《Transportation Engineering》：Temporal safety analysis of light-vehicle crash severity on rural roads: A hybrid machine-learning and econometric modeling approach
编辑推荐：
本研究考察了周内时间变化对农村道路交通事故交通模式和驾驶员行为的影响，并强调了其在碰撞死亡建模（crash fatality modeling）与安全系统中的重要性。时间不稳定性（temporal instability）通常会在碰撞严重度（crash sev
本研究考察了周内时间变化对农村道路交通事故交通模式和驾驶员行为的影响，并强调了其在碰撞死亡建模（crash fatality modeling）与安全系统中的重要性。时间不稳定性（temporal instability）通常会在碰撞严重度（crash severity）分析中诱发异质性驾驶行为，然而很少有研究将周内时间交互项（temp-of-week interaction terms, TOWINT）与其他外生变量一同纳入建模。为了弥补这一缺口，本研究提出了一种混合计量经济学与机器学习框架，结合基于潜在分割的离散选择Logit模型（latent segmentation-based discrete choice Logit models, LSL），以同时处理未观测异质性（unobserved heterogeneity）和系统性异质性（systematic heterogeneity）。模型中包括基于潜在分割的随机参数Logit模型（latent segmentation-based random parameters logit, LSRPL）与基于潜在分割的广义有序Logit模型（latent segmentation-based generalized ordered logit, LSGOL），并在多种情形下进行比较。研究使用基于关联规则的特征子集选择算法（feature subset selection algorithm based on association rules, FEAST）筛选出六个显著的TOWINT，并将其纳入最终模型。具有三个潜在分割（低、高、临界严重度）的LSGOL模型提供了最佳拟合，其中周末碰撞成为潜在识别未观测碰撞严重度异质性时最具影响的分割属性。研究发现：工作日时，交通事故易发生，山区地形以及60岁及以上驾驶员更倾向于发生致命碰撞；而在周末，车辆翻滚类和路边类碰撞（roadside crash）更常见，且路边碰撞的发生概率约为工作日的两倍。通过采用新颖的碰撞严重度建模方法，本研究能够为特定时段、因人而异的交通管理决策提供可行性见解，包括将肩宽加宽至（3–3.5 m）以降低工作日财产损失型碰撞（property damage only, PDO），并且通过连续路侧保护、净区稳定以及增加侧向偏移量来减少周末严重度碰撞，最终促进农村道路上的交通管理与更安全的驾驶员行为。
农村道路因基础设施质量差、照明不足、交通控制设施不足、事故发生后响应时间较长以及出行距离较长，往往成为严重事故的高发环境。周内时间节律会影响交通需求、驾驶速度、出行目的等，使碰撞严重度分析具有明显的时间波动性；然而，已有研究大多是直接检验时间主效应，而较少关注周内时间与地形、路面状态、驾驶员年龄、车道宽度等变量的交互效应。长期以来，非识别时间中的“未观测异质性”和“系统性异质性”隐性地困扰着农村公路碰撞严重度建模：传统有序Logit假设变量效应在不同严重水平下固定，随机参数模型亦无法完全保留有序结构。近年来，已有研究者比较了广义有序Logit与随机参数Logit的适用性，却发现二者权衡不够一致。针对这些缺口，这篇研究构建了集成了潜在分割（latent segmentation, LS）、广义有序Logit（GOL）与随机参数Logit（RPL）的统一框架，并引入关联规则挖掘的特征选择算法（FALS）识别显著的周内时间交互，基于2017–2022年Qazvin–Rasht双向农村道路轻型车辆碰撞数据，开展综合建模，论文投稿至《Transportation Engineering》。
