评估道路使用者行为对公路与铁路平面交叉口事故严重程度的影响：一种数据驱动的分析方法 伊姆兰·巴德沙（Imran Badshah）、 阿萨德·阿里（Asad Ali）、 潘璐（Pan Lu）和 阿明·克拉马蒂（Amin Keramati）

《Infrastructures》：Evaluating the Impact of Road User Actions on Crash Severity at Highway–Rail Grade Crossings: A Data-Driven Analytics Approach Imran Badshah, Asad Ali, Pan Lu and Amin Keramati

　　摘要
公路与铁路平交道（HRGCs）是指道路和铁路轨道在同一水平面上交汇的地点。由于行进者在同一平面上，且火车与公路使用者之间的质量差异巨大，这些交叉点的碰撞往往具有灾难性后果。因此，HRGC事故在美国构成了重大的公共安全问题。虽然之前的研究已经评估了导致事故严重性的因素，但很少关注公路使用者的行为及其对事故严重性的影响。本研究旨在全面考察所有相关因素，特别关注公路使用者的行为。数据集来源于联邦铁路管理局的数据库，涵盖了2013年至2022年间六个州的相关数据，具体分析了事故的严重性和影响因素。比例分析显示，“绕过道口”、“未停车”和“在交叉口停车”等公路使用者的行为是导致事故严重性的主要因素。通过多项式逻辑回归分析，确定了事故严重性的关键决定因素。比值比分析表明，“绕过道口”在所有六个州都显著增加了致命伤害的风险，比值比范围从加利福尼亚州的3.45到乔治亚州的4.55不等。这些发现提供了数据驱动的见解，有助于制定针对性的安全措施和智能交通管理策略，以提高HRGC的安全性。

1. 引言
公路与铁路平交道（HRGCs）是不同交通方式（如火车、汽车、摩托车、自行车和行人）共用同一交叉点的场所[1]。这类交叉点极易发生严重的交通事故，往往导致灾难性后果并造成巨大的经济损失。此外，这些事故还会导致交通延误，影响铁路和公路网络。这些交叉点的碰撞风险更高，其严重性受多种因素影响。联邦铁路管理局（FRA）[2]报告称，2023年在公共和私人道路交叉口发生了2192起铁路事故，造成247人死亡和766人受伤（详见补充材料）。
现代的公路与铁路平交道（HRGCs）正逐渐发展成为智能交通系统（ITSs）的重要组成部分。新兴技术结合了人工智能和先进的传感器网络来提高交叉口的安全性。特别是深度学习方法能够自主检测危险情况，而基于摄像头的监控系统可以实时识别危险的道路使用者行为[3]。这些由AI驱动的方法支持数据驱动的安全改进和主动的风险缓解。同时，联网车辆应用可以为接近的驾驶员提供及时警告，进一步降低碰撞风险[4]。这些技术共同代表了HRGC安全管理的未来。然而，有效实施这些系统需要清楚地了解人类行为模式。因此，行为分析对于指导技术部署和最大化其安全效益至关重要。
研究表明，火车与车辆碰撞的致命风险是车辆与车辆碰撞的20倍，HRGCs中的关键因素包括误判警告信号、分心驾驶、故意无视交叉口警告以及对火车速度判断失误[5]。
2023年，“Operation Lifesaver”项目确定了美国发生HRGC事故最多的25个州。德克萨斯州以246起事故领先，其中包括16人死亡和77人受伤；加利福尼亚州和乔治亚州分别发生了172起和135起事故。相比之下，威斯康星州、明尼苏达州和新泽西州的事故数量明显较少，分别为36起、35起和35起[6]。本研究同时关注事故频率高和低的州，以探讨公路使用者行为及其他主要因素对事故严重性的影响。事故严重性分为三类：仅财产损失（PDO）、受伤和致命伤害[7]。评估公路使用者行为对HRGC事故严重性的影响可以为制定或完善交通法规（如交通法律）提供安全指标，并有助于改进交叉口设计。通过解决最常见的人类行为问题，可以大大降低安全问题和严重性风险。
大多数关于事故严重性的研究忽视了公路使用者或驾驶员的行为，这突显了需要关注驾驶员的态度并减少他们在HRGCs的违规行为[8]。本研究的新颖之处在于强调公路使用者行为是事故严重性的主要决定因素，这一方面在现有文献中受到的关注较少。通过跨越六个地理环境不同的州进行州级比较分析，进一步强化了这一观点。利用十年的联邦铁路管理局事故记录，本研究首次系统地分析了这一地理尺度上的事故严重性。采用多项式逻辑回归评估了包括温度、火车速度、用户年龄、事故年份、性别和公路使用者行为在内的多种因素。选择多项式逻辑回归模型是因为其结构和分类输出与事故严重性的性质相匹配，后者包括三个结果类别：“无伤害”、“非致命伤害”和“致命伤害”。研究结果表明，公路使用者行为是影响事故严重性的所有关键因素中最重要的因素。这些发现将为政策制定者、交通机构和其他利益相关者提供信息，帮助他们制定更有效的法规、设计更安全的基础设施和实施有针对性的安全计划。

