考慮建成環(huán)境的電動自行車事故嚴重程度致因分析

王菁，董春嬌*，李鵬輝，姜文龍，邵春福,3

(1.北京交通大學(xué)，綜合交通運輸大數(shù)據(jù)應(yīng)用技術(shù)交通運輸行業(yè)重點實驗室，北京 100044；2.中國人民公安大學(xué)，治安與交通管理學(xué)院，北京 100038；3.新疆大學(xué)，交通運輸工程學(xué)院，烏魯木齊 830017)

0 引言

電動自行車具有低價、便捷、靈活、環(huán)境友好等優(yōu)點，已成為居民日常通勤的重要交通方式及低碳交通的重要組成部分。截止2020 年，我國電動自行車保有量已超過3億輛。然而，隨著電動自行車保有量的上升，近年來我國電動自行車交通事故死亡人數(shù)占交通事故總死亡人數(shù)的比例也不斷增長。在此背景下，探究電動自行車事故嚴重程度的影響因素對降低電動自行車事故嚴重程度具有重要意義。

國內(nèi)外學(xué)者已針對電動自行車交通事故嚴重程度影響因素展開了諸多研究。QIAN等[1]采用廣義有序Probit模型，從事故畫像、自然環(huán)境、道路特征、騎行者屬性和車輛特征這6個方面分析了電動自行車交通事故嚴重程度的影響因素。馬景峰等[2]加入時間因素的考量，基于偏比例優(yōu)勢模型的結(jié)果表明，騎行者性別、騎行者年齡、機動車類別和電動自行車類別是影響電動自行車與機動車碰撞事故嚴重程度最大的因素。此外，GUO等[3]探究了危險騎行行為和違法騎行行為對電動自行車事故嚴重程度的影響。然而，上述研究忽略了建成環(huán)境的影響。建成環(huán)境作為影響城市交通出行需求的重要因素，已被證實可對電動自行車交通事故的分布產(chǎn)生顯著影響。例如，PETZOLDT等[4]的研究發(fā)現(xiàn)，電動自行車事故起數(shù)與道路交叉口密度呈顯著正相關(guān)關(guān)系。何慶等[5]的研究表明，人口密度較高的區(qū)域更容易發(fā)生電動自行車事故。此外，陳堅等[6]的研究表明，土地利用混合度、道路密度及可達性對城市機動車交通事故嚴重程度存在非線性影響。潘義勇等[7]發(fā)現(xiàn)，在事故發(fā)生地300 m 緩沖區(qū)內(nèi)存在購物中心會使男性老年人更容易發(fā)生僅財產(chǎn)損失事故。因此，有必要探討建成環(huán)境對電動自行車交通事故嚴重程度的影響。

在模型選擇方面，既有研究多基于離散選擇模型建模交通事故嚴重程度。YUAN等[8]采用二項Logistic模型探究了影響電動自行車與機動車交通事故嚴重程度的關(guān)鍵因素。CHEN等[9]聚焦行人與機動車碰撞事故，基于多項Logit 模型識別影響其嚴重程度的主要因素。為克服多項Logit模型的嚴格IIA(Irrelevant alternative property)假設(shè)，溫惠英等[10]將巢式Logit模型運用于摩托車單車事故嚴重程度致因分析中。此外，一些學(xué)者構(gòu)建有序模型以進一步刻畫交通事故嚴重程度的有序特性。WANG等[11]利用中介有序Logit模型研究電動自行車頭盔使用及電動自行車碰撞事故的影響因素。RIFAAT等[12]采用廣義有序Logit 模型探究影響摩托車碰撞事故嚴重程度的因素。然而，上述模型假設(shè)影響因素對不同的交通事故嚴重程度的影響相同。在實際中，各影響因素對不同交通事故嚴重程度的影響存在異質(zhì)性，忽略這一異質(zhì)性會導(dǎo)致參數(shù)估計結(jié)果偏差。為進一步探討影響因素對事故嚴重程度的異質(zhì)性影響，焦朋朋等[13]將隨機參數(shù)Logit模型運用于老年人交通事故嚴重程度致因分析中，結(jié)果表明，隨機參數(shù)Logit模型較多項Logit模型有更好的擬合優(yōu)度。WANG等[14]構(gòu)建考慮均值異質(zhì)性的隨機參數(shù)Logit模型探討電動自行車交通事故嚴重程度的影響因素，結(jié)果表明，大型貨車在重傷事故中具有隨機參數(shù)特征，當(dāng)事故同時涉及大型貨車及未開起照明燈的機動車時，發(fā)生重傷事故的可能性將增加。不同于上述異質(zhì)性模型，考慮均值異質(zhì)性及方差異質(zhì)性的隨機參數(shù)Logit模型可以同時捕捉隨機參數(shù)的均值異質(zhì)性及方差異質(zhì)性，更全面地解釋引起隨機參數(shù)變化的原因。WASEEM等[15]基于該模型探究了摩托車交通事故嚴重程度的影響因素，結(jié)果表明，摩托車排量的參數(shù)在摩托車死亡事故中為隨機參數(shù)，且具有顯著的均值異質(zhì)性及方差異質(zhì)性。然而，在中國，摩托車車速遠高于電動自行車，且摩托車類屬機動車，電動自行車類屬非機動車，故兩者事故嚴重程度影響因素存在差異[1]。

