考虑公交-出租车碰撞中车辆级伤害严重程度的相互依存关系建模：一种随机参数双变量Probit方法

《Applied Sciences》：Modeling the Interdependence of Vehicle-Level Injury Severities of Bus–Taxi Crashes: A Random-Parameters Bivariate Probit Approach Jing Huang, Zheliang He, Jun Li, Qiang Zeng and Xiaofei Wang

　　

以往研究通常从碰撞层面或单车层面分析公交车或出租车乘客的伤害严重程度，忽视了它们之间的车辆级相互依存关系。为填补这一空白，本研究着手分析影响公交-出租车碰撞中车辆级伤害严重程度的因素，并考虑其相互依存关系和异质性。研究人员采用随机参数双变量Probit模型（random-parameters bivariate probit model）进行联合分析，该模型能够同时捕捉公交车和出租车伤害结果之间的未观测异质性（unobserved heterogeneity）和碰撞内相关性（within-crash correlation）。在该模型中，与两辆车及其驾驶员相关的因素，以及其他因素（如道路、环境和碰撞配置），被用作解释变量。研究使用了2009年至2019年间中国香港的3404起两车公交-出租车碰撞记录进行模型估计。结果表明，出租车驾驶员年龄、出租车车龄、碰撞地点和碰撞方式对公交车伤害严重程度产生异质性效应，而一天中的时间段对出租车伤害严重程度产生异质性效应。此外，公交车驾驶员失误和路灯对公交车伤害严重程度产生固定但适度的（小于6%）影响，而出租车驾驶员性别、限速、降雨和碰撞方式对出租车伤害严重程度产生固定效应，其中女性驾驶员和正面碰撞使死亡和重伤的可能性显著增加，边际效应超过20%。基于这些发现，研究人员提出了针对性的策略，涉及安全教育、执法、车辆安全装置以及交通管理和控制，以减轻涉及公共汽车和出租车的碰撞后果。

**研究背景与问题**
随着城市化进程加速，城市公共交通系统对高效可靠出行的需求显著增长。公交车和出租车作为两大核心组成部分，分别承担高容量定线服务和灵活按需服务，共同满足多样化出行需求。然而，两者碰撞事故频发：香港警方数据显示，出租车和公交车的碰撞事故分别占道路碰撞总数的22.5%和22.4%，且约20%的出租车碰撞涉及公交车，58%的公交车碰撞涉及出租车。此类事故导致大量人员伤亡和财产损失，亟需深入研究。既有文献多从碰撞层面或单车层面分析公交车或出租车乘客的伤害严重程度，忽视了车辆间的相互依存关系（interdependence），即同一碰撞中一辆车的驾驶员和车辆因素对另一辆车伤害结果的影响。忽略这种相互依存关系以及伤害严重程度的差异，可能导致对影响因素效应的有偏估计。此外，未观测异质性（unobserved heterogeneity）和碰撞内相关性（within-crash correlation）也是需要处理的关键问题。为此，本研究旨在首次从车辆级层面分析公交-出租车碰撞的伤害严重程度，揭示各自的影响因素，并同时考虑相互依存关系、碰撞内相关性和未观测异质性。该论文发表在《Applied Sciences》上。

**主要技术方法**
研究人员采用随机参数双变量Probit模型（random-parameters bivariate probit model）进行联合分析。该模型是双变量Probit模型的扩展，通过允许参数随观测值变化（随机参数）来捕捉未观测异质性，并通过假设误差项服从标准双变量正态分布（相关系数ρ）来捕捉碰撞内相关性。模型估计使用基于模拟的最大似然法（500次Halton抽样），在计量经济学软件NLOGIT 6.0中实现。数据来源于香港运输署和香港警务处维护的道路交通事故数据库系统，提取了2009年至2019年间3404起两车公交-出租车碰撞记录。解释变量涵盖公交车及其驾驶员因素（如驾驶员失误、车龄）、出租车及其驾驶员因素（如驾驶员年龄、性别）、以及道路、环境、碰撞配置等其他因素（如碰撞地点、天气、限速）。

**研究结果**
**4.1 模型比较**
通过赤池信息准则（AIC）和似然比检验，将随机参数双变量Probit模型与随机参数二元Logit模型、随机参数二元Probit模型、固定参数双变量Probit模型进行比较。结果表明，随机参数双变量Probit模型的AIC值（2394.14）最小，似然比统计量（χ²）在0.05/0.025/0.01显著性水平上均大于临界值，说明该模型显著优于其他模型，验证了同时考虑异质性和碰撞内相关性可显著提升模型拟合性能。忽视这些因素会导致对观测因素效应的有偏估计。