2. 文献综述
2.1 HRGCs的风险因素
关于公路与铁路平交道安全的研究在过去几十年中取得了显著进展。早期研究确定了影响碰撞风险的关键因素。例如，Edwin H. Farr（1987）[9]指出交通流量、火车频率和交叉口防护类型是HRGC事故的主要因素。1997年，Gitelman和Hakkert[10]通过纳入能见度条件和道路几何形状等环境变量，扩展了风险评估框架。21世纪初的一项研究分析了HRGCs的事故频率和严重性，发现一天中的时间、车辆和火车速度、驾驶员年龄、道路几何形状、交通流量和天气条件显著影响了事故的发生[11]。Hao和Daniel进一步研究发现，事故严重性与时间、驾驶员年龄和天气条件等变量之间存在强烈关联[12]。因此，HRGC事故的趋势已经得到了彻底研究。事故高峰期出现在早晨（6:00–9:00）、傍晚（4:00–7:00）和午后（12:00–3:00）[13]。观察到的时间模式也与季节性趋势一致，冬季由于日光减少、能见度差和恶劣天气条件，事故率会增加[1]。能见度和速度相关因素也受到了广泛关注。研究表明，能见度有限、恶劣天气以及车辆或火车速度超过平均阈值会显著增加事故概率[14]。这些参数也在基础设施特征的背景下进行了研究，结果表明交叉角度[15]和接近坡度在能见度差的情况下进一步增加了事故可能性[16]。

2.2 车辆类型和驾驶员行为
不同类型的车辆在HRGCs表现出不同的风险特征。重型卡车驾驶员由于穿越时间较长，发生致命事故的风险更高[17,18]。驾驶员疲劳和交通流状况也会增加HRGCs中涉及卡车的致命事故[19]。研究强调了卡车调度实践和服务时间规定与交叉口安全之间的关联。此外，一项研究发现，激进的年轻驾驶员在早晨高峰期受伤更为严重[20]。最近的一项研究通过纳入驾驶员分心指标，发现靠近交叉口使用智能手机已成为冒险行为的主要因素，尤其是在年轻驾驶员中[21]。
对于HRGCs中的行人来说，能见度差和警告系统不足是农村地区受伤的主要原因[22]。此外，行人过街设施、照明条件和火车喇叭的音量共同影响行人安全，老年行人和行动不便的行人尤其脆弱[23]。交叉口的物理布局也会影响风险特征。例如，研究表明，更多的铁路轨道会增加车辆与火车碰撞的风险，因为穿越时间延长[24]。因此，交叉口宽度、接近坡度和视线距离三角形是共同决定整体风险暴露的相关因素。

