基于XGBoost和混合Logit模型的機動車對撞事故受傷嚴重程度分析

關鍵詞：交通安全；傷害嚴重程度；機器學習；XGBoost模型；混合Logit模型中圖分類號：F540；U491.31 文獻標志碼：A DOI： 10.13714/j.cnki.1002-3100.2025.12.013

Abstract：Thisaticleanalyzestheinfluencingfactorsof head-oncolionsinvolvingmotorvehicles，inlightoftherisingnumberof suchacidentsThearticleobtainstraffcacidentdatafromNorthCarolina，USA，coveringtheyearsfrom2O13to2017. Itcategorizestheseverityofacidentsbasedontheinjuryseverityofpeopleinvolved，using fourmainaspects：humanfactors， vehicleharacteristics，roadconditionsandenvironmentalinfluences.Atotalof41factorsareselectedasindependentvariables， whiletheseverityofinjuriesservesasthedependentvariable，ategorizedintofivelevels：noinjuries，minorinjuries，serious non-disablinginjuries，seriousdisablinginjuries，andfatalinjuries.ApredictivemodelisestablishedbasedontheExtreme GradientBosting （XGBost）algorithmandmixedLogitmodel.First，theaccidentdataisanalyzedusingtheXGBostpredictive modeltoidentifythetop2Oindependentvariablesthatsignificantlyimpacttraficaccidents.Thesevariablesarethenputinto themixed Logit model to filter for independent variables with a significance level of Plt;0.05 .The results indicate that four variables-drivercharacteristcs（drivingudertheinfluence），roadcharacteristics（curvature）oadconditions（icysurfaces）and functionalareas （farmlands，forests，pastures）—exhibitrandomorparametercharacteristics.Ananalysisofthemarginaleffects from the mixed Logit model shows that when vehicle speed limits exceed 60km/h ，the risk of serious disabling injuriesis increased by 0.71% ，and the probability of fatal accidents rises by 0.83% ，compared to speed limits between 36km/h and 60km/h . Basedonthesefindings，measurescanbeakentopreventtheoccurenceofsuchaccidents，providingdatasupportandaheoretical basis for traffic managers and policymakers.

KeyWords：traffic safety;injuryseverity;machine learning;XGBoostmodel;mixedLogitmodel

0引言

世界衛生組織最新發布的《2023年道路安全全球現狀報告》中指出，自2010年以來，道路交通死亡人數每年下降 5% 降低至每年119萬人。近幾年來我國交通安全事故頻發，嚴重阻礙了我國交通行業的健康發展，2024年國家統計局數據統計顯示，2022年全國共發生交通事故256409起，其中機動車交通事故發生215 627起。中國2004—2013年道路交通事故數據顯示，道路上由于逆行發生的對撞交通事故占全年交通事故總數的 3%～5% 。此外，2013年機動車肇事的死亡人數在所有原因中排名第四。世界衛生組織啟動《全球道路安全行為十年計劃》，其目標為在2030年之前將全球道路交通傷亡人數降低至少50% 。交通事故影響廣遠、危害嚴重，應當引起人們的足夠重視，應對產生交通事故的原因進行深度調查，進而制定科學的措施，減少交通事故的發生。因此對交通事故人員受傷嚴重程度進行預測和分析，準確找到造成車輛發生頭碰頭對撞交通事故的影響因素意義重大。

機動車發生頭碰頭對撞事故導致人員受傷嚴重程度不同受到多方面因素影響，包括車輛碰撞前的速度、車輛類型、駕駛員及乘客的年齡分布以及是否酒后駕駛、事故發生的環境（如天氣、路況）等。

