比例假设的固有缺陷，下一步可选用其他模型如广义有序Logit模型或者部分优势比模型放宽此假设的约束。受限于事故数据采集的问题，对公交车驾驶员特征考虑的因素较少，例如驾驶员是否存在违章行为、违章行为类型、是否使用安全带、驾驶年龄等，未来可对这些因素做进一步的研究。