交叉口处老年人碰撞事故伤害严重程度分析

潘义勇，吴静婷，施 颖

(南京林业大学 汽车与交通工程学院，江苏 南京 210037)

0 引 言

自2000年起，我国开始进入老龄化社会并且人口老龄化速度逐渐加快[1]。根据第七次全国人口普查数据显示：我国60岁及以上人口约为2.6亿人，占总人口的18.70%。老年人在交通事故中丧生人数占所有交通事故死亡人数的20%。老年人交通安全引起了全社会的广泛关注。随着年龄增长，老年人的应变能力、身体状况和感知能力逐渐下降，再加上道路交叉口的交通状况复杂，老年人在道路交叉口处发生交通事故的概率较大且严重程度较高。因此，深入研究交叉口处老年人碰撞事故的影响因素和事故伤害严重程度对改善老年人交通安全具有重要的意义。

国内外学者对不同群体的交通事故伤害严重程度展开了研究。林庆丰等[2]基于Logistic模型提出了影响公交车碰撞事故伤害严重程度影响因素的辨识方法；温惠英等[3]基于巢式Logit模型分析了不同路段摩托车单车事故伤害严重程度的影响因素；LIN Zijing等[4]利用混合Logit模型对自行车碰撞事故伤害严重程度的影响因素进行了识别；李英帅等[5]采用随机森林模型建立了电动自行车骑行者事故伤害严重程度的模型。上述研究均未将老年人单独进行分析，且未考虑群体中不同类别之间的异质性。

部分学者对老年人碰撞事故的影响因素展开了研究。ZHANG Jun等[6]分析了驾驶员年龄、驾驶行为、事故发生日期等与老年驾驶员事故风险之间的关系；S.KIM等[7]通过对比老年行人和年轻行人发生碰撞事故的情况发现：老年行人更容易与转弯车辆发生碰撞；WANG Yueying等[8]发现驾驶员年龄、车道数、车辆类型等因素对老年行人碰撞事故有着显著影响。但上述研究均未考虑建成环境对交叉口处老年人碰撞事故的影响。

综上，笔者采用潜类别Logit模型对交叉口处老年人碰撞事故伤害严重程度进行了异质性分析。① 阐述潜类别Logit模型的基本原理；② 采用2019年美国某州的交叉口处老年人碰撞事故数据，构建了基于潜类别Logit模型的老年人事故伤害严重程度模型，并进行参数估计和模型检验；③ 从驾驶员特性、道路特性、车辆特性、道路环境、建成环境这5个方面对交叉口处老年人碰撞事故伤害严重程度进行异质性分析并提出建议。

1 模型理论

1.1 潜类别Logit模型

根据潜类别Logit理论，事故严重伤害程度既取决于可观测的因素，也取决于未观测到的因素中潜在的异质性。潜类别Logit模型可通过参数变化或类别变化来反映异质性。

假设潜类别Logit模型中有C个潜在类别。在c类别下，事故伤害严重度为j的第i起事故发生的条件概率如式(1)：

(1)

第i起碰撞事故属于类别c的概率如式(2)：

(2)

根据贝叶斯公式，事故伤害严重度为j的第i起事故发生的无条件概率如式(3)：

(3)

1.2 伪弹性系数

由于参数估计结果并不总是和自变量实际影响一致[9]，因此运用弹性系数来量化显著影响因素对事故伤害严重程度的影响。弹性分析计算如式(4)：

(4)

在潜类别Logit模型中，自变量被离散化为0-1的变量。在进行弹性分析时，无法区分自变量为0或1的概率[10]，故笔者引入伪弹性系数来量化自变量对事故伤害严重程度的影响。伪弹性系数计算如式(5)：

(5)

2 数据描述

笔者基于2019年美国某州的交通数据库，提取了交叉口处碰撞事故共4 635起，剔除年龄低于60岁的数据，最终选取2 100起交叉口处老年人碰撞事故作为研究样本。

事故伤害严重程度可分为5个等级：死亡事故(事故发生时当场死亡及事故发生后30 d内死亡)、仅财产损失事故、非失能性伤害事故、可能受伤事故和失能性伤害事故。由于死亡事故和失能性伤害事故发生次数较少，将其合并为重伤事故(总占比为3.1%)；将非失能性伤害事故和可能受伤事故合并为轻伤事故(总占比为20.6%)；剩下的为财产损失事故(总占比为76.3%)。

