摩托車交通事故嚴重程度多尺度空間異質性分析

潘義勇,繆炫燁,吳靜婷

(南京林業大學 汽車與交通工程學院,江蘇 南京 210037)

0 引 言

隨著我國經濟水平的提高,摩托車新注冊登記數量隨之增加,根據公安部發布的數據, 2022年全國新注冊登記摩托車1 130萬輛,同比增長12%。摩托車駕駛員作為交通參與者的弱勢方,在沒有車廂保護,且防護措施不完善的情況下,容易受到交通事故的嚴重傷害[1],因此有必要對摩托車交通事故嚴重程度的影響因素進行分析。

國內外學者對交通事故嚴重程度的影響因素進行了研究,離散選擇模型多用于研究影響因素的異質性。胡驥等[2]通過構建有序Logit模型研究了翻車事故嚴重程度的影響因素;秦雅琴等[3]通過構建多項Logit模型研究了摩托車交通事故嚴重程度的影響因素;M.ISLAM[4]利用考慮均值方差異質性的混合Logit模型,研究了年齡對摩托車交通事故嚴重程度的影響;C.SE等[5]構建了考慮均值異質性的隨機參數有序Probit模型,研究了城鄉地區摩托車交通事故嚴重程度的影響因素;M.WASEEM等[6]構建了考慮均值方差異質性的隨機參數Logit模型,研究了摩托車交通事故嚴重程度的影響因素。上述研究在采用離散選擇模型研究交通事故嚴重程度的影響因素時,并未對影響因素的空間異質性進行分析,但是空間異質性對交通事故嚴重程度的影響需要納入考慮。

地理加權回歸模型(geographically weighted regression,GWR)是研究空間異質性的主流模型,在交通領域被廣泛應用。J.LIU等[7]利用GWR模型研究了肇事逃逸事故嚴重程度的影響因素;M.T. RAHMAN等[8]在研究交通事故黑點與土地利用的關系時,構建了GWR模型來捕捉潛在的空間異質性;H.YANG等指出,并非所有的變量都會在空間上發生變化[9],因此H.YANG等[10]構建混合GWR模型,允許GWR模型中存在局部變量和全局變量,研究了共享單車使用情況影響因素的空間異質性。此外,部分學者在傳統GWR模型的基礎上增加考慮了時間維度,J.LIU等[11]構建了GTWR模型研究了酒后駕車事故的時空異質性;X.XU等[12]構建了GTWR模型探索了行人交通事故影響因素的時空異質性。上述研究中采用的模型均為傳統GWR模型或相關改進模型,但這些模型對影響因素的空間異質性尺度的研究并不完善。

在地理空間的相關研究中,尺度的概念十分重要。多尺度地理加權回歸模型(multi-scale geographically weighted regression, MGWR)考慮了系數間差異化的異質性尺度,通過允許每個自變量擁有各自不同的空間平滑水平,對影響因素的空間異質性程度定量分析,從而回歸出更接近真實情況的空間關系模型[13]。目前,該模型還未全面應用到摩托車交通事故嚴重程度影響因素的空間異質性研究中。

綜上,筆者采用MGWR模型對摩托車交通事故嚴重程度的影響因素進行分析。首先對事故數據進行篩選和統計性描述;再闡述MGWR模型的基本原理和檢驗原理;然后利用通過檢驗后的自變量構建MGWR模型做回歸分析,標定模型結果;最后,結合模型回歸出的影響因素的帶寬和系數,定量分析影響因素的空間尺度和顯著影響因變量的影響因素的空間異質性。

1 數據描述與變量選取

基于美國某州交通事故數據庫,提取了2015—2019年共5 a的摩托車交通事故數據。首先對數據庫中的原始數據進行預處理:數據庫中涉及到交通事故主要信息的表為“Events”、“Drivers”和“Vehicles”,利用STATA軟件將3個表按照唯一的事故編號進行橫向匹配,剔除掉交通事故信息記錄缺失的數據,得到18 499條摩托車交通事故數據。

