一种探索性的潜在分割方法，用于解释驾驶员受伤严重程度模型中随时间变化的参数

《Analytic Methods in Accident Research》：An exploratory latent segmentation approach to account for temporally shifting parameters in driver injury-severity models

　　**Tanmoy Bhowmik|Shahrior Pervaz|Fred L. Mannering|Naveen Eluru**
**美国波特兰州立大学土木与环境工程系**

**摘要**
在碰撞严重性建模中，参数随时间变化的现象已被广泛记录。越来越多的证据表明，由于驾驶员行为、车辆技术和道路条件的变化，解释变量的影响也会随时间发生变化。许多研究通过比较相邻年份的数据的时间稳定性来探讨这一问题，这些研究通常假设解释变量对整个碰撞群体的影响是均匀的。当前的研究在两个方面不同于以往的工作：首先，它比较的是相隔多年的数据（而不是相邻年份的数据）；其次，它通过估计一个基于潜在分段的汇总广义有序逻辑模型来检验这种均匀性假设。利用2003年、2009年和2015年的国家汽车抽样系统/碰撞安全性数据系统的碰撞级别数据（每组数据间隔5年），评估了所提出的潜在分段模型的性能，并与其他传统方法进行了比较，以评估它们的预测和行为相关性。各种模型拟合度量结果表明，所提出的建模方法性能有所提高，从而强调了在时间分析中捕捉群体异质性的重要性。有趣的是，潜在分段建模框架显示，在考虑的较长时间间隔内，伤害严重程度的时间变化主要局限于那些被认为低伤害风险的碰撞类型，而高伤害风险组的参数则多年保持稳定。边际效应和基于情景的政策分析提供了额外的见解。研究结果表明，某些碰撞/个体特征可能更容易受到时间变化的影响，因此，考虑这种异质性对于制定有针对性和有效的安全干预措施至关重要。

**引言**
鉴于交通事故及其对社会、情感和经济的影响，交通事故及其后果仍然是一个全球性的健康问题。根据最近的一份报告，全球约有120万人死于交通事故，仅在美国就有39,345人死亡（NHTSA，2025年）。因此，研究人员正在积极寻求减少事故发生及其伤害后果严重性的解决方案。近年来的“零愿景”倡议就是这种努力的一个例子，世界各地的社区通过有针对性的、基于数据的分析设定了消除交通事故死亡和重伤的目标。为了指导这些努力，人们使用了各种统计和计量经济模型以及数据驱动的方法（包括多种机器学习方法）来识别安全问题，或理解导致事故发生的因素（通常表现为特定地点和时间段内的事故频率）以及由此产生的伤害严重程度结果。这些模型包括用于事故频率分析的泊松回归和负二项回归等回归方法，以及用于事故伤害严重程度分析的无序和有序逻辑模型（可能的伤害结果通常包括无伤害、可能受伤、明显受伤、致残受伤和死亡）。事故频率分析通常侧重于使用与道路设计特征、交通控制和执法策略相关的空间和时间聚合数据来估计特定时间段内发生的事故数量。相比之下，伤害严重程度模型基于条件数据（假设已经发生了事故），并使用高度详细和分解的个体事故级别数据来确定解释变量对伤害严重程度概率的影响。

**方法论**
通过引入随机参数（包括考虑随机参数的均值和方差的可能异质性以及随机参数之间的相关性）和其他建模框架（如潜在类别模型）（Milton等人，2008年；Eluru等人，2008年；Anastasopoulos和Mannering，2009年；Lord和Mannering，2010年；Mannering等人，2016年；Venkataraman等人，2014年；Yasmin和Eluru，2018年），传统的统计框架得到了扩展，以解释未观察到的异质性。此外，多年事故数据的普遍使用要求研究人员超越传统的横截面分析，探索与事故相关的因素和结果之间的关系如何随时间变化，从而提出了关于模型参数时间稳定性的重要问题。虽然许多早期的碰撞建模工作假设解释变量的影响随时间保持不变，但越来越多的文献表明这是不正确的，因为有令人信服的经验证据表明，与事故发生和伤害严重程度相关的解释变量的影响会随时间显著变化。Mannering（2018年）和Mannering等人（2020年）的研究认为，驾驶员行为、车辆技术、执法政策和环境条件的变化是可能导致模型参数随时间变化的一些关键因素。这些研究还指出，忽视这种时间变化可能导致参数估计不准确和有偏差，进而影响安全政策的有效性，尤其是在依赖历史模型来指导未来决策时。

