基于空间广义有序Probit模型的高速公路事故严重程度分析

doi:10.12141/j.issn.1000-565X.210758

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (1): 114-122.doi: 10.12141/j.issn.1000-565X.210758

所属专题： 2023年交通运输工程

基于空间广义有序Probit模型的高速公路事故严重程度分析

胡郁葱韦湖曾强

华南理工大学土木与交通学院，广东广州 510640

收稿日期:2021-12-01 出版日期:2023-01-25 发布日期:2023-01-02
通信作者: 曾强（1988-），男，博士，副教授，主要从事交通安全和交通组织研究。 E-mail:zengqiang@scut.edu.cn
作者简介:胡郁葱（1970-），女，博士，副教授，主要从事交通规划与设计研究。E-mail:ychu@scut.edu.cn.
基金资助:
科学技术部政府间国际科技创新合作重点专项(2017YFE0134500);广州市科技计划项目(202102020781);华南理工大学中央高校科研基本业务费专项资金资助项目(2020ZYGXZR007)

Analysis of Freeway Crash Severity Based on Spatial Generalized Ordered Probit Model

HU Yucong WEI Hu ZENG Qiang

School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2021-12-01 Online:2023-01-25 Published:2023-01-02
Contact: 曾强（1988-），男，博士，副教授，主要从事交通安全和交通组织研究。 E-mail:zengqiang@scut.edu.cn
About author:胡郁葱（1970-），女，博士，副教授，主要从事交通规划与设计研究。E-mail:ychu@scut.edu.cn.
Supported by:
the International Science & Technology Cooperation Program of China(2017YFE0134500)

摘要/Abstract

摘要：

为深入了解影响高速公路交通事故严重程度的显著因素，以广深沿江高速东莞段2014—2019年事故数据为研究对象，将事故严重程度分为3类（即无伤亡事故、轻伤事故、重伤亡事故），并以事故严重程度为因变量、13个潜在影响因素为自变量，通过条件自回归先验解析相邻事故间的空间相关性，建立不同关联距离阈值的空间广义有序Probit模型。结果表明：事故数据间存在显著的空间关联；空间广义有序Probit模型优于广义有序Probit模型和多项Logit模型，基于250 m关联距离阈值的空间广义有序Probit模型表现最优。该模型参数估计显示：车辆类型和归属地、事故发生时间、事故地点曲率、桥梁路段和事故类型对高速公路事故严重程度均有显著影响。边际效应结果表明：相对于小汽车间的交通事故，涉及客车、货车和其他类型车辆的交通事故导致人员重伤亡的概率分别增加3.27%、1.53%和4.11%；外省车使得重伤亡事故的发生概率增加1.02%；相对于周末、春季和桥梁路段，工作日、夏季和非桥梁路段发生的交通事故导致人员重伤亡的概率分别提高0.87%、2.38%和0.08%；单车事故导致重伤亡的概率比多车事故低1.64%；事故地点曲率每增加1 km^-1，重伤亡事故的概率将降低1.54%。

关键词: 交通工程, 高速公路安全, 空间广义有序Probit模型, 事故严重程度, 空间关联距离

Abstract:

To provide a deep insight into the significant factors that affect the severity of freeway crashes, this study took the crash data from the Dongguan section of the Guang-Shen Yanjiang Freeway in China from 2014 to 2019 as the research object. Crash severity levels were divided into three categories (i.e., no injury crash, minor injury crash, severe injury or fatality crash). Accounting for spatial correlation among adjacent crashes via conditional autoregressive priors, spatial generalized ordered Probit models with different correlation distance thresholds were developed, where the crash severity was used as the dependent variable and 13 potential influencing factors were used as independent variables. The research results show that there is significant spatial correlation among crashes; the spatial generalized ordered Probit models outperform the generalized ordered Probit model and multinomial Logit model; and the spatial model with 250-meters correlation distance threshold achieves the best performance. The results of model parameter estimation reveal that the type and registered province of vehicles, the time of crash occurrence, curvature of crash location, bridge section, and crash type have significant effects on freeway crash severity. The marginal effects of these factors indicate that: as compared with crashes with cars involved only, the involvement of bus, truck and other type vehicles will increase the probability of severe injury or fatality by 3.27%, 1.53%, and 4.11%, respectively; the involvement of vehicles from other provinces will increase the probability of severe injury or fatality by 1.02%; as compared with those occurring on weekend, spring, and bridge, crashes occurring on weekdays, summer, and non-bridge sections would increase the probability of severe injury or fatality by 0.87%, 2.38%, and 0.08%, respectively; the probability of heavy casualties caused by bicycle accidents is 1.64% lower than that of multi-vehicle accidents; the probability of severe injury or fatality will decrease by 1.54% for per 1 km^-1 increase in horizontal curvature of crash location.

