使用替代性未觀測異質性建模方法分析頻繁發生事故的駕駛員之間事故間隔時間的研究
《Accident Analysis & Prevention》：Analysis of duration between crashes among repeatedly crash-involved drivers using alternate unobserved-heterogeneity modeling approaches
【字體：
大 中 小
時間：2026年02月28日
來源：Accident Analysis & Prevention 6.2
編輯推薦：
本研究基于內蒙古某城市2014-2023年交通事故數據，采用相關隨機參數生存模型和潛類別生存模型，揭示重復事故駕駛者間隔時間的異質性影響因素。發現季節（春季）和新手司機具有顯著異質性效應（相關系數0.746），而其他因素如潮濕路面、黑暗等具有統一但差異較大的效應。研究為精準交通風險干預提供理論支持。
宋東東|馮靜|劉永濤|楊一濤|支丹月|冉斌|姜德銀
長安大學汽車學院，中國西安710064
摘要 由于再次發生事故的駕駛員在兩次事故之間的間隔時間較短且事故頻率較高，他們對公共安全構成了嚴重威脅。因此，識別影響事故重復發生的關鍵因素對于降低事故頻率至關重要。本文利用中國內蒙古某城市2014年至2023年的交通事故記錄，分析了參與兩次或更多次事故的駕駛員，并研究了影響這些駕駛員事故間隔時間的因素。為了解決未觀察到的異質性問題，采用了兩種不同的建模方法：一種是具有均值異質性的相關隨機參數生存模型，另一種是基于類別概率函數的潛在類別生存模型。這兩種模型都能有效捕捉事故數據中的多層未觀察到的異質性。相關隨機參數模型發現，“春季”和“新手駕駛員”存在異質性效應，隨機參數之間的強相關性（0.746，p < 0.001）顯著影響了事故間隔時間。其他因素，如之前的PDO事故、年輕駕駛員、駕駛卡車、多山地形、 median屏障、濕滑道路以及燈光未開啟的黑暗環境，雖然也具有顯著影響，但這種影響是同質的。潛在類別生存分析模型在0.001的顯著性水平上識別出兩個不同的潛在類別（潛在類別1的類別成員概率為0.577，潛在類別2的類別成員概率為0.423）。在不同類別中，解釋變量對事故復發間隔時間的影響存在顯著差異。例如，之前的PDO事故會縮短類別1中的復發間隔時間（-0.789），但在類別2中則會延長間隔時間（0.788）；同樣，濕滑道路這一因素在類別1中會減少事故復發頻率（-0.815），而在類別2中則會增加事故復發頻率（1.040）。此外，兩種基于異質性的模型的估計結果都表明，大多數固定效應變量的方向是一致的。然而，平均效應大小存在顯著差異。例如，低能見度指標在隨機參數模型中的效應為1.199，而在潛在類別模型的類別2中為0.189；燈光未開啟的黑暗環境在類別2中的效應分別為-0.526和-0.250。通過應用這兩種先進的計量經濟學建模方法，本研究為捕捉再次發生事故的駕駛員之間事故間隔時間的異質性提供了新的理論視角。同時，這些模型識別出的關鍵決定因素為制定精準的風險干預策略提供了堅實的科學基礎，從而支持對高風險駕駛員群體進行更有針對性的行為干預。
引言 道路交通事故對全球公共衛生和安全構成了重大挑戰，極大地加劇了全球交通風險，導致了嚴重的傷亡和經濟損失（Eljailany等人，2025年）。根據世界衛生組織（WHO）的數據，2021年全球約有119萬人死于道路交通事故，這使得此類事故成為5至29歲兒童和年輕人的主要死亡原因（世界衛生組織，2023年）。在美國，2022年有近4萬人因道路交通事故喪生（NHTSA，2022年）。在中國，《道路交通事故統計年鑒》顯示，2023年道路交通事故導致約6萬人死亡，直接經濟損失達11.79億元人民幣（中國統計年鑒，2024年）。除了直接導致的人員傷亡和財產損失外，道路交通事故還對社會穩定、公共安全、醫療資源和交通秩序產生了深遠負面影響（Behnood和Mannering，2019年；Chen等人，2019年；Hojati等人，2013年；Qu等人，2024年；Sun等人，2025年）。因此，研究道路交通事故的根本原因對于減少事故發生和確保安全出行至關重要。
在交通安全研究中，頻繁發生事故的駕駛員由于兩次事故之間的間隔時間較短且事故頻率較高，對公共安全構成了特別嚴重的威脅（Eljailany等人，2025年）。因此，識別影響事故重復發生的因素對于交通安全分析具有重要意義。
