Analysis of Freeway Accident Factors Integrating Short-Term Traffic Flow

doi:10.12141/j.issn.1000-565X.240535

Abstract

Abstract:

The severity of freeway traffic accidents is collectively influenced by multiple factors, among which short-term traffic flow characteristics immediately preceding the incident play a particularly critical role. To syste-matically analyze the impact of short-term traffic flow states on injury severity, this study constructed a random parameter logit model accounting for mean heterogeneity, utilizing historical traffic accident data, ETC gantry transaction records, and meteorological data from Guangdong Province’s South 2nd Ring Expressway, Jiguang Expressway, and Western Coastal Expressway (2021—2022). The model was developed to investigate heterogeneous characteristics of accident contributing factors. A total of 29 potential variables were identified across four domains: road cha-racteristics, environmental conditions, traffic flow features, and crash attributes. Three discrete model specifications were employed to model injury severity: a standard multinomial logit model, a random parameter logit model, and a random parameter logit model that accounts for mean heterogeneity. Comparative analysis of model goodness-of-fit using pseudo-R², akaike information criterion (AIC), and Bayesian information criterion (BIC) demonstrated that the random parameter logit model accounting for mean heterogeneity exhibits superior performance in goodness-of-fit. This specification more accurately captures the heterogeneous characteristics of accident contributing factors. Further analysis based on the average elasticity of variables reveals that, at the 99% confidence level, 22 parameters significantly affect injury severity. Specifically, features such as six-lane bidirectional roads and improved visibility significantly reduce injury severity, whereas longer road rescue handling time, higher average speed and proportion of large trucks, and greater speed differentials between large and small vehicles are associated with increased injury severity. The findings of this study offer valuable insights for improving freeway accident prevention and management strategies.

Key words: freeway, injury severity, factors analysis, short-term traffic flow, random parameter logit model

CLC Number:

U491.31

WEN Huiying, HUANG Junda, HUANG Kunhuo, ZHAO Sheng, CHEN Zhe, HU Yuqing. Analysis of Freeway Accident Factors Integrating Short-Term Traffic Flow[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(10): 1-13.

Figures/Tables 11

Table 1

Fig.1

Fig.2

Table 3

Table 4

Table 5

Parameter estimation results of the random parameters Logit model considering mean heterogeneity"

变量名称		参数估计	标准差	z-stat	P值
随机参数均值（标准差）	驾驶员操作不当［MI］	3.969（5.268）
	路政救援处理时长［MI］	0.027（0.089）
	多车事故［SI］	-63.132（25.529）
常数项［MI］		-2.701	1.856	-1.455	0.146
常数项［SI］		-4.201	4.616	-0.910	0.363
路段特征	普通坡道［MI］	-2.887	1.217	-2.372	0.018
	弯坡组合路段［SI］	4.091	1.850	2.212	0.027
	特殊路段［MI］	4.224	1.247	3.386	0.001
	双向六车道［MI］	-12.102	2.087	-5.798	0.000
	双向六车道［SI］	-6.068	1.998	-3.037	0.002
环境特征	冬季［SI］	-3.332	1.493	-2.231	0.026
	00：00 — 05：59［MI］	1.622	0.697	2.328	0.020
	能见度［MI］	-0.569	0.234	-2.429	0.015
	能见度［SI］	-1.660	0.577	-2.877	0.004
事故特征	追尾碰撞事故［MI］	3.579	1.148	3.118	0.002
	侧面碰撞事故［MI］	4.619	1.420	3.253	0.001
	侧面碰撞事故［SI］	4.492	1.569	2.862	0.004
	车辆故障及其他［MI］	3.652	0.742	4.920	0.000
	多车事故［MI］	-2.893	1.041	-2.778	0.005
	外地车牌［MI］	0.868	0.542	1.600	0.110
	涉及大型车［SI］	3.433	1.381	2.487	0.013
	路政救援到达时长［MI］	0.030	0.011	2.732	0.006
	路政救援处理时长［SI］	0.016	0.007	2.437	0.015
交通流特征	路段平均速度［MI］	0.013	0.010	1.322	0.186
	路段大型车比例［MI］	5.791	1.553	3.730	0.000
	路段平均速度［SI］	0.189	0.080	2.357	0.018
	路段小型车平均速度［SI］	-2.616	0.406	-6.450	0.000
	路段大型车平均速度［SI］	2.486	0.380	6.535	0.000
	路段大型车比例［SI］	6.147	2.996	2.052	0.040
	路段到达与离去交通量之差［SI］	-0.064	0.031	-2.075	0.038
	路段大型车与小型车速度差［SI］	-2.512	0.390	-6.442	0.000
随机参数的均值异质性	驾驶员操作不当、普通坡道	3.072	1.834	1.675	0.094
	驾驶员操作不当、追尾碰撞事故	-3.075	1.380	-2.228	0.026
	路政救援处理时长、双向六车道	0.158	0.037	4.280	0.000
	多车事故、外地车牌	20.376	6.632	3.072	0.002
	多车事故、大型车比例	40.291	10.635	3.789	0.000