Key words: traffic engineering, freeway safety, spatial generalized ordered Probit model, crash severity, spatial correlation distance

中图分类号:

U491.31

胡郁葱, 韦湖, 曾强. 基于空间广义有序Probit模型的高速公路事故严重程度分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 114-122.

HU Yucong, WEI Hu, ZENG Qiang . Analysis of Freeway Crash Severity Based on Spatial Generalized Ordered Probit Model[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(1): 114-122.

图/表 5

图1

表1

表2

模型结果对比"

参数	估计值
参数	多项Logit模型	广义有序 Probit模型	空间广义有序 Probit模型（200 m）	空间广义有序 Probit模型（250 m）	空间广义有序 Probit模型（300 m）
$σ ?$	—	—	4.60（0.66）^1）	8.58（0.83）	5.62（0.40）
$D ˉ$	1 340	1 339	918	658	899
n_pD	34	36	323	357	334
C_DI	1 374	1 375	1 241	1 015	1 232
A_C1/%	100	100	100	100	100
A_C2/%	0.53	0.53	36.7	76.06	32.98
A_C3/%	0	0	27.59	55.17	24.14
A_{C_}_t /%	85.5	85.5	90.6	96.11	90.07

表2

表3

表4

参考文献 21

1	ZHAO J， DENG W ．Traffic accidents on expressways：new threat to China［J］．Traffic Injury Prevention，2012，13（3）：230-238．
2	YU R， ABDEL-ATY M ．Analyzing crash injury severity for a mountainous freeway incorporating real-time traffic and weather data［J］．Safety Science，2014，63：50-56．
3	HAQ M T， ZLATKOVIC M， KSAIBATI K ．Investigating occupant injury severity of truck-involved crashes based on vehicle types on a mountainous freeway：a hierarchical Bayesian random intercept approach［J］．Accident Analysis & Prevention，2020，144：105654．
4	HAQ M T， ZLATKOVIC M， KSAIBATI K ．Assessment of tire failure related crashes and injury severity on a mountainous freeway：Bayesian binary logit approach［J］．Accident Analysis & Prevention，2020，145：105693．
5	SAVOLAINEN P T， MANNERING F L， LORD D，et al ．The statistical analysis of highway crash-injury severities：a review and assessment of methodological alternatives［J］．Accident Analysis & Prevention，2011，43（5）：1666-1676．
6	王磊，吕璞，林永杰．高速公路交通事故影响因素分析及伤害估计［J］．中国安全科学学报，2016，26（3）：86-90．
	WANG Lei， Pu LYU， LIN Yongjie ．Traffic accidents on freeways：influencing factors analysis and injury severity evaluation［J］．China Safety Science Journal，2016，26（3）：86-90．
7	陈昭明，徐文远，曲悠扬，等．基于混合 Logit 模型的高速公路交通事故严重程度分析［J］．交通信息与安全，2019，37（3）：42-50．
	CHEN Zhaoming， XU Wenyuan， QU Youyang，et al ．Severity of traffic crashes on freeways based on mixed logit model［J］．Journal of Transport Information and Safety，2019，37（3）：42-50．
8	HOU Q， HUO X， LENG J，et al ．Examination of driver injury severity in freeway single-vehicle crashes using a mixed logit model with heterogeneity-in-means［J］．Physica A：Statistical Mechanics and its Applications，2019，531：121760．
9	ZENG Q， GU W， ZHANG X，et al ．Analyzing freeway crash severity using a Bayesian spatial generalized ordered logit model with conditional autoregressive priors［J］．Accident Analysis & Prevention，2019，127：87-95．
10	ZHANG X， WEN H， YAMAMOTO T，et al ．Investigating hazardous factors affecting freeway crash injury severity incorporating real-time weather data：using a Bayesian multinomial logit model with conditional autoregressive priors［J］．Journal of Safety Research，2021，76：248-255．
11	HUANG H， PENG Y， WANG J，et al ．Interactive risk analysis on crash injury severity at a mountainous freeway with tunnel groups in China［J］．Accident Analysis & Prevention，2018，111：56-62．
12	吕璞，柏强，陈琳．融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型［J］．中国公路学报，2021，34（6）：205-213．
	Pu LYU， BAI Qiang， CHEN Lin ．A model for predicting the severity of accidents on mountainous expressways based on deep inverted residuals and attention mechanisms［J］．China Journal of Highway and Transport，2021，34（6）：205-213．
13	MANNERING F L， BHAT C R ．Analytic methods in accident research：methodological frontier and future directions［J］．Analytic Methods in Accident Research，2014，1：1-22．
14	ZENG Q， WEN H， HUANG H，et al ．A Bayesian spatial random parameters Tobit model for analyzing crash rates on roadway segments［J］．Accident Analysis & Prevention，2017，100：37-43．
15	赵跃峰，张生瑞，马壮林．基于部分优势比的公路隧道交通事故严重程度分析模型［J］．中国公路学报，2018，31（9）：159-166．
	ZHAO Yuefeng， ZHANG Shengrui， MA Zhuanglin ．Analysis of traffic accident severity on highway tunnels using the partial proportion odds model［J］．China Journal of Highway and Transport，2018，31（9）：159-166．
16	ELURU N， BHAT C R， HENSHER D A ．A mixed generalized ordered response model for examining pedestrian and bicyclist injury severity level in traffic crashes［J］．Accident Analysis & Prevention，2008，40（3）：1033-1054．
17	SPIEGELHALTER D， THOMAS A， BEST N，et al ．WinBUGS user manual［M］．Cambridge：MRC Biostatistics Unit，2003．
18	SPIEGELHALTER D J， BEST N G， CARLIN B P，et al ．Bayesian measures of model complexity and fit［J］．Journal of the Royal Statistical Society：Series B，2002，64（4）：583-639．
19	WEN H， XUE G ．Injury severity analysis of familiar drivers and unfamiliar drivers in single-vehicle crashes on the mountainous highways［J］．Accident Analysis & Prevention，2020，144：105667．
20	HUANG H， SIDDIQUI C， ABDEL-ATY M ．Indexing crash worthiness and crash aggressivity by vehicle type［J］．Accident Analysis & Prevention，2011，43（4）：1364-1370．
21	CHRISTOFOROU Z， COHEN S， KARLAFTIS M G ．Vehicle occupant injury severity on highways：an empirical investigation［J］．Accident Analysis & Prevention，2010，42（6）：1606-1620．