2.3 安全措施和干预措施
HRGCs的交通控制通常分为被动和主动两种方法。被动措施包括在上游、下游和关键区域内设置路面标志和道路标线[25]。成本效益分析表明，这些相对便宜的干预措施对于低流量交叉口非常有效。许多研究表明，主动警告系统优于其他类型的警告系统[26]。一项研究发现，铃声、闪光灯和道口门等设备通过提醒道路使用者注意接近的火车，显著降低了事故率[27]。该研究进一步确定了不同主动警告配置的相对有效性，发现四象限道口门系统的风险降低效果最佳[28]。铁路交叉口的停车标志也有助于减少事故，尽管遵守率因地点和交通流量而异。在道口门和闪光灯上添加声音装置可将PDO、受伤和致命事故的风险分别降低49%、52%和50%[29]。研究发现，在现有警告装置上添加反光材料可以在夜间和恶劣天气条件下提高其有效性，而无需大量基础设施投资[30]。最新的研究将AHP-HI模型与竞争风险模型相结合，有助于改进安全决策并指导有针对性的基础设施投资[18]。
除了传统的警告系统外，最近的研究还探讨了信号优先作为城市环境中成本效益较高的平交分离替代方案。基于微仿真的分析表明，信号优先可以减少车辆排队溢出到轨道区域的情况，降低车辆被困在轨道上的风险，同时减少交通延误[31]。这些发现支持将优先实施扩展到MUTCD规定的61米阈值之外的交叉口。在政策和技术层面，联邦安全倡议和新兴工具（如联网车辆警告和基于人工智能的视频分析）进一步提高了驾驶员意识和实时违规检测能力[3,32]。
尽管有现有研究，美国某些州在HRGCs仍面临较高的致命和非致命伤害事故率。必须强调使用者行为及其对事故严重性的影响。本研究通过纳入之前在严重性分析中被忽视的关键因素，填补了这一空白。虽然大多数研究使用多项式回归来分析影响HRGC事故严重性的关键因素，但本研究特别分析了公路使用者行为及其他影响因素。

3. 方法论
作者选择多项式逻辑回归模型而非机器学习方法，是因为它能够通过比值比提供可解释的结果。该模型产生的比值比（Exp(B)）直接说明了自变量单位变化如何影响选择某一结果相对于参考类别的相对概率。此外，该模型还允许计算边际效应，显示预测变量变化如何影响每个可能结果的预测概率。与在小型或不平衡数据集中通常缺乏透明度和泛化能力的机器学习模型不同[33]，多项式逻辑回归的统计输出使得比较不同类别之间的变量影响更加容易，并以政策相关且可解释的方式传达研究结果，使读者能够清楚地了解人类行为如何影响事故严重性以及其他因素。MLR提供了一种可靠且统计上合理的方法，符合本研究的行为安全研究目标。
尽管事故严重性结果（PDO、受伤、致命伤害）本质上是序数的，但采用多项式逻辑回归（MLR）可以灵活估计特定类别的效果，并直接解释比值比。由于多元逻辑回归（MLR）依赖于无关替代方案的独立性（IIA）假设，因此对每个特定州的模型进行了Hausman–McFadden检验。对于所有州，IIA的零假设均未被拒绝。排除致命性χ2（10）= 0.00，p = 1.000；排除受伤情况χ2（10）= 0.00，p = 1.000），表明没有违反IIA的证据。这些结果支持多项式框架适用于州级碰撞严重性分析。此外，MLR假设连续预测变量与每个结果类别的对数几率之间存在线性关系，这一假设已在表1中进行了正式评估。表1显示了基于AIC的连续预测变量的函数形式检验。为了检验连续预测变量的函数形式敏感性，在六个州级的模型中引入了用户年龄、列车速度和温度的二次项，并使用赤池信息量准则（AIC）比较了模型拟合度。在所有六个州中，线性模型始终产生较低的AIC值，ΔAIC值从新泽西州的+147.88到德克萨斯州的+570.79不等，如表1所示。在每种情况下，二次项都没有改善模型拟合度，这证实了线性函数形式在所有六个州中都是适当的且一致的。因此，观察到的温度和列车速度的效应大小较小，反映了真实的关联，而不是模型设定错误。