國內外對交通事故嚴重性程度進行分析的相關研究已開展多年。在研究方法上，國內外研究概況如下：Weietal從駕駛員、車輛、駕駛環境等影響因素方面選取14個變量，建立路側碰撞貝葉斯二元Logit模型。采用偏離信息準則和接收器工作特性曲線對交通事故模型進行擬合優度檢驗；Ren et al.4利用美國聯邦鐵路管理局2020—2021年的事故數據，旨在預測事故傷害嚴重性結果，并探討影響事故傷害嚴重性的各種因素，使用XGBost模型和SHAP提供了與碰撞、交叉、車輛、駕駛員和環境相關的風險因素的基于證據的層次結構和統計推斷；Kim et al5用隨機森林模型、XGBost模型、神經網絡模型以及Logistic 回歸模型，對天氣變化帶給高速公路事故的風險進行定量評估，發現隨機森林模型表現最佳；林慶豐等采用Logistic模型分析2017年收集的非交通事故集的嚴重程度；鄧卓通過SMOTENC算法對美國2022年交通數據集進行采樣，從時空因素、天氣狀況和路況條件分析影響交通事故嚴重程度的13個因素，利用RStudio中的XGBoost函數建立多分類預測模型，模型準確率達到了 89.76% 。Rampinelli et al8利用智利圣地亞哥收集的行人碰撞數據和識別的空間數據聚類，建立了部分比例賠率模型（PPO），發現男性和老年人、晚上或周末，駕駛員或行人不遵守交通規則，具有酒后駕駛行為，行人不服從交通標志指導等，均會增加致命車禍的概率；Mahashash etal9使用Logit模型（BLM）檢查了1255起農村高速公路事件，以確定傷害嚴重程度的決定因素。研究發現，迎面相撞、高速行駛、使用私家車和周末事件顯著增加了嚴重傷害的可能性；Jamaletal.運用XGBoost模型進行特征重要度分析，發現碰撞類型、天氣狀況、路面狀況、現場損傷類型、光照條件和車型是預測碰撞損傷嚴重程度的少數敏感變量；王立曉等用偏轉系數來構建Scobit模型加人傳統的二項式Logit模型上，以此預測交通事故的傷害嚴重程度。

在研究內容與結果方面，國內外研究概況如下：肖樂[12以528例交通事故數據為樣本，以車輛損失程度和傷亡狀態作為因變量，建立有序Probit模型，結果表明人為因素、車輛類型、碰撞位置、路燈和交通信號燈狀態，均顯著影響事故發生的概率，其中超速駕駛、酒后駕駛發生嚴重交通事故的概率會嚴重增加；Yang et al.13]探索道路和環境因素對高速公路交通事故嚴重程度的影響，并建立高速公路交通事故嚴重程度預測模型。首先對獲取的歷史交通事故數據變量進行篩選，從道路和環境兩個角度歸納出11個影響因素，并對相關變量進行離散化處理；Wang et al.l研究表明：駕駛員自身因素、道路條件、車輛在道路上行駛時間，以及天氣狀況等因素顯著影響事故嚴重性；董傲然等15采用一些優勢比率分析模型和彈性分析方法發現，行人和機動車駕駛員的性別以及道路類型對行人受傷嚴重程度有非常重要的影響；Sari et al重點分析導致道路交通事故的因素，通過卡方分析進行了交叉分類，卡方分析的結果表明，人為因素（如疏忽和超速）以及道路和環境因素（如水平布置、道路寬度、清晰區域、交通標志、路面標記和土地使用）都會影響交通事故；Rolison et al.u研究2005—2012年英格蘭的交通事故，發現年輕駕駛員的車禍與挑戰駕駛條件、冒險行為、缺乏經驗等因素有關，揭示了年輕駕駛員參與車禍的深層次原因，其中由于年輕人對天氣惡劣并且濕滑的道路判斷經驗不足，超速行駛造成交通事故的風險增加，特別是17～20歲年齡組，遠高于所有其他年齡組，女性占 22.9% ，男性占 18.6% ；Wangetal.8引入隨機效應負二項模型研究交通流動態特性對交通事故風險的影響，結果表明平均速度較低且車道內速度變化較大時事故風險往往較高；Yeet al.1在交通事故模型中加入與道路幾何條件相關的變量，經過研究分析發現濕滑路面、水平曲線半徑及長度、惡劣天氣、無燈光夜晚等條件會使死亡事故概率顯著增加；Eboli et al.20運用Logit模型研究外部環境對事故發生后碰撞的嚴重程度產生的影響。結果表明，車型、超速行駛、車流等都會對碰撞程度產生影響，顯著影響事故嚴重程度的變量因引發事故的不同情況組合而不同。Sony et al2l對道路事故預測的研究，特別是異構交通條件下城市道路的交通事故預測研究進行了綜述分析，該研究有助于研究人員在城市道路交通事故預測方面更好地解決當前異構交通狀況面臨的問題，并且分析結果表明運行速度以及限速與運行速度之間的差異是影響事故發生率的關鍵因素。