因素	变量名称	变量解释及取值	均值	标准差
车辆类型	小汽车^*1）	涉事车辆全部为小汽车时取1，否则取0	0.611	0.487
	客车	涉事车辆包含客车时取1，否则取0	0.107	0.309
	货车	涉事车辆包含货车时取1，否则取0	0.221	0.415
	其他类型车辆	涉事车辆包含其他类型车辆时取1，否则取0	0.098	0.297
发生时间	凌晨	事故发生在0：00—6：00时取1，否则取0	0.078	0.268
	上午^*	事故发生在6：00—12：00时取1，否则取0	0.271	0.445
	下午	事故发生在12：00—18：00时取1，否则取0	0.400	0.490
	晚上	事故发生在18：00—24：00时取1，否则取0	0.251	0.434
发生季节	春季^*	事故发生在2?4月取1，否则取0	0.189	0.392
	夏季	事故发生在5?7月取1，否则取0	0.311	0.463
	秋季	事故发生在8?10月取1，否则取0	0.309	0.462
	冬季	事故发生在11?1月取1，否则取0	0.191	0.393
天气情况	阴	事故发生在阴天取1，否则取0	0.060	0.237
	晴^*	事故发生在晴天取1，否则取0	0.501	0.500
	雨	事故发生在雨天取1，否则取0	0.439	0.496
其他	本省车	涉事车辆全部是本省车时取1，否则取0	0.772	0.420
	周末	事故发生在周末时取1，否则取0	0.283	0.451
	单车事故	仅1辆涉事车辆时取1，否则取0	0.520	0.500
	曲率/km^-1	事故发生地点的曲率	0.410	0.410
	坡度/%	事故发生地点的坡度	0.936	0.602
	桥梁	事故发生在桥梁上时取1，否则取0	0.863	0.344

