文摘
司机和他们的驾驶习惯有关的因素主导交通事故的因果关系。深入了解人类的危险驾驶可能是特别重要的影响因素,促进有效的应用对策。本文试图探讨以人为本事故因素对事故的影响结果。选择最好的方法占未被注意的异质性之间碰撞的结果,潜在的类(LC) logit模型和随机参数logit模型(RPL)发展。模型估计结果通常显示严重伤害事故更有可能涉及到失业的司机,没有使用安全带,老司机疲劳驾驶,司机没有有效的许可证。模型的比较适合的统计数据表明,LC logit模型优于RPL模型,代替传统的多项logit MNL模型。
1。介绍
道路交通事故发生的因素相关元素的组合运输系统,由道路及其环境、车辆、道路使用者,崩溃的结果从财产损失。一些因素导致事故发生,而其他的影响结果(或程度)的崩溃或两者兼而有之。而一些事故因果因素的影响如速度相当明显,他们可能与其他未被注意的因素,如感觉寻求自然的司机,不通常占事故报道过程中。有一个整体的了解事故原因以及它们如何影响的严重性是必要的发展和目标的对策。
有明显的道路安全文学致力于事故发生和严重程度影响因素的研究。多个建议对策包括巷道再造,提高车辆安全特性,影响司机的行为和策略。这些建议和对策的发展一直固定在理解的因素影响事故发生的可能性和/或环境影响的严重性碰撞的结果。道路交通事故分析的一个关键组件的检查驱动程序。一些司机习惯或选择开车的方式进入崩溃的可能性增加。例如,驾驶风格选择等速度,超过阈值,对差距接受,和遵守交通管制与某些群体密切相关的司机(1]。根据(1),而某些群体的司机可能会不成比例地出现在事故统计数据,这可能是由于原因与崩溃的风险。一个早期的研究人员试图获得深入的了解事故因果因素研究三电平印第安纳州。从这项研究中,2)观察到人类的错误和缺陷是明确的或可能的原因在超过90%的崩溃了。领导直接人为因素识别研究包括注意不当(23%的事故可能的原因),超速(17%)、注意力不集中(15%)、闪避动作不当(13%),和内部干扰(9%)。在类似的研究中,(3]研究特定的驱动程序的行为和不安全的驾驶行为导致崩溃。这项研究进一步评估情境、司机和车辆特征与这些行为有关。他们发现人为错误是最常提到的因素在事故的99.2%,其次是环境(5.4%)和车辆因素(0.5%)。因此,大多数崩溃和它们相关的损伤和死亡可以与某种形式的不安全的驾驶习惯(3]。因此,重要的是检查因果驱动特征并评估他们的驾驶行为,增加事故发生的可能性。
探讨以人为本事故因果因素对事故的影响结果。这是通过发展中潜在的类分对数(LC)和随机参数分对数(RPL)模型识别人为因素如何影响伤害事故的严重性。
2。以人为中心的交通安全
司机相关行为因素和人为错误控制交通事故的因果关系2,3,6]。驾驶行为和风格是受到外部的因素。个体和社会特性影响驾驶行为在某种程度上可以影响事故发生的机会共同构成了人为因素在交通安全。司机特征(例如:性别、种族和年龄)、态度、信仰和人格特征(例如,宽容,谨慎,忽视,感知风险,和感觉寻求)是一些人为因素影响驾驶习惯(1,7,8]。社会规范和文化习俗,如遵守交通法规,另一方面也发挥重要的作用在塑造司机态度和信念。这些都对驾驶风格和影响交通安全的影响9- - - - - -14]。美国国家公路交通安全管理局(NHTSA)观察到文化差异和敏感性与机动车死亡和受伤率。例如,在美国,种族和族裔群体大多死于交通事故与更大的非西班牙裔白人(9]。美国汽车协会明确研究交通安全文化在美国12]。文献[15在爱荷华州)记录交通安全文化的差异,(16)记录交通安全行为的差异在阿拉巴马州的地理区域,和其他人(如。,(13,17]]甚至相比交通安全文化跨越国际边界。这意味着,在其他条件相同的情况下,一些以人为中心的特征和行为把一些团体的驾驶人进入交通事故的风险更大。
