Analysis of the Influencing Factors of the Severity of Single-Vehicle Accidents Considering Temporal Stability

doi:10.12141/j.issn.1000-565X.240189

Abstract

Abstract:

Single-vehicle accidents often occur in time periods with low traffic volume and poor road conditions, and their fatality rate is significantly higher than the average mortality rate of traffic accidents. To explore the key factors affecting the accident severity degree of single-vehicle accidents, based on the single-vehicle traffic accident data from 2015 to 2019 in some regions of China, this paper selected 24 accident-influencing factors from aspects such as people, vehicles, roads, and the environment. The temporal stability of the accident data was tested by the log-likelihood ratio test which found that there was temporal instability in the accident data, so it should be divided into five years for separate modeling. Then, a random parameter Logit model considering the mean-variance heterogeneity was constructed. The marginal effects of accident factor variables were compared. The results show that the temporal stability models of the five different years all have good fitting effects. The model can effectively capture the unobserved heterogeneity, and the captured parameters under different time models also exhibit randomness. The results of model parameter estimation indicate that four accident factors, namely the type of intersection and road section, passenger cars, motorcycles, and accident liability, have temporal stability, while other accident-influencing factors only have significant effects in individual years. The accident factor of protective facilities also have temporal stability. Accident factor variables such as passenger cars, motorcycles, the state of vehicle headlights, vehicle safety conditions, hitting fixed objects, and accident liability will significantly increase the possibility of casualties in single-vehicle accidents. Variables such as the type of protective facilities and visibility greater than 100 meters will significantly reduce the severity of injuries.

Key words: single-vehicle accident, mean-variance heterogeneity, random parameter Logit model, accident severity degree, temporal stability

CLC Number:

U491.31

NIU Shifeng, TAI Yinghao, CHANG Dongfeng, YU Pengcheng. Analysis of the Influencing Factors of the Severity of Single-Vehicle Accidents Considering Temporal Stability[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(2): 1-11.

Figures/Tables 9

Table 1

Table 2

Table 3

Example of the single-vehicle accident independent variable encoding"

自变量		赋值及定义
驾驶人特性	性别	0—男，1—女（X₁）
	年龄	1—≤30岁（X₂），2—30~60岁（X₃），3—≥60岁（*^1））
	事故责任	1—全责（X₄），0—非全责
车辆特性	车辆类别	1—客车（X₅），2—摩托车（X₆），3—自行车（*），4—货车（X₇）
	车辆安全状况	0—正常，1—非正常（X₈）
	车辆行车状态	0—直行，1—非直行（X₉）
	车辆前照灯状态	0—打开，1—未打开（X₁₀）
环境特性	天气	1—晴（X₁₁），2—雨雪（*），3—大风（X₁₂）
	能见度	1—≤50 m（X₁₃），2—50~100 m（*），3—100~200 m（X₁₄），4—≥200 m（X₁₅）
	路表情况	1—干燥（X₁₆），0—非干燥（冰雪、潮湿、积水等）
	照明条件	1—夜间无路灯能照明（X₁₇），2—夜间有路灯照明（*），3—白天/黄昏/黎明（X₁₈）
道路特性	路面状况	1—路面完好（X₁₉），0—路面不良（凹凸、施工、塌陷）
	路面结构	1—沥青（X₂₀），0—非沥青（土路、砂石等）
	地形	1—山地（X₂₁），2—平原（X₂₂），3—丘陵（*）
	道路物理隔离	1—有隔离（X₂₃），0—无隔离
	道路类型	1—一级（X₂₄），2—二级（*），3—三级（X₂₅），4—四级（X₂₆）
	道路线形	1—平直（X₂₇），2—坡路（陡坡、连续下坡）（*），3—急弯（X₂₈），4—弯坡（X₂₉）
	路口路段类型	1—特殊路段（X₃₀），0—普通路段
碰撞特性	事故形态	1—侧翻（X₃₁），2—乘员跌落或坠车（X₃₂），3—撞固定物（X₃₃），4撞非固定物（X₃₄），5—失火或自身摺叠（*）
	交通信号方式	1—有控制（X₃₅），0—无控制
	防护类型	1—有防护（X₃₆），0—无防护
时间特性	季度	1—春（*），2—夏（X₃₇），3—秋（X₃₈），4—冬（X₃₉）
	星期	1—周一（*），2—周二（X₄₀），3—周三（X₄₁），4—周四（X₄₂），5—周五（X₄₃），6—周六（X₄₄），7—周日（X₄₅）
	时段	1—00：00—07：59（*），2—08：00—17：59（X₄₆），3—18：00—23：59（X₄₇）

Table 3

Table 4

Results of the likelihood ratio test for temporal stability"