**结论**
为了评估参数随时间变化的可能性，文献中提出了几种建模策略。一种常见的方法是将数据按年份分段，然后估计特定年份的模型，并将其性能与跨所有年份估计的统一模型的性能进行比较（Alogaili和Mannering，2022年；Islam和Mannering，2021年；Wang等人，2022年）。在这种框架下，数据通常按年份分段以捕捉时间变化，将包含N年事故数据的完整数据集分为N个子集，每个子集对应一个年份。这样得到N个独立的模型，每个模型都有自己的参数集X。然后将这N个模型的组合对数似然与跨所有N年份估计的单一模型的对数似然进行比较，并使用一系列似然比测试系统地比较各个年份的模型（Huo等人，2022年）。如果特定年份的模型拟合度显著更好，则确认存在参数随时间变化的情况。许多研究在不同的空间背景、事故类型和建模框架中应用了这种方法，以研究碰撞严重程度决定因素的时间变化（Ahmed和Ahmed，2022年；Hou等人，2022年；Islam等人，2020年；Islam和Mannering，2021年）。这些研究考察了高速公路、城市交叉口、山区公路和工作区的数据，关注的事故类型从单车事故和多车事故到涉及行人和醉酒驾驶者的事故。这些研究的时间跨度也各不相同，大多数研究关注2到5年的短期范围（Ahmed和Ahmed，2022年；Hou等人，2022年；Islam和Mannering，2021年），而其他研究则考察了长达10年或更长时间的范围（Li等人，2021a；Li等人，2021b；Song等人，2021年）。尽管在设置和技术上存在差异，但几乎所有研究都发现参数随时间存在统计学上的显著变化。

尽管文献清楚地表明参数随时间变化是一个重要问题，但年度数据分段方法本质上假设所有参数都是随时间变化的（它没有识别哪些效应可能是时间稳定的），因此无法解释某些参数可能只在某些年份发生变化，而某些参数可能根本不会随时间变化。为了解决这个问题，使用了部分受限模型，在统计测试表明某些变量的影响在两个或多个时间段内保持不变的情况下，这些变量的影响可以保持不变（Alnawmasi和Mannering，2023年；Dzinyela等人，2024a；Dzinyela等人，2024b）。这种方法不是将所有变量都视为随时间变化的，而是使分析师能够评估多年间解释变量时间恒定和变化的所有可能组合。这是通过使用汇总数据（来自所有年份）估计一系列模型来实现的，每个模型代表参数恒定或随时间变化的不同配置。这种建模方法需要广泛测试多种变量组合，以确定稳定的参数估计值和随时间变化的参数估计值（Shabab等人，2024年）。另一种方法使用汇总数据集，但通过在单一统一模型中直接引入年份特定的交互作用来减少大量测试，从而允许分析师确定哪些变量是时间不稳定的，以及这些时间变化何时发生（Marcoux等人，2024年；Pervaz等人，2024年；Shabab等人，2024年）。通过这种方式，将计算密集的对数似然测试过程（数据集跨越5年以上）转化为简单的显著性测试结构（使用t统计量）来评估时间变化。例如，在一个包含N年和X个解释变量的数据集中，模型包括X个基线参数加上（N-1）×X个交互作用项，总共得到N×X个参数估计值，每个交互作用项的显著性可以解释该变量在特定年份的时间变化。在完全的时间不稳定性情景下，这种方法可能产生多达N×X个估计参数，表明所有变量在所有年份都发生变化；而在时间恒定情景下，只估计X个参数。

**背景**
虽然先前的研究为模型参数的时间变化提供了重要见解，但大多数研究都有一个共同的假设，即所有观测值都受到解释变量效应时间变化的均匀影响。即使考虑了变量特定的不稳定性（如部分受限或汇总交互作用模型），估计的效应也被假设在数据集中的观测值/群体中是均匀的。

**总结与结论**
随着研究人员意识到将多年数据结合起来指导未来安全干预措施的陷阱，研究时间变化参数的重要性日益增加。现在，安全文献中有大量证据表明，在碰撞风险和伤害严重程度分析中，解释变量的效应是随时间变化的。认识到这一点，最近的研究在其分析中纳入了时间因素。纳文·埃卢鲁（Naveen Eluru）：写作——审稿与编辑；写作——初稿撰写；项目监督；项目管理；研究方法；利益冲突声明
作者声明，他们没有已知的、可能影响本文研究结果的财务利益冲突或个人关系。

致谢
作者衷心感谢美国国家公路交通安全管理局（National Highway Traffic Safety Administration）提供国家汽车抽样系统碰撞安全性数据系统（National Automotive Sampling System Crashworthiness Data System，简称NASS-CDS）的数据库使用权。