略談城市道路交通事故嚴重程度影響因素
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了略談城市道路交通事故嚴重程度影響因素范文，希望能給你帶來靈感和參考，敬請閱讀。
1Logistic模型
1.1Logistic回歸模型簡介Logistic回歸模型,是國外于20世紀上半葉逐漸發(fā)展起來的一類離散選擇模型，其在生物學、經(jīng)濟學、心理學、政治學和交通運輸?shù)葘W科中都得到了廣泛的應用。當對數(shù)線性模型中的一個二分類變量被當作因變量并定義為一系列自變量的函數(shù)時。對數(shù)線性模型就變成了Logistic回歸模型,如式（1）。11(1|1,2,,,)1niiiXPYXXXne（1）式中：Xi為自變量；α和β分別為回歸截距和回歸系數(shù)；P為事件發(fā)生的條件概率；1niiiX被定義為一系列影響事件發(fā)生概率的線性函數(shù)。事件發(fā)生概率P與事件不發(fā)生概率1－P之比稱為事件的發(fā)生比(Odds)。將Odds取自然對數(shù)就能夠得到線性函數(shù)，如式（2）。11niiiPInPX（2）
1.2Logistic回歸模型檢驗Logistic回歸模型檢驗主要包括:回歸系數(shù)的顯著性檢驗、Logistic回歸模型的擬合優(yōu)度檢驗和Logistic回歸模型的預測準確度檢驗。
1.2.1回歸系數(shù)的顯著性檢驗由于并不是所有的候選自變量都對因變量有顯著的影響。因此，需要挑選出對因變量有顯著影響的自變量。目前，常用的自變量篩選方法有正向逐步選擇法、反向逐步選擇法和混合逐步選擇法。
1.2.2擬合優(yōu)度檢驗Logistic模型擬合優(yōu)度檢驗主要有皮爾遜χ2檢驗、偏差(Deviance)統(tǒng)計量和信息測量指標。
1.2.3預測準確度檢驗常用評價指標有Gramma、Somers’D、Tau-a、c
2變量的選取及分析
2.1變量的選取
2.1.1因變量城市道路事故數(shù)據(jù)庫中的事故類型分為死亡事故、受傷事故和財產(chǎn)損失事故3類。考慮到事故救援在事故類型中的作用。在文中，將事故嚴重程度分為嚴重事故和非嚴重事故。對死亡事故和有重傷的傷亡事故認為是嚴重事故，而輕傷事故和財產(chǎn)損失事故認為是非嚴重事故，
2.1.2自變量道路交通系統(tǒng)是一個由人、車、路、環(huán)境構(gòu)成的動態(tài)系統(tǒng)。任何一個環(huán)節(jié)出現(xiàn)問題都可能產(chǎn)生交通安全問題。在交通事故分析中，因責任認定問題，常將事故原因歸為人的主觀因素，而忽視了客觀因素在交通事故中的作用。因此，筆者從客觀因素中初步選取13個候選自變量參與分析與交通事故的嚴重程度之間的關系，分別為：是否為節(jié)假日、天氣、道路橫斷面、能見度、交通信號方式、照明條件、道路類型、道路線形、路口路段類型、道路物理隔離、路側(cè)防護設施類型、道路橫斷面和道路橫斷面位置。其中天氣、能見度、照明條件、道路類型采用啞變量方式。
2.2模型建立
2.2.1變量選擇混合逐步選擇法是將正向選擇和反向選擇結(jié)合起來，根據(jù)所設的顯著性標準分別將變量加入到模型中去或刪除掉。筆者采用混合逐步選擇法對自變量進行篩選得出在0.05的顯著性水平下的自變量有：天氣、道路線形、能見度、路側(cè)防護、道路橫斷面、地形、橫斷面位置、道路類型。
2.2.2參數(shù)估計對烏魯木齊市2006—2010年的3505條事故數(shù)據(jù)進行分析，
1)在不同的天氣下，陰天發(fā)生嚴重事故的概率最大，為惡劣天氣的1.049倍，相差不大，而晴天發(fā)生嚴重事故的概率只有惡劣天氣的0.676。說明良好天氣下發(fā)生嚴重事故的概率比較低。
2)丘陵和山區(qū)發(fā)生嚴重事故的概率非常低，只有平原地帶的0.262。
3)分車、分向的道路橫斷面發(fā)生嚴重事故的概率反而比混合式橫斷面高，是其的1.564倍。因為的道路橫斷面下，路況比較復雜，駕駛員的安全意識比較高。
4)其他道路上發(fā)生嚴重事故是平直道路的2.378倍。說明道路線形對事故的嚴重程度影響非常大。
5)快速路、主干路和次干路上發(fā)生嚴重事故的概率相對于其他道路要小很多，分別只有其他道路的0.483,0.377和0.443。這主要是因為這些道路整體車速比較低。
6)機動車道發(fā)生嚴重事故的概率是其他位置的1.385倍。在分車道的情況下，機動車間的事故要明顯嚴重很多，這和其他位置的車速較低有很大關系。