为了评估模型选择，将MLR与有序逻辑回归和使用六个州汇总数据的决策树分类器进行了比较。MLR获得了最低的AIC（27,412.76）和最高的分类准确率（64.0%），优于有序逻辑回归（AIC = 27,729.51，准确率 = 63.4%）和决策树（交叉验证准确率 = 62.6%）。通过似然比检验（LR = 334.75，df = 9，p < 0.001，如图1所示）进一步证实了MLR优于有序逻辑回归。虽然决策树是一种机器学习方法，但它不能提供支持本研究政策建议的系数级行为解释。因此，基于统计和实际考虑，MLR被保留为主要建模框架。图1显示了使用六个州汇总数据的多项式逻辑回归、有序逻辑回归和决策树分类器的比较性能。MLR是一种公认的用于建模因变量（如碰撞严重性）的技术，它有三个不同的结果：“仅财产损失”、“受伤”和“致命受伤”。该方法允许同时包含连续变量（例如列车速度、温度、用户年龄）和分类变量（例如性别、公路用户行为），非常适合分析公路用户行为和环境因素的综合影响。

为了处理比例严重性结果，提出了一个多项式逻辑回归（MLR）模型来研究公路用户行为以及其他关键碰撞因素（包括用户年龄、温度、列车速度、性别和天气条件）的影响。多项式逻辑回归模型考虑?? =(??1,??2,...,????)作为影响因素集合，j = 0, 1, 2分别代表“无受伤”、“非致命受伤”和“致命受伤”三个碰撞严重性级别，所提出的MLR模型由方程（1）给出：
???(??=??|??)=?{ { { { { {?11+∑2??=1?????????(?????0+∑????=1????????????),??????? ??=0?????????(?????0+∑????=1????????????)1+∑2??=1?????????(?????0+∑????=1????????????),??????? ??=1,?2 (1) 其中 Y: 表示碰撞严重性的分类因变量。X: 影响因素向量。?????0: 结果j的截距，表示当所有自变量为零时观察到碰撞严重性级别j的基线对数几率。???????: 预测变量????对应于结果j的回归系数，表示每增加一个单位的????，严重性级别j的对数几率变化。???(?? =??|??): 给定协变量值时，导致严重性级别j的碰撞预测概率。

注意，方程（1）假设j = 0为参考类别。

对于类别j与基准类别（0）的对数几率，有：
log?(???(????=??)???(????=0))=???????0+????∑??=1?????0????? 当预测变量????增加一个单位时，结果j的对数几率变化为：
Δ?log?(???(????=??)???(????=0))=?????????,?????∈{1,…,???} ???????: 是与预测变量????相关的结果j的系数。

取系数的指数得到几率比，表示当????增加一个单位时，结果j相对于结果0的几率的乘法变化：
??????????=exp?(???????) 比率比为了解每个预测变量如何影响相对于参考类别的各种碰撞结果提供了清晰的见解。

连续变量????对结果概率的边际效应为：
????(??=??)?????=???(??=??)?(????????2∑??=0???(??=??)????????) 其中???????是类别??的????系数；???(??=??)是结果l的预测概率。

这表明????的微小变化如何改变选择类别??的预测概率，同时考虑了模型中的其他因素。

4. 数据介绍
本研究的数据集包括2013年至2022年间六个州的十年HRGC碰撞记录。该数据集是通过将联邦铁路管理局（FRA）数据库的事故/事件数据与国家公路交通安全管理局（NHTSA）数据库的车辆行驶里程（VMT）数据合并编制而成的。事故/事件数据集包含HRGC碰撞记录以及事故属性，如碰撞严重性、环境条件和事故前的人类行为。VMT数据用于计算平交道口事故率。在六个研究州中，数据集包含6296条碰撞记录，其中1061条（16.9%）导致致命受伤，2893条（45.9%）导致非致命受伤，2342条（37.2%）仅造成财产损失。各州的致命受伤比例从德克萨斯州的9.0%到加利福尼亚州的29.6%不等，反映了公路-铁路平交道口碰撞数据固有的严重性分布不平衡。表2提供了数据集的摘要。表2列出了数据集来源和关键属性。在这项研究中，使用了比例分析和（MLR）模型分析来确定公路用户行为（HUAs）与碰撞严重性之间的关系。此类分析首先突出了与严重结果最常相关的用户属性，然后详细评估了某些增加受伤可能性的HUAs。