Table 5

Table 6

Fig.3

Fig.4

Fig.5

Table 7

References 19

[1]	白玉，魏毅．重大道路交通事故严重程度影响因素分析［J］．交通与运输，2022，38（3）：22-26.
	BAI Yu， WEI Yi ．Influencing factors on severity of serious road traffic accidents［J］．Traffic & Transportation，2022，38（3）：22-26.
[2]	吕通通，张湛，陆林军，等．基于互信息贝叶斯网络的交通事故严重程度分析［J］．交通信息与安全，2021，39（6）：36-43.
	Tongtong LYU， ZHANG Zhan， LU Linjun，et al ．An analysis of traffic accident severity based on mutual-information Bayesian network［J］．Journal of Transport Information and Safety，2021，39（6）：36-43.
[3]	温惠英，区俊锋，宋文通．老年驾驶人交通事故严重程度影响因素分析［J］．合肥工业大学学报（自然科学版），2021，44（6）：812-817，850.
	WEN Huiying， QU Junfeng， SONG Wentong ．Analysis of factors influencing the severity of traffie accidents by elderly drivers［J］．Journal of Hefei University of Technology（Natural Science），2021，44（6）：812-817，850.
[4]	申昕，沈金星，郑长江，等．基于Multinomial Logit模型的美国北卡罗莱纳州慢行交通事故严重程度分析［J］．交通与运输，2021，37（5）：24-28．
	SHEN Xin， SHEN Jinxing， ZHENG Changjiang，et al ．Severity analysis of slow traffic accidents in North Carolina based on multinomial Logit model［J］．Traffic & Transportation，2021，37（5）：24-28．
[5]	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 Yue-feng， ZHANG Sheng-rui， MA Zhuang-lin ．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．
[6]	吕晓弯，王秋明．基于Logistic的环线高速公路交通事故严重程度分析［J］．武汉理工大学学报（交通科学与工程版），2022，46（3）：411-415.
	Xiaowan LYU， WANG Qiuming ．Analysis of traffic accident severity on circular expressway based on Logistic ［J］．Journal of Wuhan University of Technology （Transportation Science & Engineering），2022，46（3）：411-415.
[7]	WU Q， SONG D， WANG C，et al ．Analysis of injury severity of drivers involved different types of two-vehicle crashes using random-parameters logit models with he-terogeneity in means and variances［J］．Journal of Advanced Transportation，2023，2023：1-15.
[8]	KARABULUT N C， OZEN M ．Exploring driver injury severity using latent class ordered probit model：a case study of turkey［J］．KSCE Journal of Civil Engineering，2023，27（3）：1312-1322.
[9]	JONI H H， SHALLAL M H ．Studying and analysis of crash severity for different expressways on Al-Rusafa side for Baghdad city using binary logistic regression model［J］．Journal of Physics：Conference Series，2021，1973（1）：012095/1-14.
[10]	PRADIPTA P， SIREGAR M L， KUSUMA A ．Modelling of severity level causes factors in the traffic accident victims in the province of West Nusa Tenggara［J］．IOP Conference Series：Earth and Environmental Science，2020，426（1）：012027/1-10.
[11]	REZAPOUR M， MOOMEN M， KSAIBATI K ．Ordered logistic models of influencing factors on crash injury severity of single and multiple-vehicle downgrade crashes：a case study in Wyoming［J］．Journal of Safety Research，2019，68：107-118.
[12]	BASU S， SAHA P ．Evaluation of risk factors for road accidents under mixed traffic：case study on Indian highways［J］．IATSS Research，2022，46（4）：559-573.
[13]	HOU Q， MENG X， LENG J，et al ．Application of a random effects negative binomial model to examine crash frequency for freeways in China［J］．Physica A：Statistical Mechanics and its Applications，2018，509：937-944.
[14]	赵伟宁．基于改进Logit模型的高速公路交通事故严重程度分析方法［D］．哈尔滨：哈尔滨工业大学，2021.
[15]	王天文，庄越．基于多项Logit模型的机动车相关事故影响因素和严重程度探究［J］．交通工程，2023，23（2）：11-18.
	WANG Tianwen， ZHUANG Yue ．Research on influencing factors and severity of motor vehicle-related crashes based on multinomial logit model［J］．Journal of Transportation Engineering，2023，23（2）：11-18.
[16]	胡宗品，骆仁佳，于淑君．城市死亡交通事故形态影响因素分析［J］．交通科技与经济，2022，24（1）：25-29，37.
	HU Zongpin， LUO Renjia， YU Shujun ．Analysis of influencing factors on urban fatal crash types［J］．Technology & Economy in Areas of Communications，2022，24（1）：25-29，37.
[17]	宋栋栋，杨小宝，祖兴水，等．基于均值异质性随机参数Logit模型的城市道路事故驾驶员受伤严重程度研究［J］．交通运输系统工程与信息，2021，21（3）：214-220.
	SONG Dongdong， YANG Xiaobao， ZU Xingshui，et al ．Examination of driver injury severity in urban crashes：a random parameters logit model with heterogeneity in means approach［J］．Journal of Transportation Systems Engineering and Information Technology，2021，21（3）：214-220.
[18]	潘义勇，吴静婷，施颖，等．建成环境对老年人交通事故严重程度异质性影响［J］．交通运输系统工程与信息，2022，22（3）：224-230.
	PAN Yi-yong， WU Jing-ting， SHI Ying，et al ．He-terogeneous effects of built environment on elderly traffic accident injury severities［J］．Journal of Transportation Systems Engineering and Information Technology，2022，22（3）：224-230.
[19]	焦朋朋，李汝鉴，王健宇，等．考虑潜在类别的老年行人交通事故严重程度致因分析［J］．交通运输系统工程与信息，2022，22（5）：328-336.
	JIAO Peng-peng， LI Ru-jian， WANG Jian-yu，et al ．Causes analysis on severity of elderly pedestrian crashes considering latent classes［J］．Journal of Transportation Systems Engineering and Information Technology，2022，22（5）：328-336.