綜上所述，發現大部分研究者采用單一模型進行分析，單一模型往往本身具有缺點，模擬預測出的結果具有較大局限性。在以上研究中研究人員在分析交通事故時所設置影響因素較少，往往不能全面科學地為交通管理者提供堅實可靠的理論依據。本文結合運用XGBost模型與混合Logit模型進行分析，XGBoost模型在處理大規模數據時表現出色，能夠并行處理，具有較高的效率，通過迭代優化模型，在預測精度上通常優于其他算法，混合Logit模型能夠充分考慮各參數之間的關聯性，且能更好地反映各影響因素對交通事故人員受傷嚴重程度的作用效果。

1數據描述

本文采用的是美國北卡羅來納州2013—2017年機動車發生頭碰頭碰撞事故的10 286條數據，根據事故人員受傷嚴重程度分為五個等級：人員未受傷、受到輕傷、重傷未致殘、重傷但致殘、致命傷害，從人、車、路、環境四大方面進行影響因素分析，每個分類變量建立一個基變量，并在表1中用星號標出基變量。

2研究方法

2.1 XGBoost模型

本文采用的XGBoost模型是在2016年[22提出的一種梯度增強決策樹（GBDT：gradient boosting decision tree）的改進算法，主要優化了目標函數、優化方法、缺失值處理和防止過擬合等方面，采用了正則化和并行處理，以提高模型的性能和效率。XGBoost模型的核心算法是梯度提升，它是一種集成學習算法，通過逐步迭代方式訓練一系列弱學習器（通常是決策樹），每一次迭代都嘗試糾正前一次迭代的誤差，最終將這些弱學習器組合成一個強學習器，并利用梯度下降方法來最小化損失函數，從而不斷改進模型的預測能力。

XGBoost模型計算公式包括以下幾個關鍵部分。

關于 n 條 m 維的數據集，XGBoost模型如下。

是CART決策樹結構集合。

q ：樣本映射到葉子節點的樹結構;

T ：葉子節點數；

ω ：葉節點的實數分數。

根據目標函數最小化原則尋找最優參數，以建立最優模型，則 XGBoost 模型的目標函數（ObjectiveFunction）是損失函數和正則化項的組合，XGBoost使用目標函數來進行模型訓練，其中正則化項有助于防止過擬合。目標函數表達式如下。

Obj=L+Q

其中： γT 是 L1 的正則項， 是 L2 的正則項。

在保留原有模型的前提條件下，使用訓練數據對模型進行優化訓練，需要加入一個新的函數f到模型中，具體過程如下。

此時目標函數如下。

在XGBoost算法中，為了快速尋找到目標函數最小化的參數，對目標函數進行二階泰勒展開，得到近似目標函數。

去掉常數項后，目標函數只與誤差函數的一階和二階導數相關，此時目標函數如下。

若 q 部分已知，可使用目標函數尋找最優 ω_j ，進而得到最優目標函數值，其本質可歸為二次函數的最小值求解問題。

Obj：作為評價模型的打分函數，該值越小則模型效果越好，使用上述樹建立的方法可得到大量回歸樹結構，可用 Obj 進行搜索最優的樹結構，將其放入已有模型中，從而建立最優的XGBoost模型。使用XGBoost模型主要步驟如下。

通過訓練集數據來建立XGBoost回歸模型；

通過建立的XGBoost來計算特征重要性；

將建立的XGBoost回歸模型應用到訓練、測試數據，得到模型評估結果：

由于XGBoost具有隨機性，每次運算的結果不一樣，若保存本次訓練模型，后續可以直接上傳數據代人到本次訓練模型進行計算預測。

2.2混合Logit模型

本文主要是對機動車發生頭碰頭事故的嚴重程度進行分析，即發生事故后，從事故的嚴重程度來分析人、車、路、環境四方面哪些是造成事故的重要影響因素，采用混合Logit模型進行數據分析。混合Logit模型是一種用于建模個體選擇行為的統計模型，也是Logit模型的擴展，允許個體的選擇行為受到不同參數化的概率分布影響。