5. 分析与结果
5.1. 公路用户行为的描述性统计分析/比例分析
本研究估计了前三个州和后三个州在碰撞频率方面的数据（表3）。根据FRA记录，碰撞频率最高的州是德克萨斯州、加利福尼亚州和乔治亚州，而威斯康星州、明尼苏达州和新泽西州的碰撞频率最低。事故率是通过将该州的事故数量除以该州的平均VMT计算得出的。结果表明，2013年至2022年间，乔治亚州的平均事故率最高，其次是德克萨斯州和明尼苏达州。表3显示了2013-2022年的事故率。根据FRA的分类，公路用户行为被分为八种不同类型，如表4所示。在这些类型中，行为1、3和4被确定为导致六个研究州中更多碰撞的原因（图2）。行为1、“绕过闸门”表明明显无视既定的安全协议。行为3、“未停车”突显了疏忽和缺乏情境意识，表明了危险行为。行为4、“在平交道上停车”通过阻碍通行增加了事故的可能性[19]。表4列出了HRGC处的公路用户行为。图2显示了2013-2022年的碰撞次数和公路用户行为数量。表5按严重性量化了实际碰撞次数，而表6将这些发现置于比例背景下，以便进行州级比较。表6显示，从碰撞次数、事故率和严重性的角度来看，乔治亚州受到三种道路用户行为的影响最大。这些比例均超过80%，其次是其他州。德克萨斯州和加利福尼亚州记录的三种行为的影响较低，但数值仍然显著较高。这表明这些行为在所有六个州中都非常关键，因为它们对碰撞频率和严重性有影响。表7证实了行为1、3和4与严重性之间存在构成关系。

5.2. 多项式逻辑回归分析
表8总结了各种预测变量对六个州碰撞严重性结果的影响。考虑的变量——温度、列车速度、用户年龄、公路用户行为、事故年份和性别——反映了可能影响HRGC处人类行为的因素。总体而言，所有因素都被认为是决定HRGC碰撞严重性的重要因素。表8显示了模型拟合标准。表9显示了HUAs对HRGC处碰撞严重性的影响。严重性级别被分类为“0”（仅财产损失）、“1”（受伤）和“2”（致命受伤），其中“0”作为参考类别。HUA 7（“绕过闸门”）被选为参考类别，因为它代表了最遵守规则的通行行为，为所有其他公路用户行为提供了行为上的基准。HUA 6（绕过/穿过临时路障）因在所有州的频率极低而被排除，这阻碍了可靠的参数估计。HUA 8（自杀企图）被排除，因为它代表了一种有意的不同行为机制，无法与无意的交通违规行为相比较；其在加利福尼亚州的高死亡率进一步证实了其与其他HUA类别的不同。使用SPPS进行多项式逻辑回归，回归系数用B表示，几率比用Exp(B)标记，表示与参考类别相比，碰撞结果变化的可能性。大于1的值表示风险增加，而较低的值表示相对于参考类别风险降低。表9显示了模型的参数估计。“绕过闸门”的行为HUA 1始终与更高的严重性相关，尤其是在所有分析的六个州中，Exp(B)通常超过3。致命受伤的几率比在加利福尼亚州为3.45，在乔治亚州为4.55。研究结果表明，从事这种行为的用户参与受伤碰撞的可能性是合法通过闸门用户的三到四倍。“停车后继续行驶”的HUA 2在所有州中显示出轻微增加的几率。“未停车”的HUA 3在所有州中显示出轻微增加的几率，但在加利福尼亚州除外。此外，“停车后继续行驶”和“未停车”的行为与几个州的致命受伤风险增加有关，特别是在德克萨斯州、乔治亚州和威斯康星州。相比之下，“在平交道上停车”的HUA 4和“其他”HUA 5——未归类在八个主要行为类别中的行为——通常与较低的风险水平相关。HUA 4和HUA 5的系数通常显著为负，尤其是在严重性1方面，表明与HUA 7（“穿过闸门”）相比风险降低。另一个值得注意的发现是，大多数预测变量的系数在严重性2方面的绝对值大于严重性1，表明严重性2的相关性更强。总体而言，“绕过闸门”和“未停车”的行为始终构成最大的危险，强调了在公路-铁路平交道口需要针对性的安全干预和更严格的执法。

