基于NAIS数据的交叉口车-车事故严重程度影响因素分析

肖乐

(1.西华大学 汽车与交通学院， 四川 成都 610039；2.汽车测控与安全四川省重点实验室， 四川 成都 610039)

道路交叉口是多种交通流交汇与冲突的关键区域，是道路交通事故的多发地，研究道路交叉口事故严重程度影响因素对事故预防具有重要意义。牛志鹏等从道路条件、交通环境、安全设施管理三方面对道路平面交叉路口的交通安全进行了定性和定量分析。赵晓华等基于驾驶行为数据构建交叉口进口道安全性结构方程，挖掘风险因素，结果表明交叉口各方向车道总数、违法监控设备数量等对交叉口安全性具有显著影响。吕通通等构建互信息贝叶斯网络模型，分析了各影响因素变化与事故严重程度的定量关系。赵丹等构建双变量Probit模型，以事故形态和事故严重程度为因变量，分析了农村交叉口交通事故的风险因素。Islam S.等建立随机参数Logistic模型，对比分析了农村和城市道路中摩托车事故严重程度影响因素的差异性。温惠英等以英国单车事故数据为样本构建多项式Logit模型，分析了交叉口单车事故严重程度影响因素。Ariana Vorko-Jovic等研究了城市道路交通事故的发生及严重程度与人、道路、环境、道路信号灯设计、交通监管部门管理等因素之间的关系。上述研究多采用国外开源数据，难以反映具有中国特色的道路交通事故特征，且部分研究以国内某一城市的事故统计数据为研究对象，难以表征道路交通事故的共性。鉴于此，本文统计、分析国家车辆事故深度调查体系(National Automobile Accident In-Depth Investigation System，NAIS)中的交叉口车-车事故数据，研究道路交叉口事故严重程度影响因素，为交叉口事故预防提供理论支撑。

1 数据概述及变量描述

1.1 数据采集

NAIS由国家市场监督管理总局缺陷产品管理中心联合8所具有较深事故研究背景的高校、事故鉴定机构及科研机构共同建立，其目的是采集具有中国道路交通事故特征的深度数据，并建立汽车主被动安全研究基础数据库。2011—2019年已收集4 000多起道路交通事故案例，覆盖全国7个地区，包括东北、华南、西南、华北、华东等地。数据主要由交通事故采集人通过到事故现场复勘和交警部门获得，包括事故照片、编码的数据、警方资料、事故现场视频、事故重构文件、CAD事故现场图及事故分析报告等，数据完整、详细，对交通事故研究具有较高价值。本文筛选交叉口(三枝、四枝)车-车事故数据共计556条，剔除并清洗信息记录不全数据后，得到有效数据471条。

1.2 变量选取及说明

1.2.1 因变量

根据初始数据将事故严重程度分为4个等级，分别为轻微事故(仅轻伤)、一般事故(重伤，未死亡)、重大事故(死亡一两人)、特大事故(死亡3人及以上)，由于特大事故仅占0.002%，将其与重大事故归为一类，最终将人员伤亡事故严重程度由低到高划分为3个等级，分别为轻微事故(仅轻伤)、一般事故(重伤，无死亡)、重大事故(死亡1人及以上)，频数分别为40、210、221。因变量编码及描述见表 1。

表1 因变量编码

1.2.2 自变量

调研国内外学者对交叉口事故影响因素选取情况，结合原始数据事故特征，从驾驶员、车辆、道路、环境4个维度选取13个离散型变量作为自变量，分别为驾驶员主要过失、性别、天气、事故发生时段、参与车辆类型、道路行政等级、路段类型、路口是否有信号灯、路面状况、道路线形、路灯是否开启、是否有交通限速标志、对向机动车道隔离形式。由于道路交叉口流量大、冲突多，车型构成复杂，车辆安全状况参差不齐，选取8种车型共4类用于分析车辆类型的影响。结合历年交叉口交通违法行为统计数据，选择超速驾驶、酒后驾驶、未按规定让行和其他违法操作分析驾驶员主要过失对事故特性的影响(见表2)。

表2 自变量设置说明

2 有序Logistic回归模型构建

2.1 模型构建

有序Logistic回归是针对有序多分类变量的一种统计分析方法，而交通事故严重程度预测是一个有序多级别划分的非线性问题。设有序多分类变量Yi(i∈{1，2，…，n})有j个等级，取值为1，2，…，j，X为m个自变量x1,x2,…，xm，则有序Logistic回归模型表达式为：