严重程度分类	轻微事故	一般事故	严重事故
是否有人死亡	否	否	是
是否有人受伤	否	是	是/否
是否有财产损失	是	是/否	是/否

变量名称		参数估计	标准差	z-stat	P值
常数项［MI］		-0.950	0.655	-1.451	0.147
常数项［SI］		-2.744	1.308	-2.098	0.036
道路特征	普通坡道［MI］	-0.419	0.246	-1.706	0.088
	弯坡组合路段［MI］	-0.365	0.187	-1.949	0.051
	弯坡组合路段［SI］	2.237	0.806	2.777	0.005
	特殊路段［MI］	1.116	0.306	3.647	0.000
	双向六车道［MI］	-3.232	0.262	-12.347	0.000
	双向六车道［SI］	-1.969	0.548	-3.595	0.000
环境特征	00：00 — 05：59［MI］	0.580	0.224	2.592	0.010
	冬季［SI］	-1.369	0.502	-2.728	0.006
	能见度［MI］	-0.303	0.082	-3.701	0.000
	能见度［SI］	-0.708	0.175	-4.044	0.000
事故特征	追尾碰撞事故［MI］	0.792	0.341	2.325	0.020
	侧面碰撞事故［MI］	1.251	0.320	3.908	0.000
	侧面碰撞事故［SI］	1.009	0.500	2.018	0.044
	驾驶员操作不当［MI］	1.214	0.208	5.836	0.000
	车辆故障及其他［MI］	1.562	0.231	6.772	0.000
	多车事故［MI］	-1.117	0.329	-3.393	0.001
	多车事故［SI］	-1.858	0.370	-5.022	0.000
	外地车牌［MI］	0.449	0.203	2.219	0.027
	涉及大型车［SI］	0.951	0.356	2.668	0.008
	路政救援到达时长［MI］	0.017	0.004	4.061	0.000
	路政救援处理时长［MI］	0.008	0.002	5.255	0.000
	路政救援处理时长［SI］	0.012	0.003	4.705	0.000
交通流特征	路段平均速度［MI］	0.047	0.017	2.747	0.006
	路段平均速度［SI］	0.119	0.029	4.129	0.000
	路段大型车平均速度［MI］	-0.039	0.017	-2.313	0.021
	路段大型车平均速度［SI］	0.770	0.081	9.551	0.000
	路段小型车平均速度［SI］	-0.852	0.083	-10.250	0.000
	路段大型车比例［MI］	2.928	0.610	4.799	0.000
	路段大型车比例［SI］	4.258	1.029	4.138	0.000
	路段大型车与小型车速度差［MI］	0.030	0.015	1.932	0.053
	路段大型车与小型车速度差［SI］	-0.773	0.081	-9.532	0.000
	路段到达与离去交通量之差［SI］	-0.018	0.009	-2.026	0.043