$y 1$ /年	$y 2$
$y 1$ /年	2015年	2016年	2017年	2018年	2019年
2015	—	320.92（24）［>99.99%］	342.42（24）［>99.99%］	680.50（22）［>99.99%］	805.28（24）［>99.99%］
2016	212.38（18）［>99.99%］	—	93.44（24）［>99.99%］	403.62（22）［>99.99%］	549.08（24）［>99.99%］
2017	229.20（18）［>99.99%］	54.96（24）［>99.97%］	—	350.22（22）［>99.99%］	494.60（24）［>99.99%］
2018	538.16（18）［>99.99%］	289.86（24）［>99.99%］	258.40（24）［>99.99%］	—	225.60（24）［>99.99%］
2019	701.52（18）［>99.99%］	468.12（24）［>99.99%］	425.28（24）［>99.99%］	118.46（22）［>99.99%］	—

Table 4

Table 5

Effectiveness evaluation of the temporal stability model"

年份	评价指标
年份	$N A I C$	对数似然初始值	对数似然收敛值	R²
2015	2 857.4	-1 846.77	-1 410.72	0.236
2016	2 616.3	-1 656.71	-1 284.16	0.225
2017	2 546.9	-139.62	-1 256.44	0.096
2018	2 249.9	-1 390.84	-1 102.94	0.207
2019	2 086.9	-1 447.99	-1 019.44	0.296

Table 5

Table 6

Parameter estimation of the random parameter Logit model for single-vehicle accidents in 2015—2019"

变量	参数估计值（Z检验值）						变量	参数估计值（Z检验值）
变量	2015年	2016年	2017年	2018年	2019年		变量	2015年	2016年	2017年	2018年	2019年
X₄₆（NI）^1）	0.664^***4）（3.33）	—	—	—	-0.285^**（-2.06）	X₁₀（FI）		0.346^***（2.99）	—	—	—	—
X₄₀（NI）	—	-0.433^*6）	—	—	-0.451^*（1.77）	X₈（NI）		—	-0.608^**（-2.32）	—	—	—
X₁₉（NI）	—	（-1.85）	—	—	1.166^***（3.03）	X₈（FI）		—	—	0.329^**（1.96）	—	—
X₁₉（MI）^2）	-0.378^***（-2.98）	—^7）	—	—	—	X₃₆（NI）		—	—	0.534^***（3.06）	—	—
X₁₉（FI）^3）	—	0.347^***（2.74）	—	—	—	X₃₆（MI）		0.478^***（3.71）	—	—	—	—
X₂₃（NI）	—	—	—	1.045^***（3.04）	-0.484^*（-1.95）	X₃₃（NI）		—	—	—	-0.756^**（-2.51）	-0.849^***（-3.56）
X₂₃（FI）	—	—	-0.340^**（-2.28）	—	—	X₃₃（FI）		—	0.504^***（3.86）	—	—	—
X₃₀（MI）	0.486^***（3.41）	—	0.433^***（2.82）	—	0.466^***（2.81）	X₃₃（MI）		—	—	—	—	0.318^**（2.05）
X₃₀（FI）	—	—	—	-0.386^**（-2.46）	—	X₃₂（NI）		—	0.888^***（4.36）	—	—	—
X₂₇（FI）	1.091^***（6.36）	—	0.225^*（1.79）	—	0.464^***（3.53）	X₃₅（NI）		—	—	—	—	-1.498^***（-5.18）
X₂₈（FI）	0.548^***（3.01）	—	—	—	—	X₃₅（FI）		—	—	—	0.350^**（2.41）	—
X₂₉（FI）	0.482^***（2.65）	—	—	—	—	X₁₁（MI）		—	-0.303^**（-2.24）	—	—	—
X₂₄（MI）	—	—	-0.734^***（-3.82）	—	—	X₁₁（FI）		0.658^***（4.45）	—	—	—	—
X₂₄（NI）	0.885^***（3.84）	—	—	—	—	X₁₂（NI）		—	—	—	—	-0.836^**（-2.06）
X₂₅（MI）	—	—	-0.465^***（-3.15）	-0.384^**（-2.50）	—	X₁₂（MI）		—	—	—	—	-0.544^**（-2.10）
X₂₆（NI）	—	—	—	1.126^**（2.54）	—	X₁₂（FI）		0.639^***（3.31）	—	—	—	—
X₂₆（MI）	0.345^**5）（2.26）	—	—	—	—	X₁₄（NI）		—	1.080^***（3.44）	—	—	—
X₂₁（MI）	—	—	0.494^***（3.84）	—	—	X₁₅（NI）		—	1.161^***（3.95）	—	—	—
X₂₂（MI）	—	—	—	-0.539^***（-3.44）	—	X₁₆（NI）		—	-0.758^***（-4.50）	—	-0.666^**（-2.03）	—
X₂₂（FI）	—	0.434^***（3.34）	—	—	—	X₁₈（NI）		—	0.600^***（3.36）	0.719^***（4.25）	—	-0.360^*（-1.76）
X₅（NI）	—	—	—	1.041^***（3.03）	0.371^*（1.78）	X₂（NI）		—	—	—	0.762^**（2.56）	—
X₅（MI）	1.024^***（8.06）	0.556^***（3.39）	0.566^***（3.53）	—	—	X₃（MI）		—	—	-0.618^***（-4.91）	—	-0.346^**（-2.29）
X₆（NI）	—	-0.715^***（-2.82）	—	-1.637^***（-3.63）	-1.481^***（-4.92）	X₄（NI）		—	-1.166^***（-4.11）	-0.951^***（-3.19）	—	-1.498^***（-5.18）
X₆（FI）	—	0.530^***（3.16）	0.751^***（4.89）	—	—	X₄（MI）		—	—	—	-0.419^***（2.85）	-0.371^**（-2.11）
X₇（FI）	—	—	—	—	0.604^***（3.13）	X₁（MI）		—	—	—	0.663^**（2.18）	—
X₁₀（NI）	—	—	—	-0.677^**（-2.42）	—	常数（NI）		—	—	-0.994^*** （-2.79）	0.702^*（1.71）	—
X₁₀（MI）	—	—	-0.272^**（-2.10）	—	—	样本观测量		1 681	1 508	1 523	1 266	1 227