在混合Logit模型中，假設個體的選擇行為受到多個概率分布的影響，這些概率分布可以反映出不同的選擇偏好或者不確定性。其效用函數定義為一個線性函數。

U_ij=β_iX_ij+ε_ij

式中： U_ij 為發生的第j起事故中，行人的受傷程度為 i 的效用函數； X_ij 為行人、駕駛員、道路和環境特征等自變量向量； β_i 表示影響受傷嚴重程度的自變量 X_ij 的估計參數向量； ε_ij 為誤差項。

假設 ε_ij 服從極值分布，則每起交通事故中行人所遭受的受傷嚴重程度的概率[23]表示如下。

其中I是所有受傷嚴重程度 i 的集合 （I=5） 。為解決未考慮到的個體差異性，混合Logit模型采用隨機參數 β ， β 可以表示固定參數和隨機項的線性組合，混合模型的概率密度函數進一步表示如下。

式中： 表示為隨機向量 β 的概率密度函數； φ 表示描述概率密度函數的參數向量（例如：正態分布的均值和方差）。

2.3 邊際效應

在交通事故中，邊際效應分析可以幫助理解各種因素對交通事故發生的影響，分析邊際效應的結果，理解各個因素對事故發生率的影響程度。通過邊際效應能夠進一步確定哪些因素會造成不同程度的交通事故。在本研究中所有自變量均被編碼成虛擬變量，因此所有自變量的邊際效應24計算如下。

當第 k 個二進制指標變量 X_ijk 分別等于1或0時，計算單個事件 j 的每個嚴重程度級別特定的概率。每個參數的邊際效應是通過平均所有觀測值的邊際效應來計算的。

3模型預測結果

3.1XGBoost模型預測結果分析

將11大類的影響因素41個自變量，刪去每類因素的基礎數據，將剩下的29個自變量在XGBoost回歸模型中進行分析，并根據對發生交通事故的影響大小將這些因素進行排序。XGBoost模型預測結果顯示：結冰一路面特征，鄉村一道路位置，速度大于 60km?h^-1 ，農場、林區、牧場一功能區，二級公路一公路等級，商業區一功能區，車速分布在 ，貨車一車輛類型，酒后行駛—駕駛員特征，雪和冰雹一天氣，USstate—道路等級，年齡小于20歲，年齡大于等于60歲，洲際公路一道路類型，SUV一車輛類型，夜晚有路燈一光照條件，皮卡一車輛類型，下雨天一天氣，夜晚無路燈一光照條件，彎曲一道路特征這些前20個自變量對交通事故產生了重要影響，其預測結果如圖1所示。

由圖1可知，結冰一路面對交通事故的發生產生了重要影響，在各影響因素中占比高達 9.8% ，其次是處于鄉村地區的道路，對機動車頭碰頭對撞事故的發生影響高達 8.6% ，當機動車高速行駛時，對交通事故發生的影響占比達 5.6% 。車速分布在 ，商業地區、洲際道路、農場、林場、牧場對交通事故的發生影響占比在 4.9%～5.0% 之間。XGBoost回歸模型只能評價出各自變量對因變量的影響占比，無法給出具體影響因素對交通事故發生的影響。

3.2混合Logit模型結果

將 XGBoost模型篩選出的前20個自變量放入混合Logit模型中進行運行分析，識別了以下4個變量的參數具有隨機性：酒后駕駛—駕駛員特征，農場、牧場、林場—功能區，彎曲—道路特征，結冰—路面特征，由表2可知酒后駕駛—駕駛員特征的服從均值為-1.730 8、方差為5.680 3的正態分布，即對于在酒后發生事故且事故人員受傷嚴重程度定義為輕傷的占比為 38.2% 對于“功能區一農場、林場、牧場”發生致命傷的交通事故參數服從均值為0.1651、方差為1.5523的正態分布，表明在這些地方發生交通事故且定義為致命傷的概率為 46% 。在道路特征為“彎曲”的路況上發生重傷致殘的交通事故所對應的參數服從均值為-2.1770、方差為4.7776的正態分布，說明在彎曲道路上發生重傷致殘的交通事故概率為 32.6% 。當道路表面結冰時發生的重傷且致殘的交通事故參數服從均值為-7.1332、方差為4.4040的正態分布，表明當道路表面為結冰狀態時，發生重傷致殘的交通事故概率為 5.3% 。