綜上所述，本文將建成環(huán)境納入電動自行車交通事故嚴重程度建模中，基于北京市的電動自行車交通事故數(shù)據(jù)，從事故屬性、騎行者屬性、對象車輛及駕駛員屬性、道路屬性及建成環(huán)境屬性這5個方面，構(gòu)建考慮均值異質(zhì)性及方差異質(zhì)性的隨機參數(shù)Logit模型探討電動自行車交通事故嚴重程度影響因素。研究結(jié)果可以為電動自行車交通事故預(yù)防提供理論支撐。

1 電動自行車交通事故嚴重程度時空分布特征

本文基于北京市近5 年抽樣得到的5000 起電動自行車交通事故數(shù)據(jù)展開研究。數(shù)據(jù)記錄了事故的發(fā)生時間、發(fā)生地點、騎行者信息和對象車輛信息等詳細數(shù)據(jù)。本文僅考慮工作日發(fā)生的交通事故，在剔除周末事故、信息缺失事故和明顯記錄有誤的事故后，共得到3218 起電動自行車事故數(shù)據(jù)用于研究。其中，包含死亡事故386 起，占比11.96%；受傷事故624起，占比19.39%；僅財產(chǎn)損失事故2208 起，占比68.61%。圖1 描述了電動自行車交通事故的時空分布情況。如圖1(a)所示，電動自行車交通事故主要發(fā)生在6:00-24:00，0:00-6:00較少發(fā)生事故；此外，3類事故數(shù)量均在早晚高峰和午高峰出現(xiàn)峰值，這一結(jié)果與已有研究相對應(yīng)，即電動自行車已成為居民日常通勤的重要交通方式[1]。如圖1(b)所示，從空間分布看，僅財產(chǎn)損失事故和受傷事故較死亡事故更集中分布于城中心區(qū)域，而死亡事故的分布則相對分散。

圖1 電動自行車交通事故嚴重程度時空分布Fig.1 Spatiotemporal distribution of e-bike traffic accidents injury severities

基于已有研究，從事故屬性(碰撞類型、事故時段)、騎行者屬性(性別、年齡)、對象車輛及駕駛員屬性(駕駛員性別、年齡以及車輛類型)、道路屬性(道路類別、路口/路段及天氣狀況)和建成環(huán)境屬性(居住密度、土地利用混合度、路網(wǎng)密度、交叉口密度、公交站密度、地鐵可達性、到最近醫(yī)院的距離及到市中心的距離)這5個方面共選取18個因素探討電動車交通事故嚴重程度的影響因素。其中，建成環(huán)境變量基于建成環(huán)境的5D 要素，即密度(Density)、多樣性(Diversity)、設(shè)計(Design)、目的地可達性(Destination Accessibility)和公交臨近度(Distance to Transit)選取，基于事故發(fā)生地500 m 緩沖區(qū)計算[6-7,16]。所有變量均由事故數(shù)據(jù)和興趣點數(shù)據(jù)(Point of Interests,POIs)計算得到，變量的描述統(tǒng)計如表1所示。

表1 變量說明Table 1 Description of variables

2 考慮均值異質(zhì)性及方差異質(zhì)性的隨機參數(shù)Logit模型

傳統(tǒng)隨機參數(shù)Logit模型要求影響因素對事故嚴重程度的影響在不同事故中恒定不變。然而，在實際情況中，由于事故數(shù)據(jù)中存在未觀測到的關(guān)鍵變量(如頭盔佩戴情況、事故發(fā)生時的交通擁堵狀況及駕駛行為等)可能會導(dǎo)致建成環(huán)境對電動自行車事故嚴重程度的影響產(chǎn)生異質(zhì)性，從而使得參數(shù)估計結(jié)果產(chǎn)生偏差[15]。與普通的隨機參數(shù)Logit模型不同，考慮均值及方差異質(zhì)性的隨機參數(shù)Logit模型允許隨機參數(shù)的均值和方差在不同交通事故之間變化，因此，能夠更好地捕捉解釋變量對電動自行車交通事故嚴重程度的影響。對于交通事故n，定義其事故嚴重程度的函數(shù)為