(1)

式中：P(Yi≤j|X)为累积概率，P(Yi≤j|X)=1；αj为常数项；M为自变量数量；βjm为回归系数。

有序Logistic模型共有j-1个。有序Logistic的概率模型表示为：

(2)

2.2 模型适用性检验

2.2.1 变量的多重共线性检验

在进行模型拟合之前，采用方差膨胀因子对13个变量之间的共线性情况进行诊断。方差膨胀因子是容忍度的倒数，用于判断是否存在多重共线性，其值为0～10表示可以接受。结果表明13个自变量之间无多重共线性(见表3)。

表3 变量的多重共线性诊断

2.2.2 平行性检验

平行性检验结果见表4。卡方值为24.636，显著性P为0.369>0.05，接受原假设，有序Logistic回归模型合适。

表4 平行性检验结果

2.2.3 PearsonX2检验和偏差统计量

PearsonX2检验通过频数检验模型成立的假设，其标准X2统计量计算公式为：

(3)

式中：Ok为第k类协变类型的实际频数；Ek为第k类协变类型的期望频数；K为协变类型的种类数。

X2的自由度为协变类型数目与参数数目之间的差距，X2统计量的值越小，模型拟合效果越好。

在Logistic回归模型中，将偏差统计量D视为拟合优度统计量，计算公式为：

(4)

PearsonX2检验结果见表5。由表5可知：PearsonX2统计量的显著性P为0.518，偏差统计量的P值为1.000，模型的拟合效果好。

表5 Pearson X2检验结果

2.2.4 数据的单变量观察

利用SPSS描述性统计中的交叉表，依次对13个指标与事故严重程度之间的关系进行卡方检验，检验结果见表6。由表6可知：路段类型、性别、路口是否有信号灯、道路线形、路面状况、对向机动车道隔离形式与事故严重程度没有显著关系。自变量筛选过程中，结合模型的Wald检验结果，逐步剔除无统计学意义的自变量，剔除顺序依次为路段类型、性别、道路线形、路面状况、对向机动车道隔离形式。剔除过程中发现路口是否有信号灯的显著性接近0.05，暂不予以剔除。

表6 单变量显著性检验结果

3 模型计算结果分析

有序Logistic模型计算结果见表7。拟合优度检验中P<0.001，拒绝原假设，有序Logistic模型整体有意义。

表7 有序Logistic模型估计结果

续表7

由表7可知：

(1) 驾驶员。驾驶员存在过失会对事故严重程度产生显著正影响。以驾驶员无过失事故严重程度为参照，超速驾驶、未按规定让行的偏回归系数分别为1.053、0.964，超速驾驶对事故严重程度影响最显著，其次是未按规定让行，分别使交叉口事故严重程度上升286.6%、262.2%。

(2) 车辆类型。非机动二/三轮车和货车对事故严重程度产生显著正影响。以乘用车为参照，参与车辆涉及非机动二/三轮车的偏回归系数为2.743，对事故严重程度影响最大；其次是货车和机动二/三轮车，偏回归系数分别为2.603、1.667。

(3) 道路。路口是否有信号灯、路灯是否开启对交叉口事故严重程度产生显著正影响。以路口有信号灯为参照，路口无信号灯条件下交叉口事故严重程度上升158.9%。以有路灯为参照，无路灯情况下事故严重程度上升207.9%。可见，完善的交通信号控制设施对降低事故严重程度极为重要。

(4) 环境。事故发生时段对事故严重程度有显著影响。以事故发生时间为晨昏为参照，事故发生时间为日间的偏回归系数为-0.917，与事故严重程度呈显著负相关。相比于晨昏，日间发生的交通事故严重程度更轻，事故严重程度降低40%。

4 结论

以NAIS数据库中交叉口事故数据为样本，从人、车辆类型、道路、环境四方面选取13个变量构建有序Logistic回归模型，分析车-车事故严重程度的影响因素，得出如下结论：1) 驾驶员过失、车辆类型、路口是否有信号灯、路灯是否开启、事故发生时段显著影响事故严重程度。2) 超速驾驶、车辆类型为非机动二/三轮车、货车对事故严重程度影响最大；路口无信号灯、无路灯、事故发生时段也会使事故严重程度加重。

随着NAIS体系中数据量的逐年增加，未来可以综合更多的道路交叉口事故数据进行分析，以更准确地掌握交叉口车-车事故严重程度的影响机理。