Table 6

Fig.1

Table 7

Fig.2

References 19

1	CHAMPAHOM T， JOMNONKWAO S， WATTHANA-KLANG D，et al ．Applying hierarchical logistic models to compare urban and rural roadway modeling of severity of rear-end veh-icular crashes［J］．Accident Analysis & Prevention，2020，141：105537/1-13.
2	WU Q， ZHANG G， ZHU X，et al ．Analysis of driver injury severity in single-vehicle crashes on rural and urban roadways［J］．Accident Analysis & Prevention，2016，94（9）：35-45.
3	薛刚．考虑驾驶员道路熟悉程度的山区公路单车事故影响因素研究［D］．广州：华南理工大学，2021.
4	杨慧敏，石琴，陈一锴，等．基于混合聚类的农村公路单车事故影响因素分析［J］．中国安全科学学报，2020，30（8）：129-136.
	YANG Huimin， SHI Qin， CHEN Yikai，et al ．Influencing factors for single vehicle accidents on rural highways based on hybrid clustering approach［J］．China Safety Science Journal，2020，30（8）：129-136.
5	朱守胜．基于事故树分析的营运客车交通安全风险研究［D］．西安：长安大学，2016.
6	FOUNTAS G， ANASTASOPOULOS P， MANNERING F ．Analysis of vehicle accident-injury severities：A comparison of segment- versus accident-based latent class ordered probit models with class-probability functions［J］．Analytic Methods in Accident Research，2018，18（2）：15-32.
7	顾宏艳，沈金星，于淼，等．公交车单车事故严重程度影响因素分析［J］．科学技术与工程，2021，21（33）：14401-14407.
	GU Hongyan， SHEN Jinxing， YU Miao，et al ．Analysis of factors influencing the severity of single-vehicle accidents in buses［J］．Science，Technology and Engineering，2021，21（33）：14401-14407.
8	胡骥，闫章存，卢小钊，等．基于有序Logit与Probit模型的交通事故严重性影响因素分析［J］．安全与环境学报，2018，18（3）：836-843.
	HU Ji， YAN Zhangcun， LU Xiaozhao，et al ．Analysis of the factors affecting the severity of traffic accidents based on the orderly Logit and Probit model［J］．Journal of Safety and Environment，2018，18（3）：836-843.
9	AL-BDAIRI N S S， HERNANDEZ S ．An empirical analysis of run-off-road injury severity crashes involving large trucks［J］．Accident Analysis & Prevention，2017，102（5）：93-100.
10	杨慧敏．考虑数据异质性的农村公路单车事故严重度影响因素研究［D］．合肥：合肥工业大学，2020.
11	YU M， MA C， SHEN J ．Temporal stability of driver injury severity in single-vehicle roadway departure crashes：A random thresholds random parameters hierarchical ordered probit approach［J］．Analytic Methods in Accident Research，2021，29（1）：100144/1-13.
12	YAN X， HE J， WU G，et al ．Modeling the temporal relationship between contributing factors and injury severities in rural single-vehicle alcohol-impaired driving crashes：Insights from random parameters logit models in the means and variances［J］．Traffic Injury Prevention，2022，23（6）：321-326.
13	马壮林，邵春福，董春娇，等．基于累积Logistic模型的交通事故严重程度时空分析［J］．中国安全科学学报，2011，21（9）：94-99.
	MA Zhuanglin， SHAO Chunfu， DONG Chunjiao，et al ．Spatiotemporal analysis of traffic accident severity based on the cumulative Logistic model［J］．Chinese Journal of Security Science，2011，21（9）：94-99.
14	BEHNOOD A， MANNERING F L ．The temporal stability of factors affecting driver injury severities in single-vehicle crashes：Some empirical evidence［J］．Analytic Methods in Accident Research，2015，8（4）：7-32.
15	温惠英，张璇，曾强．高速公路单车事故等级的影响因素分析［J］．华南理工大学学报（自然科学版），2021，49（8）：12-18.
	WEN Huiying， ZHANG Xuan， ZENG Qiang ．Analysis of factors affecting single-vehicle accident ratings on highways［J］．Journal of South China University of Technology （Natural Science Edition），2021，49（8）：12-18.
16	MANNERIN F L， SHANKAR V， BAHT C R ．Unobserved heterogeneity and the statistical analysis of highway accident data［J］．Analytic Methods in Accident Research，2016，11（3）：1-16.
17	RUSLI R， HAQUE M M， SAIFUZZAMAN M， KING M ．Crash severity along rural mount-ainous highways in Malaysia：An application of a combined decision tree and logistic regression model［J］．Journal of Crash Prevention and Injury Control，2018，19（7）：741-748
18	JALAYER M， SHABANPOUR R， POUR-ROUHOLAMIN M，et al ．Wrong-way driving crashes：a random-parameters ordered probit analysis of injury severity［J］．Accident Analysis & Prevention，2018，117（8）：128-135.
19	马艳丽．驾驶员驾驶特性与道路交通安全对策研究［D］．哈尔滨：哈尔滨工业大学，2007.