为了探索人为因素之间的因果关系和崩溃的可能性,(18]杰出行为相关因素分为两大类:那些减少司机执行驾驶任务的能力(例如,缺乏经验,事故倾向性,酗酒和吸毒),这些因素影响开车时冒险(例如,习惯性无视交通法律和法规)。不同人口群体之间的行为差异因素存在。例如,[19)指出,酒精不太可能是一个因素在交通事故涉及老司机,而年轻的司机承担风险的主要问题和缺乏技能。崩溃在年轻的司机更有可能涉及一个车,一个或多个驾驶错误,或涉及酒精滥用和速度作为一个因素。文献[20.)也发现,年轻男性更倾向于过度超速受同辈压力的影响。另一方面女性司机更容易驾驶错误(21]。文献[22]研究了分心驾驶对安全和交通流的影响。他们的研究表明,司机可能会开车的方式消极地影响交通安全和交通流如果他们分心,不顾司机的年龄。其他研究已经表明,没有经验的司机更容易分心(后错误和恢复更慢21,23]。文献[24)进行了一项研究,研究人格因素的影响评估在青春期对持续的危险驾驶行为和交通事故的参与在年轻的成年人。他们发现,男性,侵略,传统主义和异化与危险驾驶行为相关的人格特质最频繁和崩溃的风险。开车故意无视法律法规可能暗示的冒险行为。文献[25]发现无照司机在车祸受伤的风险明显高于那些持有一个有效的许可证。超出了个人特征,某些驾驶风格和行为也影响事故的严重性。例如,安全带不使用已经与在一次车祸中受伤和死亡的风险增加。文献[26]估计显示,超过一半的青少年司机(13 - 19岁)和成人20-44岁于2014年崩溃的时崩溃。更快的驾驶速度也增加事故发生的可能性和事故后果的严重程度。Speeding-related总交通事故死亡人数占约三分之一,在美国2005年和2014年之间(27]。损伤由酒精和其他药物,司机分心,注意力不集中已经援引经常在崩溃和这些因素也会影响的严重性崩溃的结果(如。,(2,3,28,29日]]。统计数据显示,alcohol-impaired-driving死亡人数占三分之一的事故死亡人数在2014年美国29日]。司机注意力不集中也被广泛与事故发生。近10%的致命事故,伤害事故的18%,16%的警方报告2014年机动车交通事故报道被分心驾驶相关(30.]。
考虑到人为因素负责交通事故的比例最高,看起来,以人为中心的对策将是值得追求的。事实上,(31日)报道,事故对策影响司机的行为时达到最好的结果。以人为中心的对策可能采取的形式提高司机的培训和测试,教育运动旨在改变驾驶实践、立法控制驱动行为,改善道路系统的设计和汽车(1]。促进安全文化的道路使用者行为必须实现持续减少道路交通伤害。
3所示。事故受伤严重程度模型
碰撞损伤严重程度研究的主要重点是识别因素影响的严重性碰撞的结果。安全研究人员依靠无数统计建模技术,应用于撞车造成记录和其他noncrash具体数据,以获得数据驱动的知识和理解成事故因果情况。文献[32]表明,兴趣影响碰撞损伤程度识别因素大大增加在过去的几年里,也许,由于数据的可用性和扩散高级统计包。根据数据特点和范围的研究中,研究人员可以选择从各种统计工具碰撞严重程度的研究。
离散选择模型(分对数和probit)已经广泛使用多年来分析事故伤害严重程度的分类划分成离散的结果。这些方法已经应用于研究不同的道路安全设施,包括变量描述事故的情况下,环境条件,道路,车辆,和驱动程序的特点。例如,[33)使用嵌套分对数公式来预测事故严重性的部分农村州际在华盛顿州。本研究调查环境条件的影响,公路设计、事故类型、驱动程序的特点,和车辆属性事故严重性。参考文献(34,35]应用嵌套分对数技术来分析事故严重性在没信号灯路口在环形路,分别。其他分对数建模技术用于损伤程度的研究包括二进制逻辑模型(36- - - - - -40],下令logit模型[41- - - - - -44],多项logit [45,46],组合logit [5,47),和异构模型(44]。Logit模型却不能够处理随机变化和对暂时不适用于面板数据相关的错误。他们也不允许任何的替代模式48]。Probit模型解决这些局限性。命令probit模型是最常用的类型的概率单位模型(如碰撞严重程度分析。,(34,49- - - - - -51]]。文献[52]命令probit建模技术用于分离因素造成伤害在老司机参与崩溃。文献[53)对信号交叉路口的交通事故进行了分析,以确定预期的损伤严重性级别使用命令probit模型。数据挖掘技术也被用于分析交通事故受伤严重。例如,[54,55)用于分类和回归树和(56)使用卡方自动交互检测分析事故的严重性。其他先进的方法用于文学包括贝叶斯网络(如。,(57,58]],神经网络(如。,(59,60]],和线性遗传规划(如。,(61年]]。潜在的类方法最近被用于分析司机伤害的严重性(62年- - - - - -64年]。