選取的因變量為摩托車交通事故嚴重程度,美國高速公路管理局將交通事故嚴重程度分為5類(KABCO),其中:K(fatal injury)指事故發生后30 d內人員死亡;A(incapaciting injury)指人員受傷,并且需要送往醫院進行醫療救助;B(non-incapacitating injury)指人員受到非失能性傷害,如割傷、擦傷等;C(possible injury)指人員可能受傷,即人員無外傷但自述有疼痛的感覺或意識不清;O(no injury)指人員未受傷。交通事故數據交通事故數據的因變量的描述性統計如表1。

橫向匹配后的18 499條事故數據由事故本身數據、駕駛員數據和車輛數據3部分組成。結合數據庫中記錄信息完整的數據,從人、車、路、環境共4個方面盡可能全面選擇候選自變量參與模型分析,候選自變量的描述性統計如表2。

表2 候選自變量描述性統計

2 模型方法

2.1 多尺度地理加權回歸模型

MGWR模型是在傳統GWR模型的基礎上優化得到的,傳統GWR模型在進行回歸分析時,每個自變量的帶寬固定。但不同自變量的尺度往往不完全一致,固定帶寬可能會使模型估計的結果產生偏差。MGWR模型通過放寬“所有局部系數的空間過程的尺度是相同的”這一假設,構建更接近真實情況的模型。MGWR模型的計算公式如式(1):

(1)

式中:yi為樣本點i的交通事故嚴重程度的觀測值;βbj(·)為帶寬為b的第j個局部回歸系數函數,其中bj為第j個變量回歸系數使用的帶寬,其物理意義為鄰近樣本點的數量;(ui,vi)為樣本點的空間地理位置;xij為變量j在i處的觀測值;εi為隨機誤差項。

2.2 空間自相關檢驗

在構建MGWR模型前需要檢驗變量間的空間自相關性。全局莫蘭指數I用來確定變量在空間上是否相關及關聯程度如何,Z得分用來對全局莫蘭指數的顯著性進行評估。兩者的計算如式(2)、式(3):

(2)

(3)

2.3 擬合優度檢驗

在確定MGWR模型的最優帶寬時,選用修正后的赤池信息準則(用AAICc值表示)來確定最優帶寬,如果兩個模型的AAICc值相差大于3,具有較低AAICc值的模型將被視為更佳的模型。AAICc值的計算如式(4):

(4)

令AAICc取最小值,即可求得對應矩陣的跡,進而得到最優帶寬。

2.4 多重共線性檢驗

對候選自變量進行相關性測試以避免共線性問題,方差膨脹因子(用VVIF值表示)用來檢驗指標的冗余度,當變量的VVIF>7.5時,表示指標存在冗余。VVIF值的計算公式如式(5):

(5)

式中:Ri為第i個候選自變量對其余候選自變量做回歸分析的負相關系數。

3 模型估計

3.1 多重共線性檢驗結果

通過構建OLS模型計算候選自變量的VVIF,利用逐步回歸法剔除存在多重共線性和未通過顯著性檢驗的自變量,最終納入模型的自變量見表3,表中為歸一化的結果。

表3 OLS模型參數回歸結果

從表3可以看出,最終納入模型的自變量的VVIF值范圍為[1.002,1.747],均小于7.500,P值均小于0.100,說明最終納入模型的自變量不存在指標冗余且顯著。

3.2 空間自相關檢驗結果

利用ARCGIS軟件對摩托車交通事故嚴重程度做全局空間自相關檢驗。因變量的全局莫蘭指數為0.227,說明因變量具有空間正相關性;Z得分為15.706,遠大于臨界值2.580,說明因變量觀測值具有明顯的聚類特征,且隨機產生此聚類模式的可能性小于1%,即在1%的顯著水平下,摩托車交通事故嚴重程度存在顯著全局空間自相關。