对于其他影响因素，模型结果也揭示了有趣的发现。温度和列车速度在所有州和严重性级别上都有正系数，表明较高的温度和速度与增加的严重性可能性相关。相对较小的Exp(B)值（约1）表明影响可能较小但是一致的。用户年龄与所有模型中的事故严重程度呈正相关，表明年龄较大的用户遭遇更严重后果的可能性略高。年份变量大多具有负系数，意味着对于大多数州而言，较新的年份与较低的事故严重程度相关。然而，在德克萨斯州和新泽西州，致命伤害与年份呈正相关。在所有州和模型中，女性遭遇更严重后果的风险更高；比值比范围约为1.3到2，表明这种影响较为显著。表10提供了各州和事故严重程度水平之间比值比大小的定性比较总结。所有报告的值在p<0.05时都具有统计学意义，如表9中所确定的。这表明，基于性别的伤害风险显示女性受到的影响大于男性，在德克萨斯州和明尼苏达州，无论是轻微还是严重的事故中，这种影响都最为明显。HUA“1”与乔治亚州、新泽西州和德克萨斯州的致命伤害风险增加有很强的关联，而加利福尼亚州和乔治亚州则更容易发生非致命伤害。HUA“3”在德克萨斯州和乔治亚州也带来了重大的致命伤害风险，在加利福尼亚州和乔治亚州则导致较轻的非致命伤害风险。较高的列车速度和较大的年龄略微增加了轻微和严重事故的风险，而高温对所有州的影响可以忽略不计。表10按严重程度和州级预测因素进行了比较风险评估。在多项逻辑回归中，边际效应表示在不同预测变量水平下（如高速公路用户行为）每个结果的预测概率。表11展示了当特定高速公路用户行为发生时，其他所有变量保持不变的情况下，每个结果发生的可能性如何变化。使用RStudio 4.50来评估边际效应；此类分析揭示了相同高速公路用户行为（HUAs）在不同州导致不同事故严重程度概率的显著差异。HUA 1在致命伤害概率上存在明显的地理差异，在明尼苏达州为0.43，在加利福尼亚州为0.42，而在德克萨斯州仅为0.08，在乔治亚州为0.11。这表明相同的驾驶行为在不同州的背景下具有显著不同的风险。对于HUA 4，边际效应在所有州中一致支持仅造成财产损失（PDO）的结果（0.67–0.85），表明这种行为的安全性在不同地点相似。表11显示了高速公路用户行为对事故严重程度概率的边际效应按州划分的情况。州特定的边际效应差异对安全政策具有重要意义，因为它们有助于评估与各州严重事故结果密切相关的HUA。例如，加利福尼亚州和明尼苏达州应优先处理HUA 1，因其具有较高的致命风险，而威斯康星州可能应重点减少与该行为相关的非致命伤害。新泽西州某些HUA的较低致命率表明某些做法可能对其他州也有益。表11中报告的边际效应是在所有连续预测变量的平均值上计算的（均值边际效应，MEM），代表在特定HUA条件下每个严重程度结果的条件预测概率，而不是无条件的人口水平致命率。解决各州之间的风险因素差异对于在公路-铁路平交道实施有效的安全策略至关重要。表12展示了基于州级事故严重程度和用户行为模式的科学推导出的对策措施。本研究采用了两阶段分析框架来评估高速公路用户行为（HUAs）与HRGCs事故严重程度之间的关系。初始阶段进行了描述性分析，从而识别出事故率和严重程度结果最高的州。乔治亚州、德克萨斯州和明尼苏达州被确定为高风险州，这些州与三种关键HUA（如“绕过大门”（HUA 1）、“未停车”（HUA 3）和“在平交道上停车”（HUA 4）相关的致命和非致命伤害比例过高。这一排名揭示了行为不负责任与事故频率和严重程度增加之间的明显关联。为了验证这些发现，应用了多项逻辑回归（MLR）模型，纳入了列车速度、温度、用户年龄、性别和HUA等预测因素。MLR结果证实了早期的边际分析，HUA 1和HUA 3在多个州中始终表现出显著更高的严重后果概率，尤其是致命伤害的Exp(B)值超过3.0。描述性趋势与推断建模之间的这种一致性不仅增强了识别出的风险行为的有效性，还强调了针对这些特定用户行为进行有针对性的执法和公共教育活动的必要性。