生存分析方法，也稱為基于風險的持續時間模型，是研究事件發生時間數據的核心統計工具，在醫學、生物統計學、經濟學和工業工程等領域得到了廣泛應用（Vinh-Hung等人，2002年；Sinha等人，2002年；Spruance等人，2004年；Gopi等人，2024年）。在交通安全領域，Hensher和Mannering（1994年）首次引入生存分析來模擬與持續時間相關的問題，如交通事故清除時間和事故持續時間（Hensher & Mannering，1994年）。
少數研究利用生存分析來研究影響事故間隔時間的因素。例如，Mannering對華盛頓大學的一組駕駛員進行了研究，發現駕駛員特征與事故風險之間存在顯著的性別差異（Mannering，1993年）。Hamed等人分析了商業小型巴士事故，發現婚姻狀況、駕駛經驗以及以往事故類型等因素與事故發生時間之間存在顯著關聯（Hamed等人，1998年）。
為了解決未觀察到的異質性問題，Balusu等人采用了具有伽馬異質性的Weibull加速失效時間（AFT）模型和相關隨機參數，來研究佛羅里達州摩托車駕駛員首次事故發生時間的決定因素（Balusu等人，2020年）。Hamed和AlShaer（2023年）利用具有均值異質性的隨機參數基于風險的持續時間模型，分析了不同人口統計特征的約旦私家車駕駛員的事故間隔時間。Dzinyela等人（2024年）應用隨機參數Weibull AFT模型研究了與頻繁發生致命事故的駕駛員相關的因素。最近，Eljailany等人（2025年）結合隨機參數持續時間模型和機器學習（隨機森林）來評估駕駛員人口統計特征、道路特征、車輛性能、環境因素和時間趨勢對事故間隔時間的影響。在以往研究的基礎上，本研究提出了一種具有均值異質性的相關隨機參數基于風險的持續時間模型，以研究影響頻繁發生事故的駕駛員的因素。
作為隨機參數模型的替代方法，潛在類別模型（LCM），也稱為有限混合模型，將事故數據劃分為同質的子組，并且也能有效捕捉未觀察到的異質性（Alnawmasi & Mannering，2023年）。這種方法在交通安全研究中的應用日益增多。例如，Zou等人（2016年）證明有限混合模型是分析事故清除時間生存數據的穩健替代方法，比AFT模型具有更強的解釋能力和預測準確性。Islam等人（2021年）使用潛在類別持續時間模型研究了阿拉巴馬州高速公路事故持續時間的影響因素，其性能優于傳統方法。然而，潛在類別模型尚未被用于研究頻繁發生事故的駕駛員之間事故間隔時間的決定因素。為了探索頻繁發生事故的駕駛員事故中潛在的復雜未觀察到的異質性，本文考慮了兩種異質性方法：一種是具有均值異質性的相關隨機參數基于風險的持續時間模型，另一種是具有類別概率函數的潛在類別基于風險的持續時間模型。正如將要展示的，這兩種方法為建模頻繁發生事故的駕駛員之間事故間隔時間的異質性提供了新的理論視角。
本文的結構如下：第2節回顧了隨機參數生存方法和潛在類別模型在交通安全中的應用文獻。第3節描述了研究中使用的數據，第4節概述了研究方法。第5節詳細討論了結果。最后，第6節提出了結論并提出了未來研究的潛在方向。
節選 隨機參數生存分析在交通安全中的應用 近年來，生存分析方法在交通安全領域得到了廣泛應用，特別是在研究高速公路事故持續時間（Nam和Mannering，2000年；Qi和Teng，2008年；Chung，2010年；Tuckwell等人，2023年）、制動持續時間（Ali等人，2022a年；Ali和Haque，2023b年）、變道持續時間（Ali等人，2024年）、駕駛員分心響應時間（Ali和Haque，2023a年）以及駕駛員之間事故間隔時間（Balusu等人，2020年；Hamed和AlShaer，2023年；Dzinyela等人）等方面。
數據描述 本研究使用了由中國內蒙古自治區某市公安局提供的交通事故數據集，涵蓋2014年至2023年的數據。該數據集記錄了駕駛員的人口統計信息（性別、年齡、駕駛經驗）、傷害嚴重程度、責任狀態、交通方式、車輛注冊信息、車輛保險、車輛操作方式、事故類型、道路類型、路面狀況等詳細信息。
基于風險的持續時間模型 基于風險的持續時間模型用于研究給定事件在時間t終止的概率，適用于分析時間依賴性數據（Haque和Washington，2015年；Washington等人，2020年）。在本研究中，事故間隔時間定義為兩次連續事故之間的經過時間，用連續隨機變量T表示。相應的累積分布函數F(t)表示為（Washington等人，2020年）：F ( t ) = P ( T < t ) = ∫ 0 t f ( u ) d u
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