但是全局莫蘭指數無法表現出局部地區的空間集聚類型,因此在全局自相關檢驗的基礎上,結合局部莫蘭指數繪制LISA聚類圖,分析摩托車交通事故嚴重程度的局部聚集特征。

局部莫蘭指數可以識別隨空間位置不同而可能存在的不同空間關聯模式,從而觀察空間局部不平穩性。若局部莫蘭指數顯著為正且標準化后的觀測值大于0,表示樣本點與其鄰居的觀測值相對較高,屬高高集聚;若局部莫蘭指數顯著為正且標準化后的觀測值小于0,表示樣本點與其鄰居的觀測值相對較低,屬低低集聚;若局部莫蘭指數顯著為負且標準化后的觀測值大于0,表示鄰居觀測值遠低于樣本點的值,屬高低集聚;若局部莫蘭指數顯著為負且標準化后的觀測值小于0,表示鄰居觀測值遠高于樣本點的值,屬低高集聚。摩托車交通事故嚴重程度的LISA聚類圖如圖1。

圖1 摩托車交通事故嚴重程度LISA聚類圖Fig. 1 LISA clustering map of motorcycle traffic accident severity

從圖1可以看出,該州的中西部地區出現顯著的“高-高”集聚區,在該州的西北角和東北角處的地區以“低-低”集聚區為主,其余地區則分散著“高-低”集聚和“低-高”集聚。總體來說,該州“高-高”集聚區和“低-低”集聚區分布范圍較廣,呈集中分布特征,“高-低”集聚和“低-高”集聚區域則呈現相對分散的布局。

3.3 多尺度地理加權回歸模型結果

利用3.1節中通過多重共線性檢驗且顯著的自變量構建MGWR模型,并與OLS模型、GWR模型進行指標對比如表4,表中調整后的R2為一種判定系數,可衡量回歸模型。

表4 OLS、GWR、MGWR回歸模型指標

從表4可以看出,MGWR模型的AAICc值和殘差平方和均明顯小于OLS模型和GWR模型,說明MGWR模型得到了更接近真實情況的回歸結果。此外,MGWR的調整后R2值高于OLS模型和GWR模型,說明MGWR模型的結果優于GWR模型。

MGWR模型回歸參數結果如表5,表中為歸一化后的結果。

從表5的回歸結果可以初步看出:

1)部分自變量的回歸系數在全局范圍內未發生正負變化,如車速、年齡等變量的回歸系數均為正值,這表明在全局范圍內,這些變量對摩托車交通事故嚴重程度有正向影響。以車速為例,車速越快,摩托車交通事故嚴重程度會越嚴重。

2)另外一些變量,如逃逸、限速等變量的回歸系數均為負值,這表明在全局范圍內,這些變量對摩托車交通事故嚴重程度有負向影響。以駕駛員是否逃逸為例,若駕駛員逃逸,則駕駛員的受傷程度越輕,因為只有駕駛員未受傷或受傷程度較輕時才可能逃逸,駕駛員受傷程度嚴重的話則無法逃逸,回歸結果與事實相符。

3)其余變量的回歸系數在正負范圍內均有分布,如:涉及車輛數、市區、疲勞等變量,表明這些變量對摩托車交通事故嚴重程度的影響隨地理位置的變化呈現正向/負向作用。

4 多尺度異質性結果分析

4.1 尺度分析

空間尺度用帶寬占總樣本數量的比例來量化,帶寬占總樣本數量的比例越小,說明變量的空間尺度越小,則變量的空間異質性程度越大。傳統GWR模型的帶寬固定為8 278,體現的是各個自變量空間尺度的平均值。從表6可以看出:MGWR模型計算出不同變量的帶寬,定量地反映了自變量的差異化空間尺度。