事故数据的基本特征和目的的研究决定的选择工具或方法(65年]。许多其他方法已经用于事故伤害严重程度的研究。这绝不是详尽的讨论话题。文献[65年),例如,提供了一个全面审查的碰撞损伤严重程度模型和方法。同样的,(32)进行了分析和提出了文档在不同建模方法的特点和局限性的安全人员。
4所示。数据描述
这项研究是基于2011 - 2015年与伤害有关事故数据,阿拉巴马州,从批判性分析报告获得环境(保健)系统由先进的公共安全中心的阿拉巴马大学阿拉巴马州交通部门(ALDOT)。每个事故记录包含所有细节与交通事故有关的记录被警察时的崩溃,包括司机的详细信息(例如:性别、年龄、种族)和车辆(如制作,模型,和年龄),道路环境的描述(设备类型、存在曲率或年级,交通控制,等等),和环境条件(天气、照明、农村与城市、等等)。数据过滤选择崩溃,据报道,以人为本作为他们的主要贡献因素情况。这些以人为中心的因素包括驾驶风格、决策和活动由司机,导致崩溃。对于每一个碰撞事件,驾照的信息状态和安全带的使用。人口统计信息的因果司机也获得。观测结果与数据的缺失值被忽略,导致87326观察。表1显示可用的变量的汇总统计模型建立和分析。
采用诸如两类严重程度通常是在碰撞损伤严重程度的研究(如完成。,(16,36- - - - - -40]]。重伤事故(定义为死亡或失能伤害,一个失能伤害意味着受害者无法离开事故现场实物援助)由30%的数据和轻伤事故(定义为nonincapacitating受伤或可能的损伤)由70%的观察。事故涉及某种形式的驱动程序错误(定义为包括攻击性驾驶行为,未能产生,太近,,跑交通控制设备)由大约一半的伤害事故。据报道约44%的伤害事故涉及女性。第三个涉及交通碰撞损伤的失业和大约42%的司机不到30岁。约9%的司机在药物的影响下,酒精,或药物治疗,而11%超速。
5。方法
未被注意的异质性是交通安全研究的关键问题。忽略的缓和效果未被注意的变量会导致偏见的估计和错误的推论如果不恰当的使用方法66年,67年]。限制变量的影响模型的统计学意义否则会意味着取消一些风险因素。文献[68年)观察到一个无关紧要的变量在一个模型可能是由于缺乏观察。另一方面,一个变量的意义在受伤严重程度模型不是一个自动表明它是一个重要的病原学的因素。
报告事故损伤严重程度的顺序自然使命令probit和logit模型适当51,69年]。然而,这些模型形式可以限制变量概率影响的结果,可能导致错误的推论(37,70年]。相比传统的命令概率模型,多项logit (MNL)模型有一个灵活的结构,它允许每个结果严重程度有不同的函数用于捕获的概率损伤严重程度(66年,71年,72年]。尽管如此,MNL模型缺乏应用,因为它是容易的相关性未被注意的影响从一个事故严重性级别。这种相关性会导致违反模型的独立无关的替代品(花絮)属性70年]。同时,假设随机项碰撞严重程度函数MNL模型是独立同分布(IID)通常是违反了在实践中因为碰撞严重程度函数不包含所有因素的完整列表。尽管嵌套logit模型可以捕捉一些未被注意的效果分享一些损伤严重程度的结果,他们不能解决数据中未被注意的异质性。随机参数组合logit模型和潜在的类(有限的混合物)logit模型能够捕捉到未被注意的异质性通过允许参数在不同观测(47,67年,73年]。在这项研究中,损伤严重程度进行调查分析一些人为解释因素的影响的可能性的发生严重或轻微损伤的严重性。
5.1。损伤严重程度分析
传统MNL损伤严重度模型首先确定以人为本变量如何影响碰撞的结果。然后估计地址RPL和LC logit模型固有的非均质性的挑战MNL模型。估计结果RPL和LC logit模型相比,然后选择最好的拟合模型来替代MNL模型。