續表

3.3邊際效應結果及分析

由表3可知，邊際效應結果在駕駛員特征類別中，隨著年齡的增大，重傷未致殘、重傷致殘、致命傷的邊際效應結果均為負數，發生交通事故所引發的人員重大傷亡概率會降低。酒后駕駛在發生重傷未致殘、重傷致殘、致命傷的重大事故概率均為正數，即均出現增長。在道路特征方面，郊區、農場、林場、牧場發生重大事故均有不同程度地增加，在商業功能區發生的輕微事故較多，重大交通事故有所降低。

在道路特征方面，道路位置—郊區，功能區—農場，林場、牧場，道路特征—彎曲，道路類型—US在發生交通事故為重傷未致殘、重傷致殘、致命傷均有不同的增加；在車輛特征方面，車輛類型一貨車、車速分布為 36km?h^-1 以上發生嚴重交通事故的風險均會不同程度地增加。

3.3.1 駕駛員特征分析

根據邊際效應結果和圖2分析，駕駛員在60歲以上出現的交通事故人員受傷嚴重程度為重傷的概率會降低，發生致命傷重傷致殘的交通事故風險分別會下降 0.6% 、 0.52% ，發生重傷未致殘的交通事故概率下降了 0.74% ，導致此結果可能是60歲以上老年人駕駛機動車更加謹慎，對路況的判斷經驗也更為豐富，該研究結果與Rolison et al.1的研究結果一致。酒后駕駛使得機動車發生重傷事故的概率增加，酒后駕駛發生人員受到重傷未致殘交通事故、重傷致殘交通事故、致命交通事故的風險概率分別會增加 4.77% 、 3.32% 和 3.87% 。酒后駕駛均不同程度地增加了交通事故發生的概率，故交通管理者和交通參與者在此方

面應給予重視，交通參與者也應該加強交通安全意識。交通管理者可采取相應措施避免駕駛者酒后駕駛，可對道路上駕駛員的狀態進行不定時檢測，以此監督駕駛員不會在飲酒后駕駛。

3.3.2 道路特征分析

在道路的位置方面，本研究將道路位置分成郊區與城市兩類，由邊際效應結果可知道路在郊區地帶所發生人員受到重傷未致殘的交通事故會增加3.33% 的風險，發生重傷且致殘交通事故的概率增加 2.32% ，受到致命傷的概率增加 2.70% ，由于在鄉村地區，駕駛員的駕駛警惕心會有所下降，在郊區地帶也缺乏攝像等監控措施，處于郊區的居民缺乏交通安全意識，交通違規違法行為時有發生以及交通管理人員的缺失等均能增加郊區地帶發生交通事故的概率。

由表3邊際效應預測結果可知，道路所在功能區，其中農場、林場、牧場發生嚴重交通事故的概率會上升，發生人員受到重傷未致殘、重傷致殘、致命傷交通事故的概率分別會增加 3.26% 、 2.26% 和 2.64% ，此結果可能是由于在農場、林場、牧場這些區域的機動車密度較低，駕駛員的行駛速度較快且道路沒有設置相應的減速措施，機動車質量較低等，一旦發生碰撞會因為較高的行駛車速、不完善的照明設施從而增加發生嚴重事故的風險。

當道路在商業功能區時，由表3可知，發生的交通事故人員受傷嚴重程度不高，其中發生輕傷的交通事故概率增加 2.45% 發生嚴重的交通事故概率反而降低，發生重傷未致殘、重傷且致殘和致命的交通事故發生概率降低了 4.81% 、 3.35% 和 3.91% 導致該類結果的原因可能是在商業區機動車密度較高，能夠使駕駛員在駕駛機動車時保持較高的警惕心，商業區有比較完善的限速、渠化措施，可以有效地分離車流，照明設施也較為完善，這些舉措會使發生重大交通事故的概率下降，但由于機動車數量巨大，發生輕微交通事故的概率會增加。