表6 MGWR模型帶寬尺度

與駕駛員有關的變量中,疲勞駕駛的帶寬為8 343,占總樣本數量的45.1%;強光的帶寬為6 861,占總樣本數量的37.1%。

與車輛有關的變量中,車速的帶寬為5 379,占總樣本數量的29.1%;涉及車輛數的帶寬為1 704,占總樣本數量的9.2%。

與環境有關的變量中,市區的帶寬為2 360,占總樣本數量的12.8%;T型交叉口的帶寬為3 612,占總樣本數量的19.5%;夜間無燈光的帶寬為5 682,占總樣本數量的30.7%;多云的帶寬為1 662,占總樣本數量的9.0%。

上述變量的空間尺度均較小,說明這些變量的空間異質性程度較大。其余變量的空間尺度均較大,至少占總樣本數量的50%以上,幾乎屬于全局尺度。

4.2 影響因素空間異質性分析

結合MGWR模型回歸出的帶寬與系數,對空間異質性程度較大的影響因素進行分析,用ARCGIS將影響因素的回歸系數可視化,回歸系數的正負值表示影響因素對摩托車交通事故嚴重程度具有正向/負向作用,系數均值的絕對值大小表示作用強度。影響因素的可視化結果見圖2。

根據影響因素的回歸系數空間分布圖,從駕駛員、車輛和環境3個方面分析影響因素的空間異質性。

4.2.1 駕駛員因素

疲勞駕駛的回歸系數分布見圖2(a),回歸系數范圍為[-0.017,0.026],呈現正負差異,系數大小由白色點區域向黑色點區域遞增。在深灰色點區域,疲勞駕駛會導致摩托車交通事故嚴重程度增加,因為疲勞駕駛會使駕駛員生理和心理功能下降,導致行駛過程中駕駛員的判斷準確性降低。在白色點區域雖然駕駛員也是疲勞駕駛,但駕駛員受傷程度卻減少,原因可能是在這些區域,相關部門采取了措施緩解了駕駛員的疲勞程度,如增設各種警示標志、強制休息等。系數均值的絕對值為0.006,作用強度最低。

駕駛員視線受外部強光影響的回歸系數分布見圖2(b),回歸系數范圍為[-0.039,0.035],呈現正負差異,系數由白色點區域向黑色點區域遞增,但黑色點區域較小,集中分布在該州中部地區,說明在該州的絕大部分區域內,駕駛員受外界強光刺激時,摩托車交通事故嚴重程度減少,原因是駕駛員在受到強光刺激無法看清路面情況或前方車輛時,本能的會立即降低車速保證安全,從而降低駕駛員受傷嚴重程度。系數均值的絕對值為0.018,作用強度高于夜間無燈光。

4.2.2 車輛因素

車速的回歸系數分布見圖2(c),回歸系數的范圍為[0.234,0.348],系數均為正值,說明車速對摩托車交通事故嚴重程度是穩定的正向影響。即車速越快,駕駛員受傷越嚴重,該推斷與實際情況相符。系數均值的絕對值為0.292,作用強度最大。

涉及車輛數的回歸系數分布見圖2(d),回歸系數的范圍為[-0.191,0.077],呈現正負差異,系數由白色點區域向黑色點區域遞增。在該州的大部分區域,涉及車輛數與摩托車交通事故嚴重程度是負相關,僅在該州中部東側沿海的小部分區域是正相關。原因是在該區域交通流量大,車輛數量多,容易發生多車相撞的交通事故,使駕駛員受到更嚴重的傷害,其余地區則相反。系數均值的絕對值為0.077,作用強度僅低于車速。

4.2.3 環境因素

事故發生在市區的回歸系數分布見圖2(e),回歸系數的范圍為[-0.259,0.041],呈現正負差異,系數由白色點區域向黑色點區域遞增。在黑色點區域地區,事故發生在市區會使駕駛員遭受更嚴重的傷害,因為市區環境和交通組成復雜,人流量和車流量比郊區更大。而在其余區域,事故發生在郊區會增加摩托車交通事故嚴重程度,因為郊區車流量較少,駕駛員容易發生超速等違規行為,導致摩托車交通事故嚴重程度增加。系數均值的絕對值為0.053,作用強度低于涉及車輛數。