该研究使用2199条轻车碰撞事故记录，以工作日（周六至周三）和周末（周四、周五）为时间维度，将严重程度合并为“财产损失PDO”和“伤亡”两类。研究中采用了以下关键技术环节：首先，采用Spearman秩相关、VIF方差膨胀因子及随机森林重要特征评测变量结构；随后，通过FALS关联规则子集选择算法提取TOWINT；第三，在每一步生成基于潜在分割的离散选择模型，分别以LS-RPL和LS-GOL形式比较，并对每种模型在“提高拟合”与“增强片段可解释性”之间取得平衡。研究人员选用3类与4类潜在段的两组进行比较，将交互项纳入最终LSGOL模型，并对各模型段进行解释。
在模型规范与整体拟合部分，研究比较了含交互项与不含交互项的LSGOL、LSRPL模型，用Log-likelihood与BIC判定各模型是否增加片段数时是否带来改善。结果显示，含时间交互项的LS（LSGOLT）在三个潜在段下表现最优，该模型在多元特性重复描述的同时，并未发现极端异质性结构；四段模型则使部分段样本占比极不均衡，且难以产生可解释的独立行为特征，因此最终选定三段结构。嵌套条件剖析表明，LSGOLT在解释周末相关驾驶行为的系统分段上更具优势。
在潜在切片与片段特征解释部分，该模型将样本分成三种潜在类型：低严重度、高严重度与临界严重度。其中，样本占比分别约为29.1%、31.6%和39.3%，第三段“临界”段集中了约46.32%的伤亡/致命碰撞事故；而“高严重度”段全部由周末碰撞构成，且伤亡事故占比30.6%。该测量结果显示，时间维度（特别是周末）是底下驱动片段情节出现的关键因素，但时间交互项的主要作用并不在于直接增加严重度方程中的系数，而在于提升分割层对事故样本的后期分类能力。
具体而言，“低严重度”段表现为工作日模型特征：车辆间事故以及车尾碰撞（OR≈144%和187%）更可能出现在这一片段，且肩部位置（shoulder location）系数显著为正（1.389），表明当日肩部相关事故更倾向于形成可移动问题而少进入致命层次；同时，50–70岁老年人系数为–0.882，意味着高龄驾驶员在低严重度段往往被低估，而该群体更应在高/临界段中受到关注。
“高严重度周末”段主要为周末事故主导，其段内所有碰撞样本均落在周四至周五。该段的最大特点为大载运与路边及山侧风险概率较高：侧偏翻车（OR≈169%）、野外重心（rural）翻滚（OR≈139%）等事件频度居于高位；乘客路侧碰撞事故的OR约为2，远高于周末约一倍的日常出现频率。山地地形调节系数（+0.547）进一步解释了山区丘陵路线的风险放大；而与碰撞目标物（尤其头部相撞）玩的OR仅为0.43，说明该段的事故多为车辆脱离车道、与道路设施或沟沟相撞。
“临界工作日”段中，地形影响系数高达1.056，为三个段中最强的高风险因素；50-59岁与40-49岁年龄段调整效应分别为0.778与0.576，表明中年驾驶者在工作日发生严重伤害的比例同样让人意料高；但对于60岁以上驾驶员车辆（系数0.493），可能是更谨慎驾驶与避免高速区域所致。该段中的此类影响主要表现为因山路地形限制可见度导致的撞车/再次事故，而非完全由路侧风险支配。
在讨论与政策意义部分，研究者提出针对不同潜在段的安全对策组合：为减少工作日低严重度路段的交通事故，应优化肩宽宽度（提倡达到3.0-3.6 m），改善白肢体标线和摩擦力；为减缓周末高严重度的事故，需加强连续防护设施、整改不可附着的危险物、设置净空区与增加侧向偏移，同时加快技术手段（如速度监控）强化道路限制；而针对工作日临界段的情况，应以山区地形限速和智能警告、针对中年与高龄驾驶人群开展宣传教育为关键。研究人员认为，这些针对性措施可更好地将安全资源分配到事故发生机制最需要的群体，并显著提升Rural Road安全设计的效果。
本研究仍存在若干限制，如采用警察报告道路数据库造成数据易受未报事故和低报偏差影响；此外，视野距离、碰撞精确定位、路面质量以及降雨深度等次重要特征纳入程度未能全面照顾，后续研究可更多于这些因素进行扩大和推广。
```