7)能見度在50~100m范圍類時，發(fā)生嚴重事故的概率最高，是見度在200m以上情況下的2.204倍。這和駕駛員的安全意識有很大關系。8)有路側(cè)防護的情況下發(fā)生嚴重事故的概率高，是沒有路側(cè)防護的1.497倍。由Logistic回歸系數(shù)的顯著性檢驗結(jié)果可知：當天氣情況不佳，且能見度在50~100m時，發(fā)生嚴重事故的概率最高。在這種情況下，應該及時通過電視廣播等媒體惡劣天氣注意行車安全的警示信息，以提高駕駛員的注意力。而在平原地帶、分車分向式道路橫斷面、城市公路、機動車道位置時發(fā)生嚴重事故的概率比較高的原因是這些地方行駛條件較好，平均車速相對較高甚至出現(xiàn)超速違法駕駛行為；對于這些路段有條件應安裝電子警察、雷達測速等設備。平直道路的發(fā)生嚴重事故的概率最低，因而在規(guī)劃設計階段應該盡量使用平直道路線形，在線形不好的地方設置警示標志。路側(cè)防護與事故嚴重程度也有很大的相關性，因而在必須設置路側(cè)防護的地方應該考慮到路側(cè)防護對事故發(fā)生后的影響，在材料和路側(cè)防護的類型方面都需要考慮。
2.2.3模型檢驗模型整體擬合程度。由LR、Score、Wald統(tǒng)計量值及p值可以看出在0.05的顯著性水平下模型的整體擬合效果比較好，自變量的解釋作用顯著。從表6可以看出，Deviance統(tǒng)計量、皮爾遜χ2統(tǒng)計量的p值均大于0.05，所以在顯著性水平A=0.05的條件下,χ2檢驗不顯著,認為模型擬合數(shù)據(jù)比較好。表7是信息測量指標的擬合優(yōu)度檢驗的結(jié)果。從表7可以看出，加上變量的模型較優(yōu)表8是序次相關指標的準確度檢驗結(jié)果。從表8可以看出，本研究有71.3%的數(shù)據(jù)對為和諧的,有21.9%為不和諧的。除了Tau-a指標外,其余3個指標值都不小于0.5。說明建立的Logistic模型的預測能力較好。3結(jié)論
1)交通事故的發(fā)生是人-車-路-環(huán)境相互作用的結(jié)果，但主觀因素很大程度上受到了客觀因素的影響。將事故嚴重程度分成嚴重事故和非嚴重事故，在客觀因素方面選取了是否為節(jié)假日、天氣、道路橫斷面、能見度、交通信號方式、照明條件、道路類型、道路線形、路口路段類型、道路物理隔離、路側(cè)防護設施類型、道路橫斷面和道路橫斷面位置13個自變量，分析自變量與因變量之間的關系。Logistic模型在處理二分類變量與其他變量之間的關系上具有很大的優(yōu)勢。
2)采用混合逐步選擇法分析候選自變量與因變量是否顯著相關。研究發(fā)現(xiàn)，天氣、道路線形、能見度、路側(cè)防護、道路橫斷面、地形、橫斷面位置、道路類型與事故嚴重程度顯著相關，而是否為節(jié)假日，交通信號方式、路口路段類型、道路物理隔離與事故嚴重程度的相關性不大。
3)采用Logistic回歸模型，分析各自變量與事故嚴重程度的影響程度并對模型進行了檢驗。結(jié)果表明，Logistic回歸模型的擬合效果和預測能力還是比較好的。
4)Logistic回歸模型結(jié)果表明，在不同的天氣下，晴天發(fā)生嚴重事故的概率明顯小很多，同樣，能見度在200m以上發(fā)生嚴重事故的概率最低，說明事故的嚴重程度與視線有很大的關系，視線越好，發(fā)生嚴重事故的概率越低。丘陵和山區(qū)發(fā)生嚴重事故的概率非常低，分車、分向的道路橫斷面發(fā)生嚴重事故的概率反而比混合式橫斷面高，表明在駕駛條件差的地方，發(fā)生嚴重事故的可能性反而比較低，說明這些地方駕駛員的安全意識起了主導作用。平直道路發(fā)生嚴重事故的概率比較低。而其他道路發(fā)生嚴重事故的概率明顯比城市快速路、主次干路高。同樣，機動車道發(fā)生嚴重事故的概率最高，有路側(cè)防護的情況下發(fā)生嚴重事故的概率最高。研究分析結(jié)果可以為道路交通基礎設施規(guī)劃設計，運營管理和駕駛行為研究以及事故救援等提供很好的指導作用，并為提高城市道路交通系統(tǒng)安全性能提供決策依據(jù)。
5)筆者假設自變量對因變量是線性的、可加的，但是，很有可能存在非線性和非加性作用。鑒于調(diào)研條件所限，沒有將車速、交通流量等引入自變量，這是今后需要研究的重要方向之一。
作者：馬柱 陳雨人 張?zhí)m芳 單位：同濟大學道路與交通工程教育部重點實驗室