年份	无伤	重伤	死亡	总计
2015	249	409	1 023	1 681
2016	245	350	913	1 508
2017	219	355	949	1 523
2018	218	310	718	1 266
2019	196	263	768	1 227

信息类别	具体内容
交通事故	事故伤害严重程度、碰撞特性等
事故发生道路和环境	道路类型、路面条件、能见度、交通信号控制方式等
车辆	车辆类型、车辆是否处于安全状态等
涉事人员	驾驶人性别、年龄、驾龄等

[1]	ZHANG Yunchao, HUANG Jianling, LI Yongxing, et al. Online Driving Style Recognition Method Considering Lane-Changing Game [J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(4): 126-137.
[2]	WANG Yonggang, CHEN Junxian, ZHENG Shaoya, et al. Analysis and Prediction of Rear-End Conflicts on Road Sharp Curves [J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(4): 80-87.
[3]	YANG Yang, HU Yanran, YUAN Zhenzhou, et al. Analysis on Propagation of Spatio-Temporal Dynamic Effects Towards Freeway Traffic Crash [J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(1): 123-133.
[4]	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.
[5]	WEN Huiying, LI Qiuling, ZHAO Sheng. Research on Spatiotemporal Characteristic and Risk of Lane-Changing Behaviors of Large Vehicles in Expressway Merging Area [J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(5): 11-21.
[6]	LAN Fengchong, ZHANG Yue, CHEN Jiqing, et al. Correlation Analysis and Prediction of Pedestrian Casualty Risk in Car-Pedestrian Collision Accident [J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(5): 1-10.
[7]	LU Yue FU Xinsha. Analysis of Urban Landscape and Traffic Safety Based on Street View Images [J]. Journal of South China University of Technology (Natural Science Edition), 2021, 49(10): 22-30.
[8]	MA Xinlu, FAN Bo, CHEN Shiao, et al. Evaluation and Analysis Model for Freeways Crash Risk Based on Real-Time Traffic Flow [J]. Journal of South China University of Technology(Natural Science Edition), 2021, 49(8): 19-25,34.
[9]	WEN Huiying ZHANG Xuan ZENG Qiang. Influence Factor Analysis of Freeway Single-Vehicle Crash Severity [J]. Journal of South China University of Technology(Natural Science Edition), 2021, 49(8): 12-18.
[10]	WEN Huiying SUN Jiaren ZENG Qiang ZHANG Xuan . Quantitative Estimation on the Safety Effect of Traffic Composition on Freeways [J]. Journal of South China University of Technology (Natural Science Edition), 2018, 46(6): 1-7.
[11]	Ma Ming-lei Ma Ｒu-jin Chen Ai-rong. Occurrence Probability Model of Bridge Fires Caused by Vehicles [J]. Journal of South China University of Technology (Natural Science Edition), 2015, 43(12): 133-140.