近年来，交通安全政策研究取得了显著进展，大量实证研究表明有针对性的干预可以改善交通安全。然而，现有文献主要关注特定政策是否能够降低事故率，而对交通安全政策的力度如何影响事故严重程度（尤其是造成巨大社会和经济损失的严重和致命事故）的关注较少。交通安全管理依赖于一系列政策工具，包括驾驶员教育计划、人工执法检查点的部署频率以及自动交通执法设施（如测速摄像头和红绿灯执法系统）的安装；这种政策的复杂性进一步增加了我们评估政策影响的难度。
事实上，交通事故往往具有高度随机性，并受到驾驶员个体差异、道路条件和环境因素的影响，这使得直接识别政策效果变得困难。此外，交通安全政策的实施产生了大量难以量化的数据，例如警察执法的严格程度和摄像头记录的超速罚分。这对传统的贝叶斯建模方法提出了挑战。因此，深入研究交通安全政策如何影响事故严重程度至关重要。
确定事故的原因和机制是减少交通伤害研究的关键步骤。许多研究已经考察了事故变量、道路和位置变量以及环境变量，指出交通安全政策对事故严重程度（特别是死亡事故）有显著影响（Elvik, 2024）。例如，一项研究发现，交通安全政策在降低事故率方面通常有大约一年的滞后效应（Lian et al., 2025）。然而，许多国家的事故数据主要来自警方调查，这些调查往往更侧重于判定法律责任，缺乏对事故根本原因的理解，因此难以提供足够的信息用于政策优化。
不同的交通管理政策以不同的方式影响交通事故的严重程度。限速执法通常仅与财产损失的减少相关（PDOs），而酒驾法律则与致命事故率的降低更为密切相关（Silva et al., 2023, Yasmin et al., 2022）。一些基于政策实施时间或受影响人数的分析模型发现，执法措施可以显著提高道路交通安全性，并具有成本效益优势（Weijermars and Wegman, 2011）。最近，一些基于内生感知建模的方法（如考虑执法强度的分层模型）产生了更精确的结果，表明更高的执法强度可以因果地减少超速行为，从而降低严重事故的发生率（Yu et al., 2024）。然而，在区域交通政策如何影响乘客伤害严重程度方面仍存在许多研究空白。
目前，统计建模工具被广泛用于评估各种交通安全管理指标对事故严重程度的影响。常见的方法包括离散选择模型和贝叶斯方法。在离散选择模型领域，许多研究使用二元逻辑回归或probit模型来预测事故的严重程度（例如，轻微伤害与严重伤害/死亡）（Lee et al., 2005, Lenguerrand et al., 2006）。对于多级事故严重程度，研究人员通常使用多项式logit（MNL）或probit模型（Becker et al., 2003, Kockelman and Kweon, 2002, Ma et al., 2016, Ye and Lord, 2014）。此外，为了解决不同事故严重程度类别之间的潜在相关性，一些研究人员引入了广义极值模型（例如，嵌套logit模型）（Zheng et al., 2018）。鉴于事故严重程度本质上是序数变量，一些研究还使用了有序logit或probit模型来更好地捕捉其顺序特征（Khattak et al., 2002, Kockelman and Kweon, 2002）。
在时间序列研究中，高斯模型和ARMA模型（Lian et al., 2025）被用来探索交通事故严重程度与时间之间的相关性，利用年度数据来反映政策效果。然而，这些研究往往缺乏对政策数据的应用和分析，难以揭示潜在的模式（Iranitalab and Khattak, 2017, Lee et al., 2005, Lennon, 2020）。近年来，随机参数模型作为一种重要的补充方法出现，用于预测事故严重程度。一些研究甚至引入了随机斜率模型来考虑同一事故中不同车辆之间的相互作用（Yu et al., 2024）。
随着交通大数据的日益流行，深度学习和机器学习方法已被广泛引入交通政策和事故严重程度研究。这些方法比传统统计模型具有显著的预测优势。随机森林（RF）和支持向量机（SVM）是最常用的两种算法（Gu et al., 2025, Santos et al., 2022）。比较研究表明，当结合敏感性分析时，SVM通常优于传统模型（Chen et al., 2016, Li et al., 2012）。随机森林在处理特定变量时表现尤为出色，特别是当结合了聚类等预处理方法时，显著提高了预测准确性（Iranitalab and Khattak, 2017, Zhang et al., 2018）。尽管RF通常被认为是最佳预测方法，但其因果推断结果可能并不总是符合常识（Zhang et al., 2018）。最近的研究还将RF扩展到空间地理尺度，以捕获更广泛的信息，从而提高事故预测性能（Gu et al., 2023）。决策树模型由于其出色的可解释性，也被广泛用于揭示变量对事故严重程度的影响（Abellán et al., 2013）。一些研究（Shao et al., 2024）采用了自然语言处理（NLP）技术将非结构化的事故叙述转换为结构化的行为变量，然后将其纳入XGBoost模型中，以增强事故因果关系的识别和预测。SHAP值越来越多地被用作量化不同因素实际影响的常用工具。一项结合XGBoost-SHAP、潜在聚类和混合逻辑模型的研究发现，交通事故的严重程度在不同场景下存在显著差异，包括城市道路与农村道路、夜间照明条件和车道类型等因素。由于SHAP值的可靠可解释性和模型的复杂性，它们可以反映众多变量之间的复杂非线性关系。
SHAP值越来越多地被用作量化各种因素实际影响的标准化方法。例如，一项结合XGBoost-SHAP、潜在聚类和混合逻辑模型的研究揭示了不同场景下交通事故严重程度的显著差异。这些场景包括城市道路与农村道路、夜间照明条件和车道配置。
为了更系统地揭示交通政策与事故严重程度之间的关系，并分析多层次政策行动的机制，本研究引入了一种开创性的混合方法，使用带有Shapley解释（ML-SHAP）的机器学习和具有均值和方差异质性的随机参数logit模型来识别影响事故严重程度的关键因素和因果关系。此外，研究结论发现，总体而言，执法强度对不同严重程度级别的影响程度不同，显示出强烈的效果。
该框架通过比较实验探索了高维模式识别中的最佳机器学习方法，并最终应用了时空分层贝叶斯模型来更准确地描述事故严重程度的分布。它还整合了深度学习的多维性，以评估影响因素（尤其是政策）的重要性。这种“双模型策略”——结合了机器学习在高维模式识别中的优势和贝叶斯分析在因果时间推断中的强大能力——有效地克服了处理复杂交通数据时传统方法的局限性。