变量	潜在伤亡倾向			轻伤与重伤亡间的阈值
变量	均值	90% BCI^2）	95% BCI	均值	90% BCI	95% BCI
单车事故	-0.80	（-1.12，-0.46）	（-1.18，-0.39）	—	—	—
本省车	-0.45	（-0.78，-0.13）	（-0.84，-0.07）	—	—	—
客车	1.09	（0.58，1.58）	（0.47，1.67）	—	—	—
货车	0.64	（0.28，1.04）	（0.21，1.13）	—	—	—
其他类型车辆	—	—	—	-0.86	（-1.35，-0.41）	（-1.45，-0.33）
周末	-0.47	（-0.87，-0.06）	（-0.96，0.02）	—	—	—
夏天	—	—	—	-0.58	（-0.98，-0.18）	（-1.08，-0.09）
曲率	-0.74	（-1.19，-0.31）	（-1.28，-0.23）	—	—	—
桥梁	1.16	（0.56，1.69）	（0.46，1.82）	0.75	（0.25，1.25）	（0.13，1.34）

变量	边际效用值/%
变量	无伤亡	轻伤	重伤或死亡
单车事故	7.58	-5.94	-1.64
本省车	4.56	-3.54	-1.02
客车	-12.33	9.06	3.27
货车	-6.69	5.16	1.53
其他类型车辆	0	-4.11	4.11
周末	4.18	-3.31	-0.87
夏天	0	-2.38	2.38
曲率	6.99	-5.45	-1.54
桥梁	-8.77	8.85	-0.08

[1]	王琳虹, 李洪涛, 李若楠. 考虑驾驶人视觉搜索能力的雨天公路限速设计[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 20-29.
[2]	马书红, 杨磊, 陈西芳. 风险扩散下城市群多模式交通网络的韧性演化[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 42-51.
[3]	卢凯, 赵世杰, 吴焕, 等. 饱和交叉口的双向红绿波协调设计数解算法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 1-11.
[4]	卢凯, 吴蔚, 邓兴栋, 等. 控制子区内协调路径集的构成及优选方法[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 1-14.
[5]	马新露, 樊博, 陈诗敖, 等. 基于实时交通流的事故风险评估与分析模型[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 19-25,34.
[6]	杨丽平, 边扬, 赵晓华, 等. 导航播报措辞复杂度对驾驶行为的影响[J]. 华南理工大学学报（自然科学版）, 2021, 49(3): 139-148.
[7]	常鑫, 李海舰, 荣建, 等. 隧道路段预警作用下的时空集计通行能力分析[J]. 华南理工大学学报（自然科学版）, 2020, 48(9): 107-115,123.
[8]	胡宝雨庞钰裴玉龙. 适应时空不均衡客流的多车型公交时刻表优化[J]. 华南理工大学学报（自然科学版）, 2020, 48(11): 38-48.
[9]	严海刘润坤. 考虑公交运行可靠性的区间车发车策略 [J]. 华南理工大学学报（自然科学版）, 2019, 47(11): 25-32,43.
[10]	柴琳果蔡伯根上官伟王剑王化深. 联网智能车运动学仿真基础环境构建方法[J]. 华南理工大学学报（自然科学版）, 2018, 46(1): 66-77.
[11]	商强林赐云杨兆升邴其春田秀娟王树兴. 基于谱聚类与RS-KNN的城市快速路交通状态判别[J]. 华南理工大学学报（自然科学版）, 2017, 45(6): 52-58.
[12]	周熙阳杨兆升张伟邴其春商强. 考虑信号交叉口转向类型的最优路径规划算法[J]. 华南理工大学学报（自然科学版）, 2016, 44(4): 101-108.
[13]	商强杨兆升李志林李霖曲鑫. 基于相空间重构和RELM 的短时交通流量预测[J]. 华南理工大学学报（自然科学版）, 2016, 44(4): 109-114.
[14]	邓亚娟王欢杜若胡绍荣. 基于加权复杂网络的公路网等级结构划分[J]. 华南理工大学学报（自然科学版）, 2015, 43(4): 33-40.
[15]	沈旅欧庄岩浩刘伟铭巫威眺. 基于修正算法的高速公路路段旅行时间估计[J]. 华南理工大学学报（自然科学版）, 2015, 43(4): 20-27.

基于空间广义有序Probit模型的高速公路事故严重程度分析

Analysis of Freeway Crash Severity Based on Spatial Generalized Ordered Probit Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价