T型交叉口的回歸系數分布見圖2(f),回歸系數的范圍為[0.005,0.091],系數均為正值,說明T型交叉口對摩托車交通事故嚴重程度是穩定的正向影響,即在T型交叉口處發生事故時駕駛員會受到更嚴重的傷害。因為T型交叉口一般設置在較偏僻的路段,用于搭接支路,在車流量不大的情況下往往不設置信號燈,導致行車方式會比普通路口更隨意,從而造成更嚴重的交通事故。系數均值的絕對值為0.051,作用強度低于市區。

夜間無燈光的回歸系數分布見圖2(g),回歸系數的范圍為[-0.034,0.045],呈現正負差異,系數由白色點區域向黑色點區域遞增。黑色點區域的系數為正,說明在該州的大部分區域,夜間無燈光的環境下會導致摩托車交通事故嚴重程度增加,因為駕駛員在黑暗環境下,摩托車自身燈光照明范圍有限,駕駛員無法看清路面或周邊情況,出現意外狀況時無法及時做出正確反應。白色點區域系數為負,集中分布在該州的東北角區域和東南角沿海區域,說明在該區域,夜間無燈光的情況會降低摩托車交通事故嚴重程度,原因可能是在該區域,相關部門在路側增設了警示警告標志,并設置了保護措施,駕駛員主動降低車速、保持警惕,提高了安全水平。系數均值的絕對值為0.013,作用強度高于疲勞駕駛。

多云天氣的回歸系數分布如圖2(h),回歸系數的范圍為[-0.046,0.146], 呈現正負差異,系數由白色點區域向黑色點區域遞增。白色點區域集中在該州的中部和南部少數區域,該州大部分區域的系數為正,說明在多云天氣的條件下,大部分區域發生交通事故時摩托車交通事故嚴重程度會增加。因此相關部門應該在多云天氣時,利用多種方式提醒駕駛員行車過程中注意安全。系數均值的絕對值為0.048,作用強度高于強光。

5 結 語

1)MGWR模型在傳統GWR模型上增加了尺度的計算,通過分析不同解釋變量的空間尺度差異,定量反映了各因素對摩托車交通事故嚴重程度的空間異質性程度。

2)在全局尺度的影響因素中,駕駛員逃逸、道路限速、單向行駛道路等因素對摩托車交通事故嚴重程度是負向影響,彎道、未戴頭盔、生病等因素對摩托車交通事故嚴重程度是正向影響,同時這些因素的空間異質性程度較小。

3)在空間異質性程度較大的影響因素中,變量多云的空間尺度最小,其空間異質性程度最大,其他影響因素按空間異質性程度從大到小分別為:涉及車輛數、市區、T型交叉口、車速、夜間無燈光、強光、疲勞;同時,變量車速的系數均值絕對值最大,其作用強度最大,其他影響因素按作用強度從大到小依次為:涉及車輛數、市區、T型交叉口、多云、強光、夜間無燈光、疲勞。

4)在研究交通事故影響因素的異質性時,只考慮了空間異質性,未考慮時間的非平穩性,綜合時間不穩定性與空間異質性分析是今后研究的方向之一。

筆者采用了國外的摩托車交通事故數據進行了研究,雖然我國交通情況較國外有一定的特殊性,但從發達國家的摩托車交通事故中吸取經驗教訓是有價值的。首先國內的交通事故數據在記錄時可以進一步豐富交通事故數據的內容;其次,摩托車交通事故嚴重程度的影響因素存在空間異質性,后續研究如何將國內不同區域的特征作為影響因素納入模型考慮,構建更符合國內情況的空間模型,是進一步研究方向;最后,因為摩托車交通事故的影響因素具有空間異質性,相關部門在制定交通安全策略時,應根據不同區域的情況因地制宜地制定。