**4.2 参数估计解释**
**4.2.1 公交车伤害严重程度的影响因素**
- 出租车驾驶员年龄（45–59岁）：对公交车伤害严重程度产生异质性效应，参数呈正态分布（均值-1.276，标准差1.480）。80.51%的此类出租车驾驶员降低公交车死亡或重伤（KSI）概率，归因于其丰富驾驶经验和谨慎性；19.49%则增加概率，可能与未观测因素有关。
- 出租车车龄（<5年）：异质性效应，正态分布（均值-2.514，标准差2.373）。85.54%的新出租车降低公交车KSI概率，因其更好的物理性能和先进安全系统；14.46%增加概率，可能与未观测因素相关。
- 碰撞地点（交叉口）：异质性效应，正态分布（均值-0.656，标准差0.675）。83.4%的交叉口碰撞降低公交车KSI概率，归因于较低车速及交通控制与执法；16.6%增加概率。
- 碰撞类型（刮擦）：异质性效应，正态分布（均值-6.487，标准差4.322）。93.32%的刮擦碰撞降低公交车KSI概率，符合文献结论。
- 其他固定效应：路灯不足（边际效应1.5%）和公交车驾驶员失误（边际效应5.5%）均显著增加公交车KSI概率，分别因能见度降低和不规范驾驶行为。

**4.2.2 出租车伤害严重程度的影响因素**
- 时间段（21:00–06:59）：异质性效应，正态分布（均值0.221，标准差0.142）。94.06%的夜间碰撞增加出租车KSI概率，归因于能见度降低、高速行驶和驾驶员困倦。
- 女性驾驶员：固定效应，边际效应21.9%，显著增加出租车KSI概率，可能与驾驶行为和生理条件综合相关。
- 限速（>50 km/h）：固定效应，边际效应15.1%，因高速导致更大动能和损伤。
- 降雨：固定效应，边际效应14.7%，因视野受限和路面湿滑。
- 碰撞类型：正面碰撞（边际效应42.6%）和侧面碰撞（边际效应31.7%）显著增加出租车KSI概率，正面碰撞中相对速度接近两车绝对速度之和。
- 交叉口：固定效应，边际效应-1.5%，降低出租车KSI概率，归因于较低车速和严格执法。

**结论与讨论**
本研究中，研究人员通过随机参数双变量Probit模型揭示了公交-出租车碰撞中车辆级伤害严重程度的相互依存关系。模型估计结果证实，公交车和出租车伤害结果之间存在显著正相关（ρ=0.26），说明同一碰撞中未观测因素（如道路几何形状、紧急医疗服务水平）对两车伤害有相似影响。基于发现，研究人员提出了针对性对策：针对公交车，建议加强安全教育、安装路灯以降低驾驶员失误影响；针对出租车，建议部署夜视设备、超速和疲劳驾驶检测预警系统、天气预警系统，并设置中央隔离栏防止正面碰撞。研究局限包括数据库未记录无伤害碰撞案例、数据时间跨度限制可能导致时变效应、以及未来可将发现用于驾驶员安全技能培训和安全监控系统开发。
**研究结论**：本研究利用香港2009–2019年3404起两车公交-出租车碰撞数据，从车辆级层面分析了伤害严重程度。通过随机参数双变量Probit模型，同时考虑了车辆相互依赖、未观测异质性和碰撞内相关性。结果表明：出租车驾驶员年龄（45–59岁）、出租车车龄（<5年）、交叉口和刮擦碰撞对公交车伤害严重程度具有异质性效应；夜间时间段（21:00–06:59）对出租车伤害严重程度具有异质性效应。其他变量表现为固定效应：路灯不足和公交车驾驶员失误增加公交车KSI概率；女性驾驶员、限速>50 km/h、降雨、正面和侧面碰撞增加出租车KSI概率；交叉口和出租车有限驾驶空间降低出租车KSI概率。边际效应计算表明，女性驾驶员和正面碰撞的边际效应超过20%，属于高影响因素。模型比较证实随机参数双变量Probit模型优于其他候选模型。基于发现，研究人员建议实施针对性对策，涵盖安全教育、执法强化、车辆安全装置以及交通管理与控制，以预防公交-出租车碰撞中的伤亡。