变量名称		参数估计	标准差	z-stat	P值
随机参数均值（标准差）	驾驶员操作不当［MI］	3.210（5.080）
	路政救援处理时长［MI］	0.035 8（0.100）
	多车事故［SI］	-60.493（30.898）
常数项［MI］		-2.045	1.829	-1.118	0.264
常数项［SI］		-5.648	4.813	-1.173	0.241
路段特征	普通坡道［MI］	-1.767	0.926	-1.908	0.056
	弯坡组合路段［MI］	-1.012	0.604	-1.677	0.094
	弯坡组合路段［SI］	4.698	1.921	2.446	0.014
	特殊路段［MI］	4.888	1.312	3.727	0.000
	双向六车道［MI］	-7.902	1.282	-6.161	0.000
	双向六车道［SI］	-7.267	1.984	-3.663	0.000
环境特征	冬季［SI］	-3.683	1.545	-2.383	0.017
	00：00 — 05：59［MI］	1.787	0.714	2.502	0.012
	能见度［MI］	-0.619	0.242	-2.557	0.011
	能见度［SI］	-1.742	0.612	-2.846	0.004
事故特征	追尾碰撞事故［MI］	3.326	1.153	2.884	0.004
	侧面碰撞事故［MI］	4.909	1.510	3.251	0.001
	侧面碰撞事故［SI］	5.269	1.751	3.009	0.003
	车辆故障及其他［MI］	3.236	0.686	4.716	0.000
	多车事故［MI］	-3.459	1.086	-3.185	0.001
	外地车牌［MI］	1.033	0.559	1.847	0.065
	涉及大型车［SI］	4.002	1.476	2.711	0.007
	路政救援到达时长［MI］	0.033	0.011	2.982	0.003
	路政救援处理时长［SI］	0.018	0.007	2.643	0.008
交通流特征	路段平均速度［MI］	0.014	0.010	1.333	0.183
	路段大型车比例［MI］	6.135	1.598	3.838	0.000
	路段平均速度［SI］	0.203	0.081	2.492	0.013
	路段小型车平均速度［SI］	-2.859	0.455	-6.281	0.000
	路段大型车平均速度［SI］	2.721	0.428	6.356	0.000
	路段大型车比例［SI］	8.008	3.033	2.640	0.008
	路段到达与离去交通量之差［SI］	-0.063	0.033	-1.884	0.060
	路段大型车与小型车速度差［SI］	-2.750	0.437	-6.287	0.000

变量名称		考虑均值异质性的随机参数Logit模型
变量名称		严重事故	一般事故	轻微事故
道路特征	普通坡道	0.000 4	-0.0050	0.004 6
	弯坡组合路段	0.0007	-0.000 3	-0.000 4
	特殊路段	-0.000 2	0.0047	-0.004 5
	双向六车道	-0.0022	-0.0218	0.024 0
环境特征	00：00 — 05：59	-0.000 5	0.0055	-0.005 0
	冬季	-0.0014	0.000 7	0.000 7
	能见度	-0.0296	0.0816	0.111 2
事故特征	追尾碰撞事故	-0.000 6	0.0510	-0.050 4
	侧面碰撞事故	0.0020	0.0050	-0.007 0
	驾驶员操作不当	-0.004 6	0.0359	-0.031 3
	车辆故障及其他	-0.001 3	0.0194	-0.018 1
	涉及大型车	0.0063	-0.002 5	-0.003 8
	多车事故	0.0052	-0.0430	0.037 8
	外地车牌	0.0007	0.0030	-0.003 7
	路政救援到达时长	-0.000 9	0.0163	-0.015 4
	路政救援处理时长	0.0009	0.0450	-0.045 9
交通流特征	路段平均速度	0.0654	0.0035	-0.068 9
	路段小型车平均速度	-0.0976	0.043 1	0.054 5
	路段大型车平均速度	0.0720	-0.031 8	-0.040 2
	路段大型车比例	0.0039	0.0347	-0.038 6
	路段到达与离去交通量之差	-0.0016	0.000 6	0.001 0
	路段大型车与小型车速度差	0.2224	-0.102 1	-0.120 3