式中：Bin為電動自行車交通事故n嚴重程度為i時的函數(shù)，基于已有研究[1,14]，本文將事故嚴重程度定義為3 個等級，即僅財產(chǎn)損失事故、受傷事故和死亡事故；Xin為在電動自行車交通事故n中影響事故嚴重程度i的解釋變量向量(表1)；βi為解釋變量的待估參數(shù)；εin為隨機誤差項。若εin服從廣義極值分布，則得到多項式Logit 模型的概率分布形式[13]為

式中：Pin為電動自行車事故n嚴重程度為i的概率；I為本文考慮的3 種電動自行車事故嚴重程度的集合。為解釋可能的均值異質(zhì)性及方差異質(zhì)性，考慮均值及方差異質(zhì)性的隨機參數(shù)Logit模型定義βi為隨電動自行車事故n變化的隨機參數(shù)向量，即

式中：β為所有電動自行車事故的參數(shù)估計均值；σin為βi的標準差；Zin和Win分別為解釋變量在事故n中的均值異質(zhì)性和方差異質(zhì)性的向量，分別影響βi的均值異質(zhì)性及方差異質(zhì)性；Θin和ωin分別為Zin和Win對應(yīng)的參數(shù)估計向量；vin為干擾項。

目前，國外果蔬運輸所用的運輸工具主要是冷藏汽車和普通卡車，國際間運輸主要用冷藏集裝箱。我國短途公路運輸所用的運輸工具包括汽車、拖拉機、畜力車和人力拉車等。汽車主要有普通運貨卡車、冷藏汽車和冷藏集裝箱。水路運輸工具用于短途運輸?shù)囊话銥樾〈?、拖船，遠途運銷的主要是遠洋貨輪。鐵路運輸越來越少。

最后，得到考慮均值及方差異質(zhì)性的隨機參數(shù)Logit模型的概率密度函數(shù)為

式中：f(βiφi)為βi的概率密度函數(shù)；φi為均值異質(zhì)性及方差異質(zhì)性的參數(shù)向量。在以往的研究中，f(βiφi)常見的分布形式為正態(tài)分布、均勻分布、三角分布和單側(cè)三角分布，其中，正態(tài)分布是事故嚴重程度分析中最常用的分布形式[13]。

采用最大似然估計法對考慮均值及方差異質(zhì)性的隨機參數(shù)Logit模型進行參數(shù)估計(式(4))。由于Halton抽樣法較隨機抽樣更有效，故選取Halton抽樣法，抽樣次數(shù)設(shè)置為200[15]。與以往研究一致，設(shè)置f(βiφi)為正態(tài)分布。

上述得出的回歸參數(shù)只能定性反映解釋變量對電動自行車事故嚴重程度影響趨勢，無法定量描述解釋變量對電動自行車事故嚴重程度發(fā)生概率的影響。因此，引入平均邊際效應(yīng)系數(shù)以定量描述解釋變量的影響，針對連續(xù)變量為

當(dāng)xin為0-1變量時，由于xin不可微，式(5)不可用。對于0-1變量xin，其平均邊際效應(yīng)表示為當(dāng)xin由0 變化到1 時對事故嚴重程度i發(fā)生概率的影響，即

3 結(jié)果與討論

為防止變量間存在多重共線性導(dǎo)致結(jié)果失真，首先利用方差膨脹系數(shù)法(Variance Inflation Factor,VIF)進行多重共線性檢驗。多重共線性檢驗結(jié)果表明，所有變量的VIF值均小于10，因此，可忽略變量間的共線性問題[7]，將所有變量均納入模型。

為驗證模型的有效性，采用Nlogit軟件分別構(gòu)建隨機參數(shù)Logit 模型、考慮均值異質(zhì)性的隨機參數(shù)Logit模型和考慮均值及方差異質(zhì)性的隨機參數(shù)Logit 模型進行模型比較?；诔喑匦畔⒘繙蕜t(Akaike Information Criterion,AIC,越小越優(yōu))和收斂的對數(shù)似然值(越大越優(yōu))評估模型擬合優(yōu)度。如表2所示，3種模型中，考慮均值異質(zhì)性的隨機參數(shù)Logit 模型較隨機參數(shù)Logit 模型有更小的AIC 值和更大的收斂的對數(shù)似然值，考慮均值及方差異質(zhì)性的隨機參數(shù)Logit模型的AIC值(818.08)最小，收斂的對數(shù)似然值(-375.04)最大。即考慮均值及方差異質(zhì)性的隨機參數(shù)Logit模型擬合效果最好。