從道路表面路況進行分析，本研究將道路表面分為道路表面干燥、濕潤和結冰三種類型，當路面處于結冰狀態時對交通事故發生的概率要大于當路面處于干燥和濕潤時，由表3可知，路面處于結冰狀態時發生輕微事故會大大增加，未受傷交通事故發生的概率增加了 24.64% ，發生輕傷交通事故的概率增加 6.28% ，同時從邊際效應預測結果中可知發生重大事故的風險在下降，人員受到重傷未致殘、重傷致殘、致命傷的交通事故概率分別降低 12.34% 、 8.57% 和 10.01% 。路面結冰時，機動車行駛時輪胎與路面的摩擦力會大大下降，此時機動車在低速行駛時，若遇到緊急情況，隨著機動車制動能力的下降往往會發生輕微碰撞。

在分析道路在直線和彎曲狀態下發生的交通事故概率時，本文在混合Logit模型中選擇直線道路作為基礎數據，由混合Logit模型結果可知，彎曲道路上發生人員受到重傷未致殘交通事故、重傷致殘交通事故和受到致命傷交通事故增長的概率分別是 2.9% 、 2.01% 和 2.35% 。在彎曲道路上行駛的機動車往往會由于過高的速度在轉彎時發生車輛失控的狀況，車輛在失控后進入相反方向的車道從而發生機動車頭碰頭交通事故，因為此時機動車速度較快且不受駕駛員控制往往會發生重大的交通事故。交通管理部門可在彎曲的道路設置警示設施和減速設施，以減少重大交通事故發生的概率。

3.3.3 車輛特征分析

本研究將車輛類型分為四類，分別為客車、皮卡、SUV和貨車，其中在混合Logit模型中篩選出貨車會對發生交通事故產生重要影響。由表3可知車輛類型為貨車發生人員受到重傷未致殘、重傷致殘和致命傷的交通事故均有不同程度的增加，分別增加 2.38% 、 1.66% 和 1.93% 。貨車由于其質量、體積及車速等因素往往會發生一些較為嚴重的交通事故，貨車在制動方面的性能比客車、皮卡和SUV差一些，同時，貨車還有一定的視野盲區，當發生交通沖突或碰撞時，貨車駕駛員無法及時做出

車輛制動的措施，往往會發生導致人員受到重傷的交通事故。該分析結果可為交通管理部門管理貨車較多區域提供數據支撐，交通管理部門可在貨車出現頻次較高的區域設置限速措施，使貨車在低速下保持行駛，以便發生緊急情況時，能夠及時做出制動行為，避免發生交通事故和避免使交通事故升級。

在車輛速度方面，本研究將車輛速度分為三部分，分別是低速：速度 ?35km?h^-1 ，中等速度：速度在 36～ 60km?h^-1 ，高速：速度 gt;60km?h^-1 ，并將“速度 ?35km ·$＼ln ^ { - 1 } ^ { ＼prime }$ ’作為混合Logit模型中的基礎數據，從邊際效應分析的結果發現車速分布在 36～60km?h^-1 與車速大于 60km?h^-1 發生輕微交通事故的概率均會下降，而發生重大交通事故的概率均會增加。由表3可知，當限制車速處于 36～60km ·

時，發生人員受到重傷未致殘、重傷且致殘以及致命傷的交通事故的風險分別會增加 3.61% 、 2.51% 和 2.93% ；當機動車行駛速度大于 60km?h^-1 時，發生重傷未致殘、重傷致殘、致命傷的交通事故發生概率分別增加 4.63% 1 3.22% 和 3.76% 。

將機動車以 36～60km?h^-1 速度行駛與機動車以 60km?h^-1 的速度行駛發生的交通事故風險進行比較，由圖3可知機動車在高速行駛狀態下發生人員受到重傷未致殘的交通事故風險比機動車處于 36～60km?h^-1 速度時發生的交通事故風險多 1.02% ，重傷且致殘的交通事故風險多 0.71% ，受到致命傷交通事故的概率多 0.83% ，此結果與Mahashhashetal.的研究結果一致，即高速行駛會使嚴重的交通事故顯著增加。由此看來，機動車在高速行駛時將會增加發生重大交通事故的概率，故交通管理者應做好限速措施，同時駕駛員在駕駛機動車時，也應該將車速控制在安全范圍內，避免發生重大交通事故。

