基于Ordinal Logistic模型的事故严重性影响因素分析——以翻车事故为例

为准确分析影响交通事故严重性的各项因素,引入Ordinal Logistic模型研究驾驶员、车辆、环境因素对事故严重程度的影响,利用统计学方法对模型进行显著性检验。并使用该模型对北卡罗来纳州2010—2014年385个翻车事故样本进行严重性影响因素分析,所得回归模型符合平行线检验(=0.115 1)和似然比检验(≤0.000 1)。通过模型分析得出变量"安全带"(≤0.000 1)、"路面状况"(=0.013 6)、"道路线形"(=0.005 7)对翻车事故的严重性具有显著影响,研究结果表明:Ordinal Logistic模型适合于分析与揭示影响交通事故严重性的各个因素。     

基于Ordered Probit模型的追尾事故严重性影响因素分析

为了减少机动车事故带来的人身财产损失,给相关管理部门提供决策意见的理论支持,分析追尾事故的独特规律,以及研究环境因素、道路因素、车辆因素和驾驶员因素等影响因素与追尾事故严重程度之间的致因关系至关重要。通过对北卡罗来纳州2010—2014年的交通事故数据进行筛选分析,最终得到1 315条具有完整信息的追尾事故数据,并对数据重新编码。考虑到事故严重性的分类具有次序的特性,研究拟采用Ordered Probit模型(ORP)对影响追尾事故严重程度的各种因素进行回归分析。为了找出具有统计学显著的影响因素,采用向后删除变量法筛选变量,从而得到了包含全部显著因素的模型。最终对模型进行了平行线检验和似然比检验,分析模型的统计学合理性,并选取指标进行了模型数据拟合度优劣的评价。研究结果表明:使用安全带、光照条件、道路线型条件、交通控制条件以及道路交通量这5个方面的因素与追尾事故严重程度的相关度较大。模型的边际影响值显示,正确使用安全带、良好的光照条件、合理的道路线型条件、适宜的交通控制措施能够显著降低追尾事故的严重性;而过大的交通量由于易产生多车追尾事故,事故严重性程度增加。显著性检验结果显示ORP模型对于分析追尾事故严重性及其影响因素具有明显作用。     

基于面板数据Mixed logit模型的自动驾驶选择行为分析

为准确把握自动驾驶环境下出行方式选择规律,引入面板数据Mixed logit模型分析在自动驾驶环境下表征出行者个体社会经济属性的年龄、收入、受教育程度等变量和表征出行方式特性的出行成本、等待时间、在途时间等变量对出行方式选择行为影响作用机理.利用新加坡自动驾驶出行意愿调研获得150位受访者在7个不同情景的1050个选择意愿有效样本数据,构建自动驾驶环境下出行选择行为模型.结果显示:模型卡方检验p值小于0.000说明模型具有较好的适用性;参数估计结果显示人群中不同个体对出行成本、等待时间、出行时间存在较强异质性;边际效应分析显示随着年龄增大选择自动驾驶、公交和步行出行概率增大选择网约车概率降低,当出行成本、出行时间、等待时间增加一倍将使选择自动驾驶出行概率降低近4.0％.