《Mathematics》：Investigating Traffic Crash-Type Determinants in Different Urban Environments: A City-Specific Random Parameter Multinomial Logit Approach
编辑推荐：
本研究基于2023至2024年安卡拉（28,825起事故）与伊兹密尔（24,280起事故）的个体级似然比（Likelihood-Ratio, LR）检验，考察多项Logit（Multinomial Logit, MNL）事故类型模型的随机参数结构本身是否具有空
本研究基于2023至2024年安卡拉（28,825起事故）与伊兹密尔（24,280起事故）的个体级似然比（Likelihood-Ratio, LR）检验，考察多项Logit（Multinomial Logit, MNL）事故类型模型的随机参数结构本身是否具有空间稳定性。研究人员将事故划分为侧面碰撞（Lateral Collision, LC）、追尾碰撞（Rear-End Collision, RC）、行人碰撞（Pedestrian Collision, PiC）与失控碰撞（Loss of Control, LoC）。两城对比建模表明，随机处理变量集合存在显著差异：安卡拉由基础设施变量（路肩Shoulder、交通信号Traffic Signal、护栏Guardrail）主导异质性，伊兹密尔由几何与行为变量（年轻驾驶员Driver Age—Young、平曲线Horizontal Curve、人行道Sidewalk）主导异质性。对于变异系数（Coefficient of Variation, CV）高于1.0的随机参数，经历符号反转效应的驾驶员占比约18%至25%。将各城估计的随机参数多项Logit（Random Parameter Multinomial Logit, RPMNL）系数迁移至另一城数据进行交叉预测，其表现不及目标城自身的基准MNL设定。研究发现，信号交叉口与斑马线同追尾结局的统计关联在可测子集驾驶员中符号相反，表明此类节点需差异化而非统一管控；多城RPMNL研究中默认合并数据（pooling-by-default）的做法需经验辩护而非预设。该双城结果提出一个开放问题：此类结构偏移是否普遍存在于城市语境中。
研究背景与问题提出
城市安全出行需厘清事故类型及其复杂影响因素。既有交通安全研究多聚焦事故严重度，而事故类型分析能更细致揭示环境、几何、行为与运行条件的作用机制。既有证据显示事故决定因素并非空间均质，单城模型迁移他城常精度骤降；文化与建成环境差异亦使风险感知异质。随机参数Logit（Random Parameter Logit, RPL）模型虽能刻画不可观测异质性，但多城RPL研究主流做法是将数据合并、强加统一异质性结构，其隐含假设——即需随机处理的变量集合及异质程度跨语境不变——尚未被直接检验，此即单城纵向RPL中“时间不稳定”问题的空间类比。本研究以土耳其同国、同数据权威（安全总局）、同时窗（2023–2024）、同因变量定义与同估计协议为受控条件，选取内陆规划型首都安卡拉与地中海沿海商业城伊兹密尔，隔离“城市语境”本身对随机参数结构的影响。
研究目的与意义
研究人员旨在对“随机参数结构本身是否跨同城国别城市稳定”这一诊断性问题提供双城概念验证，反对多城RPL事故类型研究中的默认池化假定。论文发表于《Mathematics》。
主要技术方法
研究人员采用两城各自独立估计框架：数据源自土耳其安全总局交通局2023–2024年事故记录，剔除年龄异常值后保留53,105条（安卡拉28,825、伊兹密尔24,280）。变量经相关性分析与方差膨胀因子（Variance Inflation Factor, VIF）诊断（VIF<2），剔除与湿路面/夜间高度冗余的不良天气/夜间变量。分别建立各城MNL基准，对每变量做个体级LR检验（χ2(1)，p<0.05）判定是否随机；随机参数设正态分布，用200次Halton抽样模拟最大似然；以CV=σ/|μ|辨识符号反转占比Φ(?|μ|/σ)；以均值迁移做双城交叉预测，对比目标城自身MNL的对数似然与分类精度。