5.1.1。随机参数Logit模型
RPL内异质性模型允许观察事故数据不同向量的元素的有价值的参数, 。结果特定的常量和元素可以是固定或随机分布在所有参数固定的含义。随机参数logit模型制定了从标准MNL通过引入随机参数 ,在哪里是一个向量选择密度函数的参数(均值和方差)48,70年,74年] 和的概率是受伤严重吗有条件的 。
对模型估计,现在可以占未被注意的异质性的影响伤害严重结果的概率,密度函数用于确定 。随机参数分对数概率是一些不同的值的加权平均在观察一些元素的参数向量是固定的参数和一些可能是随机分布的。相关的连续分布参数不同事故如何观察被研究人员认为。在这项研究中,正态分布假定的模型估计(5]。
5.1.2中。潜在的类分对数模型
LC logit模型提供了另一种观点logit模型的随机参数的适应异质性(67年,73年,75年]。这个模型取代了连续分布假设的随机参数模型与离散分布的异质性是被不同的类的成员75年,76年]。潜在的类分对数模型允许司机受伤严重不同的类,每个类将有自己的参数的概率(77年] 在哪里代表一个矢量显示的概率对事故 , 是可能的类 ,和代表可估计的参数(职业专用参数)。司机有损伤严重程度的概率是由 在哪里 司机受伤严重程度水平的概率是对事故在课堂上 。基于上述两个方程中,潜类logit模型类将 在哪里代表了可能受伤的严重性级别和数量是一个职业专用参数向量,有限的一组值。
潜在的类logit模型可以用最大似然估计程序(75年]。潜在的类方法但是不占变异的可能性在一个类,因为它假定均匀的特点在课堂观察(76年]。参考文献(78年,79年]呈现随机参数潜伏隐藏类的类模型为一个扩展logit模型来捕获与观察到的上下文交互影响中潜在的类。
边际效应通常是计算,揭示了相关解释变量对因变量的影响。边际效应在潜类logit模型计算为每个类的估计概率指标的差异变化从0到1,同时保持所有其他变量。文献[80年)表明,直接和cross-marginal效果可以分别计算如下: 边际效应的直接显示单元的变化的影响的概率, ,对事故导致严重 。cross-marginal效应显示单元变量的变化的影响的替代( )的概率对事故导致的结果 。根据(80年,81年),最后的解释变量的边际效应是边际效应之和为每个类的加权后潜在的类概率。应该注意的是,没有明确的规则选择一定数量的潜在的类建模(81年]。记录,然而,太多的类可以影响模型收敛性和复杂的模型解释(82年]。有人建议添加一个类一次直到进一步添加不加强直观的解释,数据符合(75年,82年]。选择最适合的模型数据,可能会执行似然比测试比较模型与不同数量的类(75年),或基于贝叶斯信息准则(BIC)两种模型的计算83年- - - - - -86年]。最近的碰撞损伤严重程度的研究利用BIC测量确定类的数量(63年,64年,66年]。的BIC等于给定的实证模型 在哪里是对数似在收敛,参数的数量,是观测的数量。适合低BIC值显示一个更好的模型。
6。估计结果
考试类的以人为中心的因素中伤害事故显示有趣的信息行为导致伤害事故,在某种程度上,表现出他们什么类型的驱动程序。为了发展一个更微妙的理解以人为本的因素如何影响事故严重程度,进行了一系列的分析研究各种参数的程度是有用的估计事故中受伤严重。总共有12个变量用于建模。表2显示了估计结果RPL和LC logit模型。自从RPL和LC logit模型改进标准MNL模型的扩展,MNL模型的结果也证实了这一点。
MNL模型显示,事故涉及疲劳,司机与无效的许可,没有使用安全带,老和失业的司机更有可能导致严重伤害而驱动程序错误,酒后驾车,速度和分心相关的崩溃更有可能导致轻伤。MNL模型还显示,女性司机,年轻司机,非裔美国人的司机更有可能参与轻伤事故。MNL模型中参数的影响是固定在严重的水平。这意味着变量假定影响轻伤或严重伤害,不是两个。RPL模型,然而,显示驱动程序错误,超速,分心驾驶,没有使用安全带,年轻司机指标是随机变量。随机变量明显导致严重和轻伤事故。这意味着一些比例的崩溃涉及一个随机变量,例如,驱动程序错误,导致严重的伤害和一些比例导致轻伤。