将事故伤害严重程度作为因变量，分别从人、车、建成环境、道路条件和道路环境这5个方面挑选12个影响因素作为自变量，如表1。

表1 变量信息

表1中：包括人的特征(老年人性别)、车辆特征(车辆类型、行驶速度)、建成环境(交叉口300 m缓冲区内是否有公园、医院、购物中心)、道路条件(道路表面环境、线形、控制方式、竖曲线类型、分隔形式)和道路环境(光照情况、是否在作业区)。

3 参数标定

采用向后逐步回归法，在置信水平为95%下剔除不符合显著水平的影响因素。其中：X1、X41、X22、X33、X34、X21、X34、X53共8个影响因素(包含虚拟变量)与因变量显著相关。将不显著的虚拟变量类别设定为参考变量，例如：在X1中，女性因素在向后逐步回归法中被剔除，将其设定为参考变量；在X21中，除摩托车因素对应的虚拟变量与事故伤害严重程度显著相关外，其他因素对应的虚拟变量被剔除，选择被剔除的第一个类别变量作为参考变量；若影响因素对应的虚拟变量均被排除，则选择任一因素作为参考变量。

通过比较AIC和BIC信息准则的值来确定潜类别Logit模型最佳潜在类别数量，如表2。

表2 不同潜在类别数的潜类别Logit模型比较结果

当潜在类别数量为4及以上时，潜类别Logit模型不收敛，无法进行参数标定；当潜在类别数量为2时，潜类别Logit模型AIC和BIC的值最小。故笔者对分类数为2的潜类别Logit模型进行研究，其参数估计结果见表3。

表3 潜类别Logit模型的参数估计结果

潜类别Logit模型的自由度为21，似然比卡方值为1 550.31，大于临界值38.93(99%的置信水平下)，这表明模型的整体有效性通过了检验。且潜类别Logit模型的McFaddenR2值为0.336，在0.2～0.4之间，表明模型拟合效果较好[11]。为量化各自变量对事故伤害严重程度的影响，计算各自变量的平均伪弹性系数，如表4。

表4 各自变量的平均伪弹性系数

4 结果分析

4.1 异质性结果分析

由表3可知：自变量的参数估计在两个潜在类别中存在着显著差异。主要包括：① 参数在两个潜在类别中同时显著但是参数符号相反。② 参数在其中一个潜在类别中显著，在另一个类别中不显著。

由表3可知：当速度为50～60 km/h时，在类别1中呈现正影响，在类别2中呈现负影响； 35.60%的车辆更容易发生重伤事故，64.40%的车辆不易发生重伤事故；发生仅财产损失事故的概率降低0.17%，发生轻伤事故和重伤事故的概率分别增加0.01%和2.08%。而当速度<20 km/h时，发生轻伤事故和重伤事故的概率分别降低7.09%和7.12%。这是因为由于车辆速度越快，发生碰撞时的动能越大；且速度越快，留给老年人反应的时间越短，而相对于年轻人，老年人在面对危险时所需的反应时间更长，更容易造成严重伤害。因此，车辆在交叉口处行驶时应降低车速[12]。

摩托车在类别1中不显著，在类别2中显著，且与仅财产损失事故呈现负相关。当行驶车辆为摩托车时，发生仅财产损失事故的概率降低0.51%，而发生轻伤事故和重伤事故的概率分别增加0.19%和0.14%。这是因为相比其他类型车辆，摩托车在发生行人-摩托车碰撞事故时，由于摩托车的速度较低，造成的事故伤害较小；在发生汽车-摩托车碰撞事故时，由于摩托车驾驶者暴露面积大，遭受的事故伤害大。相比于年轻人，老年人一般体质偏弱，在发生交通事故受伤后不易恢复。因此，老年人摩托车驾驶者应当带上头盔等保护工具并在交叉口处行驶时降低车速[13]。

夜间黑暗无灯光在类别1中不显著，在类别2中显著，与轻伤事故呈现正相关。当道路状况为黑暗无灯时，发生轻伤事故概率增加0.24%，发生仅财产损失事故和重伤事故概率降低0.35%和0.37%。这是因为是在夜间黑暗无灯光条件下，老年人会谨慎驾驶[14]。在夜晚行驶时，老年人视力会逐渐下降，对车辆距离和速度无法准确判断，会导致发生事故的风险有所增加。因此，在下午6点至早上6点无论道路上是否有路灯，驾驶员都必须打开车灯行驶。