研究结果
4.1 基准MNL模型结果
分城估计MNL显示，交叉口对非LC类型负向最强，速度>50 km/h对RC正向最强，平曲线主导LoC，斑马线正向最强于PiC；但固定参数假定掩盖个体差异。
4.2 随机参数选择：似然比检验结果
个体LR检验确定安卡拉16个、伊兹密尔12个随机参数。安卡拉异质由基础设施变量主导（Shoulder LR=77.08、Traffic Signal LR=67.97、Guardrail LR=36.47）；伊兹密尔由几何与行为变量主导（Driver Age—Young LR=22.997、Night LR=20.837、Horizontal Curve LR=17.294）。Intersection、Slope等仅在安卡拉随机，Sidewalk、Horizontal Curve仅在伊兹密尔随机。
4.3 RPMNL模型结果
4.3.1 随机参数
平曲线对LoC效应两城皆最强（安卡拉μ=1.503，伊兹密尔边际效应+0.445）。Traffic Signal与Crosswalk的CV>1.0：安卡拉Traffic Signal对RC平均效应由MNL正转为RPMNL负（μ=?0.689）；Crosswalk对PiC平均正向最强（安卡拉μ=2.267，伊兹密尔μ=1.771），对RC存显著异质。年轻驾驶员在伊兹密尔对RC异质最强（σ=0.933），两城皆升LoC、降RC。依式(5)计算，CV>1.0且σ显著者仅RC下三格：安卡拉Traffic Signal（CV=1.48，符号反转25.0%）、安卡拉Crosswalk（CV=1.07，17.5%）、伊兹密尔Crosswalk（CV=1.11，18.5%）。交叉预测中，安卡拉模型迁至伊兹密尔对数似然劣于本城MNL 11.7%/观测，分类掉1.82点；反向劣8.5%，掉1.42点。
4.3.2 固定参数
Intersection在伊兹密尔为固定且对非LC负向极强；无车道线两城皆降RC升PiC；速度<50 km/h降RC升PiC；晨峰升LoC。
4.4 边际效应
平曲线对LoC边际效应最大（安卡拉+0.354，伊兹密尔+0.445）；Crosswalk对PiC正向最强（安卡拉+0.333，伊兹密尔+0.297）；速度>50 km/h对RC预测力安卡拉更强（+0.208 vs +0.116）；年轻驾驶员升LoC（安卡拉+0.212，伊兹密尔+0.200）；湿路面升LoC在伊兹密尔更强（+0.133 vs +0.080）。
4.5 模型表现
RPMNL较MNL提升显著：安卡拉LR=274.86，伊兹密尔LR=164.16（p<0.001）；McFadden伪R2安卡拉0.158→0.161，伊兹密尔0.153→0.155；AIC两城皆降；BIC略升属复杂度惩罚，非质量下降。
讨论部分总结
研究人员指出，两城异质结构差异契合物理轮廓：安卡拉内陆规划路网使异质集中于工程设施（信号、路肩、斑马线），伊兹密尔沿海起伏地形使异质集中于几何与行为（曲线、坡度、年轻驾驶员）。信号与斑马线对RC的CV>1.0表明统一管控失配，需差异化。模型不可直迁他城，默认池化会误判固定/随机归属，致政策错配。
结论部分翻译
本研究以安卡拉与伊兹密尔53,105条记录为双城概念验证，诊断事故类型建模中随机参数结构本身的空间稳定性，对立于多城RPMNL默认池化做法。诊断发现量化如下：CV>1.0随机参数中符号反转驾驶员占比约18%（伊兹密尔RC下Crosswalk）至25%（安卡拉信号交叉口RC下Traffic Signal）；交叉预测中迁移模型劣于目标城MNL 11.7%（安→伊）与8.5%（伊→安），分类掉1.8与1.4点，构成对默认池化可伪证反例；个体LR判定随机集两城相异——安卡拉基础设施变量（Shoulder、Traffic Signal、Guardrail）主导，伊兹密尔几何行为变量（Driver Age–Young、Horizontal Curve、Sidewalk）主导。交叉口升LC、速度>50 km/h升RC、平曲线驱LoC、斑马线驱PiC为两城确认性复现非首要贡献。局限含警录数据缺行为/车辆/目的变量，且符号反转比依赖正态假定。结构是否普适属开放问题。