本研究确定的人类行为模式对在公路-铁路平交道（HRGCs）部署智能交通系统具有直接意义。基于AI的监控系统可以战略性地设计来针对分析中发现的高风险行为。特别是，深度学习模型可以训练来检测“绕过大门”的违规行为[3]，这些行为与致命伤害的最高比值比相关。安装在平交道上的摄像系统能够持续实时监控此类禁止行为，HUA 1的持续高比值比（范围从3.45到4.55）进一步证明了投资自动化检测技术的合理性。除了监控之外，联网车辆技术提供了补充的安全机制。车对车（V2T）通信系统可以向接近活动平交道的驾驶员发出警告[34]，可能减少“未停车”的违规行为。此外，集成GPS和DSRC技术的协作ITS解决方案[4]允许将警告直接发送到车内界面。总体而言，本研究的行为洞察可以指导警告信息的设计、内容和时机，从而提高HRGCs智能安全干预的有效性。通过结合比例洞察和统计验证以及新兴的智能技术，本研究为在HRGCs优先考虑政策、执法和工程干预提供了坚实的框架。6. 结论本研究通过关注影响碰撞结果的关键用户行为和环境因素，对公路-铁路平交道（HRGCs）的事故严重程度进行了全面分析。利用六个美国州10年期间的数据，研究确定了三种主要用户行为：“绕过大门”、“未停车”和“在平交道上停车”是事故严重程度的主要促成因素。主要发现如下：(1) HUA “1”（绕过大门）是一个主要风险因素，尤其是对于更严重的后果，其致命伤害风险是参考HUA “7”（穿过大门）的三到五倍。边际效应分析进一步显示了州级之间的显著差异，HUA 1在明尼苏达州的致命伤害概率为43%，而在德克萨斯州仅为8%。(2) HUA “2”（停车后继续行驶）和HUA “3”（未停车）也增加了致命伤害风险，尤其是在德克萨斯州、乔治亚州和威斯康星州。尽管比值比很高，但它们对致命伤害概率的边际效应在某些州仍然相对较低（例如，在新泽西州HUA 2的边际效应接近0%）。(3) HUA “3”在明尼苏达州也具有高风险，边际效应显示致命伤害概率为6%。(4) HUA “4”（在平交道上停车）在所有州中始终显示出较高的仅造成财产损失结果的边际效应（67–85%），表明这种行为通常导致的事故较为轻微，无论地点如何。(5) 就性别而言，女性受到的影响大于男性。(6) 较高的列车速度和较大的年龄略微增加了受伤和致命伤害的风险因素。(7) 较高的温度对事故严重程度的影响很小。此外，该研究强调了将行为洞察纳入HRGCs安全风险评估模型的重要性。政策措施，包括对违规行为的更严厉处罚和增加的公共安全宣传活动，应补充这些技术干预措施，以促进合规性和行为改变。研究结果还表明，涉及联邦机构、州部门和私营铁路运营商的合作方法对于部署有效的对策措施和确保更安全的多模式交通网络至关重要。本研究存在某些局限性，为未来的研究提供了机会。首先，分析依赖于历史事故数据，可能无法完全捕捉到未发生的事件或受自动驾驶车辆等新兴技术影响的驾驶员行为变化。其次，虽然研究纳入了关键的环境和行为变量，但其他未观察到的因素，如驾驶员分心、疲劳或社会经济影响，也可能进一步解释事故严重程度的差异。未来的研究应探索实时交通数据、机器视觉系统和自然驾驶研究的整合，以增强对HRGCs用户行为的理解。扩大研究范围，包括农村与城市平交道等不同地理区域，可以提供更细致的风险因素评估。通过解决这些差距，未来的研究可以完善预测安全模型，并支持下一代HRGCs安全策略的开发。此外，使用包含交互项的汇总模型或Wald测试正式测试州级系数差异，可以验证观察到的地理异质性。解决这些差距将有助于完善预测安全模型，并指导下一代HRGCs安全策略的制定。补充材料以下支持信息可在https://data.transportation.gov/Railroads/Highway-Rail-Grade-Crossing-Incident-Data-Form-57-/7wn6-i5b9/about_data（2026年1月1日访问）下载。