4總結

本研究基于北卡羅來納州2013—2017年機動車發生頭碰頭對撞事故的共 1 0 286 條數據，將數據從人、車、路和環境四大方面細化分成11類影響機動車發生頭碰頭對撞事故的因素，再將11類影響因素細化分成41個自變量，將交通事故的嚴重程度作為因變量。將處理好的數據放在XGBoost模型和混合Logit模型進行預測分析，最后將篩選后的因變量放入邊際效應模型中進行分析。

由XGBoost回歸模型結果可知導致交通事故發生的前20個重要影響因素，但無法給出每個自變量對機動車發生頭碰頭交通事故的具體風險概率，其中結冰一路面特征，鄉村地區一道路位置，速度 gt;60km?h^-1 一行駛速度，農場、林場、牧場一功能區，洲際公路一道路類型，商業地區一功能區，速度在 36～60km?h^-1 一行駛速度對發生交通事故影響作用占總體因素前列，其中結冰一道路表面對發生交通事故的影響最大。

由混合Logit模型預測的結果可知有四個自變量的參數是隨機的，分別是酒后駕駛—駕駛員特征，農場、牧場、林場一功能區，彎曲一道路特征，結冰一路面特征。由邊際效應結果可知當機動車以 .gt;60km?h^-1 的速度行駛時，易發生重大事故，其中發生致命傷的交通事故會增加 3.76% ，故應該在易發生交通事故的區域建立限速措施，并且加強監控措施測定車輛行駛時的速度，以便將速度控制在最合理范圍內。在結冰的路面上行駛時發生受傷嚴重程度為輕傷的交通事故的概率會增加 6.28% ，故在季節寒冷時應及時關注路面狀況，及時養護路面，避免交通事故的發生；雙向分隔的道路發生重大交通事故率降低，所以應該在道路進行渠化，合理地分配車流。

本研究將XGBost模型和混合Logit模型相結合，綜合分析了導致機動車發生頭碰頭對撞事故的影響因素，從而為交通管理者制定措施時提供理論依據和數據支撐。本文在研究過程中也存在以下不足：本文只將XGBost模型與混合Logit模型進行融合以預測結果，并未考察該模型的擬合度是否優于其他模型之間的擬合度；在數據因變量方面，僅籠統概括以人員作為基準的事故嚴重性，未具體細分為駕駛員、乘客、受傷人數等。

參考文獻：

[1]World HealthOrganization.Global statusreportonroadsafety2O23[M/OL].Switzerland：WorldHealthOrganization2023. （2023-12-13）[2024-09-03].https：//www.who.int/publications/i/item/9789240086517.

[2]NationalBureauofStatistics[EB/OL].（2023-01-01）[2024-09-03].htps//data.stats.gov.cn/easyquery.htm？cn=C01amp;zb= A0S0D01amp;sj=2023.

[3]WEIFulu，CAIZhengganGUOYongqing，etal.Analysisofroadsideacidentseverityonuralandurbanroadways[J].Intellgent Automation Soft Computing， 2021，28（3）：753-767.

[4]RENQiaoqiao，XUMin，ZHOUBojian，etal.Traficsafetyassessmentandinjuryseverityanalysisforundivided two-way highway-rail gradecrosings[J/OL].Mathematics，2024，12（4）.[2024-09-05].htps：/doi.org/10.3390/math12040519.

[5]KIM D，JUNG S，YOONS.Riskpredictionforwinterroadacidentsonexpressways[J/OL].Applied Sciences，2021，（20）. [2024-09-05]. https：//doi.org/10.3390/app11209534.

[6]林慶豐，鄧院昌．廣東省機-非交通事故時空特征與嚴重程度分析[J].科學技術與工程，2019，19（29）：327-332.

[7]鄧卓，趙陽．基于XGBo0st模型的交通事故嚴重程度預測[J].中國交通信息化，2024（6）：121-124.

[8]RAMPINELLIA，CALDERONJF，BLAZQUEZAC，etal.Investigating therisk factorsasociatedwith injuryseverityin pedestriancrashesinSantiago，Chile[J/OL].InternationalJourmalofEnvironmentalResearchandPublicHealth，2O2219（17）. [2024-09-06]. https：//doi.org/10.3390/ijerph191711126.

