使用替代性未观测异质性建模方法分析频繁发生事故的驾驶员之间事故间隔时间的研究

《Accident Analysis & Prevention》：Analysis of duration between crashes among repeatedly crash-involved drivers using alternate unobserved-heterogeneity modeling approaches

本研究基于内蒙古某城市2014-2023年交通事故数据，采用相关随机参数生存模型和潜类别生存模型，揭示重复事故驾驶者间隔时间的异质性影响因素。发现季节（春季）和新手司机具有显著异质性效应（相关系数0.746），而其他因素如潮湿路面、黑暗等具有统一但差异较大的效应。研究为精准交通风险干预提供理论支持。

　　

宋东东|冯静|刘永涛|杨一涛|支丹月|冉斌|姜德银

长安大学汽车学院，中国西安710064

摘要

由于再次发生事故的驾驶员在两次事故之间的间隔时间较短且事故频率较高，他们对公共安全构成了严重威胁。因此，识别影响事故重复发生的关键因素对于降低事故频率至关重要。本文利用中国内蒙古某城市2014年至2023年的交通事故记录，分析了参与两次或更多次事故的驾驶员，并研究了影响这些驾驶员事故间隔时间的因素。为了解决未观察到的异质性问题，采用了两种不同的建模方法：一种是具有均值异质性的相关随机参数生存模型，另一种是基于类别概率函数的潜在类别生存模型。这两种模型都能有效捕捉事故数据中的多层未观察到的异质性。相关随机参数模型发现，“春季”和“新手驾驶员”存在异质性效应，随机参数之间的强相关性（0.746，p < 0.001）显著影响了事故间隔时间。其他因素，如之前的PDO事故、年轻驾驶员、驾驶卡车、多山地形、 median屏障、湿滑道路以及灯光未开启的黑暗环境，虽然也具有显著影响，但这种影响是同质的。潜在类别生存分析模型在0.001的显著性水平上识别出两个不同的潜在类别（潜在类别1的类别成员概率为0.577，潜在类别2的类别成员概率为0.423）。在不同类别中，解释变量对事故复发间隔时间的影响存在显著差异。例如，之前的PDO事故会缩短类别1中的复发间隔时间（-0.789），但在类别2中则会延长间隔时间（0.788）；同样，湿滑道路这一因素在类别1中会减少事故复发频率（-0.815），而在类别2中则会增加事故复发频率（1.040）。此外，两种基于异质性的模型的估计结果都表明，大多数固定效应变量的方向是一致的。然而，平均效应大小存在显著差异。例如，低能见度指标在随机参数模型中的效应为1.199，而在潜在类别模型的类别2中为0.189；灯光未开启的黑暗环境在类别2中的效应分别为-0.526和-0.250。通过应用这两种先进的计量经济学建模方法，本研究为捕捉再次发生事故的驾驶员之间事故间隔时间的异质性提供了新的理论视角。同时，这些模型识别出的关键决定因素为制定精准的风险干预策略提供了坚实的科学基础，从而支持对高风险驾驶员群体进行更有针对性的行为干预。

引言

道路交通事故对全球公共卫生和安全构成了重大挑战，极大地加剧了全球交通风险，导致了严重的伤亡和经济损失（Eljailany等人，2025年）。根据世界卫生组织（WHO）的数据，2021年全球约有119万人死于道路交通事故，这使得此类事故成为5至29岁儿童和年轻人的主要死亡原因（世界卫生组织，2023年）。在美国，2022年有近4万人因道路交通事故丧生（NHTSA，2022年）。在中国，《道路交通事故统计年鉴》显示，2023年道路交通事故导致约6万人死亡，直接经济损失达11.79亿元人民币（中国统计年鉴，2024年）。除了直接导致的人员伤亡和财产损失外，道路交通事故还对社会稳定、公共安全、医疗资源和交通秩序产生了深远负面影响（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对于减少事故发生和确保安全出行至关重要。

在交通安全研究中，频繁发生事故的驾驶员由于两次事故之间的间隔时间较短且事故频率较高，对公共安全构成了特别严重的威胁（Eljailany等人，2025年）。因此，识别影响事故重复发生的因素对于交通安全分析具有重要意义。

生存分析方法，也称为基于风险的持续时间模型，是研究事件发生时间数据的核心统计工具，在医学、生物统计学、经济学和工业工程等领域得到了广泛应用（Vinh-Hung等人，2002年；Sinha等人，2002年；Spruance等人，2004年；Gopi等人，2024年）。在交通安全领域，Hensher和Mannering（1994年）首次引入生存分析来模拟与持续时间相关的问题，如交通事故清除时间和事故持续时间（Hensher & Mannering，1994年）。