表2 參數(shù)估計結(jié)果Table 2 Parameter estimation results

3.1 隨機參數(shù)

3.2 均值異質(zhì)性及方差異質(zhì)性

相較傳統(tǒng)的隨機參數(shù)Logit 模型，考慮均值異質(zhì)性及方差異質(zhì)性的隨機參數(shù)Logit模型能夠進一步探究隨機參數(shù)均值及方差的個體異質(zhì)性，解釋造成隨機參數(shù)的可能原因。

如表2所示，一般城市道路對于受傷事故的隨機參數(shù)在路段中存在均值異質(zhì)性，系數(shù)為0.98，即路段將導(dǎo)致一般城市道路的參數(shù)均值增加。如圖2(a)所示，在一般城市道路的電動自行車交通事故中，當(dāng)事故發(fā)生在交叉口和其他區(qū)域時，一般城市道路對受傷事故的參數(shù)均值為-1.04，當(dāng)事故發(fā)生在路段時，參數(shù)均值為-0.06，即-1.04+0.98=-0.06。因此，發(fā)生在一般城市道路的事故將降低受傷事故的發(fā)生概率，而事故發(fā)生在路段將使這一降低幅度減小。到最近醫(yī)院距離對于死亡事故的隨機參數(shù)在路段和惡劣天氣中存在均值異質(zhì)性，系數(shù)分別為-0.32和1.51，即路段將導(dǎo)致到最近醫(yī)院距離的參數(shù)均值減小，而惡劣天氣將導(dǎo)致到最近醫(yī)院距離的參數(shù)均值增加。如圖2(b)和圖2(c)所示，到最近醫(yī)院距離增加將增加死亡事故發(fā)生的概率，事故發(fā)生在路段將降低這一概率增加的幅度，而事故發(fā)生在惡劣天氣將進一步增大死亡事故發(fā)生的概率。

圖2 隨機參數(shù)均值異質(zhì)性分布Fig.2 Distribution of random parameters with heterogeneity in means

到最近醫(yī)院距離的參數(shù)在騎行者年齡為(40,60]歲中存在方差異質(zhì)性，系數(shù)為2.25。表明涉及到騎行者年齡為(40,60]歲的交通事故中，到醫(yī)院距離的隨機參數(shù)較涉及到其他年齡段騎行者的事故分布更寬，離散程度更大。

3.3 影響因素分析

為進一步量化影響因素對電動自行車事故嚴重程度的影響，計算各變量的平均邊際效應(yīng)系數(shù)，結(jié)果如表3所示。

表3 邊際效應(yīng)分析結(jié)果Table 3 Results of marginal effects

對于事故屬性，相較于其他時段，事故發(fā)生在19:00-次日7:00，將降低僅財產(chǎn)損失事故發(fā)生的概率。當(dāng)事故發(fā)生在19:00-22:00時，僅財產(chǎn)損失事故發(fā)生的概率將降低0.9%，而受傷事故和死亡事故發(fā)生的概率將分別增加0.8%和0.1%；當(dāng)事故發(fā)生在22:00-次日7:00時，僅財產(chǎn)損失事故發(fā)生的概率降低1.8%，而受傷事故和死亡事故的發(fā)生概率將分別增加1.6%和0.2%?？赡艿脑蚴且归g道路能見度降低，同時車輛較少，騎行者騎行速度較快，故更容易發(fā)生受傷和死亡事故。

對于騎行者屬性，與年輕的騎行者相比，騎行者年齡超過40歲將降低僅發(fā)生財產(chǎn)損失事故的概率。騎行者年齡為(40,60]歲時，僅財產(chǎn)損失事故的發(fā)生概率將降低5.2%，而受傷事故和死亡事故的發(fā)生概率將分別增加3.0%和2.2%。騎行者年齡超過60 歲時，發(fā)生僅財產(chǎn)損失事故的概率將降低2%，而發(fā)生受傷事故和死亡事故的概率將分別增加0.1%和1.9%。這一結(jié)論是合理的，隨著騎行者年齡的增加，身體健康狀況變差，因此將增加事故的嚴重程度。