山顶/山底在类别1中不显著，在类别2中显著，与轻伤事故呈现正相关。当事故发生在山顶/山底时，发生仅财产损失事故和重伤事故的概率增加7.09%和6.74%。这是因为相比其他竖曲线类型，事故发生在山顶/山底时，老年人视线被道路遮挡，相对于年轻人，随着年龄增长，老年人视野变窄，更加不容易注意到其他方向的来车[15]。

4.2 建成环境分析

由表3可知：交叉口300 m缓冲区内不存在商场在类别1、类别2中均显著，与轻伤事故呈现负相关。当交叉口300 m缓冲区内不存在购物中心时，发生轻伤事故概率增加1.93%。这是因为老年人经常去购物中心购物，而购物中心人流量大，保障老年人安全的交通设施相对充足，且驾驶者在人流量大区域会更加谨慎驾驶，老年人发生交通事故概率会有所下降；在交叉口300 m缓冲区内不存在购物中心时，驾驶员容易存在侥幸心理超速行驶，因此发生事故概率会有所增加。

4.3 其他影响因素分析

4.3.1 男性老年人

男性老年人在类别1、类别2中均显著，与仅财产损失事故呈现正相关。当老年人性别为男性时，发生仅财产损失事故概率增加15.10%，发生轻伤事故和重伤事故概率分别降低57.05%和61.36%。这是因为相比于女性老年人，男性老年人参与交通的机会更多，当发生意外状况时，男性老年人往往更加理智[16]。因此，应对不同性别老年人进行有针对性的交通安全知识普及。

4.3.2 无分离有连续左转车道

无分离有连续左转车道在类别1、类别2中均显著，与仅财产损失事故呈现正相关。当道路无分离有连续左转车道时，发生仅财产损失事故的概率增加1.01%。这是因为存在老年人穿过交叉口的情况，而连续左转车道会使车辆与老年人存在冲突点。老年人信息处理能力衰退，面对复杂交通状况时，判断时间较长，且容易发生交通事故[17]。车辆在通过交叉口路段时应注意停车让行。

4.3.3 信号控制

信号控制在在类别1、类别2中均显著，与重伤事故呈现负相关。当事故发生在信号交叉口时，发生仅财产损失事故和轻伤事故概率增加4.43%和4.77%，发生重伤事故概率降低109.87%。这是因为与其他控制方式相比，信号控制通过改变信号灯周期，有利于减少交叉冲突点；且老年人行动迟缓，而信号灯设计是依据年轻人设置的，因此可适当考虑老年人步行速度调整信号时长，从而保障老年人安全。

5 结 论

1)笔者以2019年美国某州2 100起老年人交叉口碰撞事故为研究对象，将事故伤害严重程度作为因变量，从道路环境、车辆、建成环境、老年人、道路环境这5个方面挑选了12个影响因素作为自变量。在95%置信水平下，采用向后逐步回归法筛选出男性老年人、速度<20 km/h、速度50～60 km/h、无分离有连续左转车道、摩托车、交叉口300 m缓冲区内不存在购物中心、夜间黑暗无灯光、山顶/山底、信号控制与因变量显著相关。

2)笔者将老年人事故伤害严重程度为因变量，男性老年人、速度50～60 km/h、无分离有连续左转车道、摩托车、交叉口300 m缓冲区内不存在购物中心、夜间黑暗无灯光、速度<20 km/h、山顶/山底、信号控制为自变量，采用潜类别Logit模型建立事故伤害严重程度模型。

3)通过建立潜类别Logit模型发现：摩托车、夜间黑暗无灯光、山顶/山底、速度50～60 km/h在不同类别中表现出明显的异质性。

4)在建成环境影响因素中：交叉口300 m缓冲区内不存在购物中心与轻伤事故呈现负相关。

5)鉴于调研条件有限，笔者没有将路幅宽度、无信号灯控制时的交通量、是否存在二次过街、300 m缓冲区内是否存在养老院等引入自变量，这是今后需要研究的重要方向之一。