两个不同的类与均匀属性被确定为LC logit模型是重要的:潜类1 (LC 1)概率为0.72和潜类2 (LC 2)概率为0.28。两种模型估计被选在三级模型基于BIC:两个——和三级模型BIC值98032年和98154年,分别。检查重伤函数定义的常数项表明,崩溃在LC 1更有可能导致严重的伤害比信用证2中崩溃。一个有趣的观察是,老司机有很高的几率被卷入严重伤害事故无论潜在的类。驱动程序错误,酒后驾车、速度和分心相关的崩溃不太可能导致轻伤在LC 2,但更有可能导致轻伤LC 1。同样,涉及女性的崩溃,非裔美国人,年轻司机可能导致严重伤害在LC 2和LC 1轻伤。失业的司机更有可能参与严重伤害事故在LC 1但不太可能参与信用证2中相同。
边际效应(表3)表明,老司机和崩溃涉及没有使用安全带,分别高出0.73%和1.89%的可能性造成严重伤害。伤害事故涉及失业的司机,司机与无效的许可,和疲劳驾驶,分别有4.19%、0.32%和0.05%更高的机会导致严重损伤的结果。这个结果也表明,司机没有就业或许更有可能和无效的许可。边际效应的另一个有趣的结果是,尽管很大一部分伤害事故是由于司机的错误,酒后驾车,超速,他们的结果更有可能是轻伤。
比较适合的统计数据(例如,麦克费登伪= 0.069,0.183,0.193为MNL, RPL, LC logit模型,分别地。)表明一个更强的支持LC MNL logit模型,RPL模型。类似的结论已经被其他研究者报道(如。,75年,81年,87年,88年]]。是尝试为本研究开发LC logit模型随机参数。然而,没有一个随机参数的统计上显著的标准差。也没有显著改善模型符合统计与LC logit模型相比。
7所示。结论
摘要潜类logit模型和随机参数作为替代传统的以人为中心的多项logit模型碰撞损伤严重程度分析考虑到难以察觉的异质性。这项研究是基于2011 - 2015伤害有关事故数据,阿拉巴马州,只考虑崩溃,以人为中心的主要原因。两个碰撞损伤结果检查:严重伤害(死亡和失能伤害)和轻伤(non-incapacitating和可能的伤害)。十二个变量被用来构建模型。
比较合适的统计数据表明,两种潜在的类logit模型比随机参数模型,代替传统的MNL模型。这个结果通常是与过去的研究在这个领域。一次由LC logit模型来识别随机参数。然而,没有一个随机参数的统计上显著的标准差。也没有显著改善模型符合统计与LC logit模型相比。
RPL和LC模型表明,六个特定驾驶行为明显导致严重事故的发生,司机错误,超速行驶,酒后驾车,分心驾驶,疲劳驾驶,不戴安全带。这些结论表明,有针对性的宣传和教育活动旨在解决这些具体行为(或组合)可以降低严重的崩溃(例如。,(1,7,18,23,24]]。分析还表明,教育努力关注特定的驱动程序类型(即。、人口组)也可以有效地减少严重的崩溃在阿拉巴马州。最后,一些行为可能与增加或增强的积极影响执行(如。,(1,14,89年]]。
以人为本(即。,driving behavioral related) inferences from the current study are limited to the driving population of the State of Alabama. Nonetheless, there are general observations and conclusions documented herein that expand the understanding of the relationship between drivers and the severity outcomes of crashes.
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者要感谢东南交通中心和阿拉巴马州交通研究所的这项研究的支持。