[9]MAHASHHASHBOM，MDUSOFFIN，YAZIDMRM，etal.Factorsinfluencinginjuryseverityinroadtraficcolisions： AcomprehensiveanalysisfromLibya.InternationalJournalofTransportDevelopmentandIntegration，2O23，7（4）：303-310.

[10]JAMALA，ZAHIDM，TAUHIGERRAHMANM，etal.Injuryseveritypredictionoftraffccrasheswithensemblemachine learningtechniques：Acomparativestudy[J].InternationalJounalofInjuryControlandSafetyPromotion21，28（4）：408427.

[1]王立曉，左志，楊曄，等．基于 Scobit 的交通事故受傷嚴重程度模型[J].重慶交通大學學報（自然科學版），2020，39（4）：1-5.

[12] 肖樂，周華，王朝健，等．交叉口車車碰撞事故車損程度的影響要素[J].汽車安全與節能報，2023，14（1）：23-30.

[13]YANG Yang，WANGKun，YUANZhenzhou，etal.Predicting freewaytraffccrashseverityusingXGBoost-Bayesiannetwork modelwithconsiderationoffeatureinteraction[J/OL].JournalofAdvanedTransportation，2022：1-16.[2024-09-0.https：/ doi.org/10.1155/2022/4257865.

[14]WANG Yonggang，LUO Xianyu.Analyzingrear-endcrashseverityforamountainousexpresswayinChinaviaaclasification andregression tree with random forestapproach[J]. Archives of Civil Engineering，2O21，67（4）：591-604.

[15]董傲然，王長帥，秦丹，等．機動車-行人事故中行人傷害嚴重程度分析[J]中國安全科學學報，2020，30（11）：141-147.

[16]SARI N，MALKHAMAHS，SUPARMABL.Roadtraficacidentsfactoronuralarterialroads[J].JouralofAppliedEngineering Science， 2024，22（2）：470-482.

[17]ROLISONJJ，MOUTARIS.Combinationsoffactorscontributetoyoungdrivercrashes[J].JournalofSafetyResearch，2020 （73）：171-177.

[18]WANG Chen，ZHONG Ming，ZHANGHui，etal.Impactsofreal-time traficstateonurban expresswaycrashes bycolion and vehicle type[J/OL]. Sustainability，2022，14（4）.[2024-09-08]. https：/doi.org/10.3390/su14042238.

[19]YEFeiCHENGWen，WANGChangshuai，etal.Investigatingtheseverityofexpresswaycrashbasedontherandom parameterlogitmodelacountingforunobservedheterogeneityl/OL].AdvancesinMechanicalEngineering，2021，13（12）. [2024-09-08]. https：//doi.org/10.1177/16878140211067278.

[20]EBOLILFORCINIC.TheseverityoftraffccrashesinItaly：Anexplorativeanalysisamongdiferentdrivingcircumstances[J/OL]. Sustainability，2020，12（3）.[2024-09-10]. https：//doi.org/10.3390/su12030856.

[21] SOYB，RAOCHH.Reviewandanalysisofroadwaycrashpredictionstudiesonurbanroadsunder heterogeneoustraffic conditions[C/OL]/InternationalConferencesonAdvancesinCivil （ICACE2021）.IOPConferenceSeries：MaterialsScience andEngineering，2021，1197（1）：1-10.（2021-1-01）2024-09-10].htps：//ww.researchgate.et/publication/35654489Rview_and_analysis_of_roadway_crash_prediction_studies_on_urban_roads_under_heterogeneous_trafic_conditions.

[22] CHEN Tianqi，GUESTRINC.XGBoost：A scalable tree bostingsystem[C/OL// KDD'16：Procedingsof the 22ndACM SIGKDD International Conferenceon KnowledgeDiscoveryandData Mining，San Francisco，2016：785-794.（2016-08-13） [2024-09-15]. https：//doi.org/10.48550/arXiv.1603.02754.

[23]LIUPengfei，FANWei （David）.Modeling head-oncrashseverityonNCDOTfreeways：Amixedlogitmodelapproach[J]. Canadian Journal of Civil Engineering，2019，46（4）：322-328.

[24]LIUPengfei，FANWei（David）.Analyzinginjuryseverityofrear-endcrashesinvolvinglargetrucksusingamixedlogit model：A case study in North Carolina[J]. Journal of Transportation Safetyamp; Security，2O22，14（5）：723-736.