對象車輛及駕駛員屬性中，相比于其他年齡段，當(dāng)駕駛員年齡為(40,60]歲之間時，更容易發(fā)生受傷事故及死亡事故，其概率分別增加1.3%和2.6%?？赡艿慕忉屖?，隨著駕駛員年齡的增大，反應(yīng)速度下降，因此更容易造成嚴重的事故后果。當(dāng)對象駕駛車輛為重(大)型貨車、中小型貨車和摩托車時，受傷事故及死亡事故發(fā)生的概率分別增加0.5%和0.7%，0.2%和0.7%以及0.6%和0.1%，這一結(jié)果符合常理，且與之前的研究結(jié)論一致[1]。當(dāng)對象車輛為低速交通方式時，受傷事故的概率將增加0.9%，而僅財產(chǎn)損失事故和死亡事故發(fā)生的概率將分別下降0.6%和0.3%。

道路屬性中，相比于其他道路類型，事故發(fā)生在一般城市道路時，發(fā)生僅財產(chǎn)損失事故的概率上升3.0%，而受傷事故和死亡事故的發(fā)生概率分別下降1.7%和1.3%。這可能是由于北京一般城市道路限速較高等級道路更低，且較為擁堵，因此，車輛行駛速度更慢，更不容易發(fā)生嚴重的交通事故。當(dāng)事故發(fā)生在高等級公路時，發(fā)生受傷事故的概率下降0.6%，發(fā)生僅財產(chǎn)損失事故和死亡事故的概率分別上升0.4%和0.2%。這可能是由于本文中發(fā)生在高等級公路上的事故主要發(fā)生在輔路上，因此與一般城市道路相似，車速較低，進而發(fā)生財產(chǎn)損失事故的概率上升，而其余發(fā)生在高等級公路上的事故，車速快，因此發(fā)生死亡事故的概率上升[2]。此外，發(fā)生在路段的事故更容易為僅財產(chǎn)損失事故，而惡劣天氣更容易發(fā)生死亡事故。

建成環(huán)境屬性中，居住密度每增加一個單位，發(fā)生僅財產(chǎn)損失事故的概率將增加2.3%，而發(fā)生受傷事故和死亡事故的概率將分別下降2.0%和0.3%。這是由于發(fā)生在高居住密度區(qū)域的交通事故，道路限速往往更低(居住區(qū)周邊道路)，因此發(fā)生嚴重事故的概率降低。路網(wǎng)密度每增加一個單位，死亡事故發(fā)生的概率將下降2.3%，僅財產(chǎn)事故和受傷事故發(fā)生的概率將分別增加1.4%和0.9%，這與戢曉峰等[16]關(guān)于“路網(wǎng)密度更低的區(qū)域更容易發(fā)生致命事故”的結(jié)論一致。到最近醫(yī)院距離和到市中心距離的增加均會降低僅財產(chǎn)損失事故的概率，增加受傷事故及死亡事故的概率。前者的結(jié)論符合認知。后者可能的解釋是，城中心的道路基建設(shè)施更好，路網(wǎng)密度更高，同時城郊區(qū)交通有更多大重型車輛出沒，因此距離市中心距離更遠更容易發(fā)生嚴重的交通事故。

4 結(jié)論

(1) 相較于隨機參數(shù)Logit 模型和考慮均值異質(zhì)性的隨機參數(shù)Logit 模型，考慮均值異質(zhì)性及方差異質(zhì)性的隨機參數(shù)Logit 模型的擬合優(yōu)度更高，解釋能力更強，表明在探究電動自行車事故嚴重程度的影響因素時，同時考慮影響的均值異質(zhì)性及方差異質(zhì)性是必要的。

(2)一般城市道路、路段和高居住密度區(qū)域等因素存在時，更容易發(fā)生僅財產(chǎn)損失事故；事故發(fā)生在19:00-次日7:00、騎行者年齡大于40 歲、駕駛員年齡為(40,60]歲、對象車輛為重(大)型貨車、到最近醫(yī)院距離增大和到市中心距離增大時，更容易發(fā)生受傷事故及死亡事故。

(3)一般城市道路對事故嚴重程度的影響具有隨機性，且存在均值異質(zhì)性。發(fā)生在一般城市道路的電動自行車交通事故中，6.31%的事故更容易為受傷事故，93.69%的事故更不容易為受傷事故。當(dāng)事故發(fā)生在一般城市道路時，事故發(fā)生在路段將進一步降低受傷事故發(fā)生的概率。

(4)建成環(huán)境因素中，到最近醫(yī)院距離對事故嚴重程度的影響具有隨機性，且存在均值及方差異質(zhì)性。當(dāng)?shù)阶罱t(yī)院距離增大時，事故發(fā)生在惡劣天氣將進一步增大死亡事故發(fā)生的概率。騎行者年齡為(40,60]歲將增大到最近醫(yī)院距離的參數(shù)離散程度。