少数研究利用生存分析来研究影响事故间隔时间的因素。例如，Mannering对华盛顿大学的一组驾驶员进行了研究，发现驾驶员特征与事故风险之间存在显著的性别差异（Mannering，1993年）。Hamed等人分析了商业小型巴士事故，发现婚姻状况、驾驶经验以及以往事故类型等因素与事故发生时间之间存在显著关联（Hamed等人，1998年）。

为了解决未观察到的异质性问题，Balusu等人采用了具有伽马异质性的Weibull加速失效时间（AFT）模型和相关随机参数，来研究佛罗里达州摩托车驾驶员首次事故发生时间的决定因素（Balusu等人，2020年）。Hamed和AlShaer（2023年）利用具有均值异质性的随机参数基于风险的持续时间模型，分析了不同人口统计特征的约旦私家车驾驶员的事故间隔时间。Dzinyela等人（2024年）应用随机参数Weibull AFT模型研究了与频繁发生致命事故的驾驶员相关的因素。最近，Eljailany等人（2025年）结合随机参数持续时间模型和机器学习（随机森林）来评估驾驶员人口统计特征、道路特征、车辆性能、环境因素和时间趋势对事故间隔时间的影响。在以往研究的基础上，本研究提出了一种具有均值异质性的相关随机参数基于风险的持续时间模型，以研究影响频繁发生事故的驾驶员的因素。

作为随机参数模型的替代方法，潜在类别模型（LCM），也称为有限混合模型，将事故数据划分为同质的子组，并且也能有效捕捉未观察到的异质性（Alnawmasi & Mannering，2023年）。这种方法在交通安全研究中的应用日益增多。例如，Zou等人（2016年）证明有限混合模型是分析事故清除时间生存数据的稳健替代方法，比AFT模型具有更强的解释能力和预测准确性。Islam等人（2021年）使用潜在类别持续时间模型研究了阿拉巴马州高速公路事故持续时间的影响因素，其性能优于传统方法。然而，潜在类别模型尚未被用于研究频繁发生事故的驾驶员之间事故间隔时间的决定因素。为了探索频繁发生事故的驾驶员事故中潜在的复杂未观察到的异质性，本文考虑了两种异质性方法：一种是具有均值异质性的相关随机参数基于风险的持续时间模型，另一种是具有类别概率函数的潜在类别基于风险的持续时间模型。正如将要展示的，这两种方法为建模频繁发生事故的驾驶员之间事故间隔时间的异质性提供了新的理论视角。

本文的结构如下：第2节回顾了随机参数生存方法和潜在类别模型在交通安全中的应用文献。第3节描述了研究中使用的数据，第4节概述了研究方法。第5节详细讨论了结果。最后，第6节提出了结论并提出了未来研究的潜在方向。

节选

随机参数生存分析在交通安全中的应用

近年来，生存分析方法在交通安全领域得到了广泛应用，特别是在研究高速公路事故持续时间（Nam和Mannering，2000年；Qi和Teng，2008年；Chung，2010年；Tuckwell等人，2023年）、制动持续时间（Ali等人，2022a年；Ali和Haque，2023b年）、变道持续时间（Ali等人，2024年）、驾驶员分心响应时间（Ali和Haque，2023a年）以及驾驶员之间事故间隔时间（Balusu等人，2020年；Hamed和AlShaer，2023年；Dzinyela等人）等方面。

数据描述

本研究使用了由中国内蒙古自治区某市公安局提供的交通事故数据集，涵盖2014年至2023年的数据。该数据集记录了驾驶员的人口统计信息（性别、年龄、驾驶经验）、伤害严重程度、责任状态、交通方式、车辆注册信息、车辆保险、车辆操作方式、事故类型、道路类型、路面状况等详细信息。

基于风险的持续时间模型

基于风险的持续时间模型用于研究给定事件在时间t终止的概率，适用于分析时间依赖性数据（Haque和Washington，2015年；Washington等人，2020年）。在本研究中，事故间隔时间定义为两次连续事故之间的经过时间，用连续随机变量T表示。相应的累积分布函数F(t)表示为（Washington等人，2020年）：$F\left(\text{t}\right)=P(T<\text{t})={\int }_0^{t}f\left(u\right)du$