-
文献综述
- 道路交通风险模型的产生
国家级的道路交通风险模型拟合有着不同的目的。其中之一是比较不同国家之间的道路安全发展情况，找出表现得较差的一些国家，并且看看哪里可以改进提升。另一个目的是研究某一个国家的进展情况，以便观察趋势或评定特定政策的影响。第一种研究是横向的，第二种是基于时间序列的。国家一级的决策者使用时间序列分析作为一种工具来描述、解释和预测道路安全水平趋势的变化。他们面临的挑战是确定过去趋势变化的解释性因素，并采取适当措施进行干预，以影响未来趋势的变化。因此，道路安全领域的研究人员开发了适当的模型，为这些问题提供充分的答案。他们将时间序列模型应用于过去（描述和解释）或未来（预测）的道路安全指标。
人们普遍认为第一个道路交通安全模型是Smeed[9]提出的，他的模型将一个国家年度的道路交通伤亡人数与该国的机动车数量和人口建立了联系，这一模型第一次提出了“风险暴露”这一概念。20世纪50年代，随着经合组织成员国的机动化快速增长，交通拥挤和交通事故成为造成损失的重大因素，这时候可以用进行事故预测的统计学模型的重要性就凸显出来了。
1968年，美国推出了第一个旨在改善道路安全的措施方案，之后，Peltzman[10]发起了一场主要的辩论，质疑这些措施的有效性。他提出了一种驾驶员行为理论，其中驾驶员根据风险等级调整自己的驾驶方式：这种对驾驶员风险的适应被认为是解释道路安全措施无效的原因。这场辩论导致了对20世纪80年代初美国和英国所观察到的道路交通安全改善的原因的调查：这些改善应该归因于道路安全政策的影响还是外部的那些影响因素？然后，一种系统性的方法开始占主导地位：这涉及到全面考虑道路安全系统，考虑到道路风险的所有决定因素。利用集计数据建立的综合模型被开发出来，旨在评估道路安全政策的影响，同时评估其他决定因素的影响。
系统性方法通过大量使用横向数据或年度和月度时间序列形式的汇总数据的模型（Hakim、Hakkert、Hochermann和Shefert，1991年[11]）确定了一组与风险因素相关的变量。除了交通量或车流规模外，还根据经济活动（如家庭收入）、燃料价格、人口结构（如年轻驾驶人比例）和调节措施（如速度限制）、交通量、交通量和交通流量等对风险敞口进行了评估，还涉及一些管理政策，如技术车辆检查和饮酒的最低法定年龄等。
-
- 不同的建模技术
在英国，Scott[12]评估了1974年乡村地区油价上涨和限速政策对道路安全的影响。他在经典的回归模型中考虑了交通流量、燃料价格、气候以及工作天数的影响。Harvey和Durbin[5]使用了结构模型评估了安全带相关的法律对道路安全的影响，同样考虑了交通量和燃料价格的影响。《结构化方法的创新本质》一文，把趋势和季节性因素当初随机成分来考虑，引发了一系列重要的争论。后来Scott在同样的数据集上采用了自回归模型，验证了Harvey和Durbin关于安全带立法的影响评估结果。
Harvey[13]的结构化模型后来被应用于比较欧洲不同国家之间的集计数据。主要道路安全措施对年死亡人数趋势水平和坡度的影响被确定，交通量是死亡人数的唯一决定因素（Lassarre，1996，2001[14]）。最近，结构模型已经在多变量框架中得到应用：连续的道路交通事故数据和出行量的同时建模使得估计与这些数据相关的潜在风险成为可能（BijLeveld、Commandeur、Gould和Koopman，2008年[15]）。
结构建模最广泛应用的替代方法是使用自回归模型或相当于这些模型的模型。模拟每月的事故或死亡人数，消除了趋势和季节性，但包含了少量变量，用于测量交通量、经济活动和燃料价格、气候条件和月历，以及干预变量，使评估道路影响、安全措施和异常事件成为可能（(COST Report 329, 2004[16])。
最先进的道路风险解释自回归模型是由Gaudry（1984）[17]开发的：一种使用每月汇总数据的道路安全系统的结构化表示。这种解释模型在三个层次上运作，比以前的模型具有更一般的功能形式。
Gaudry[18]将伤亡人数（死亡、重伤和轻伤）建模为行驶公里数、事故率（每车公里事故数）和严重度比率（每起事故死亡、重伤和轻伤人数）的自变量。通过使用大量解释变量（三个级别中的每一个都是相同的），Gaudry能够通过事故风险和严重程度决定因素的行驶里程来考虑直接和间接影响。通过对变量应用Box-Cox转换，模型考虑了不严格乘法的影响。该建模方法的首字母缩写为“阻力”，已被欧洲和美国的其他研究人员根据其国家的具体特征进行了调整。例如，法国建立了一个额外的等级，用城际网络的速度来衡量风险行为（Jaegeramp;Lassarre，1999年[19]）。
虽然这一类模型很少被使用，但为了完整起见，我们还应提及日常道路安全数据的建模。影响道路伤亡统计的高变异性使得分析短期变化极其困难。每日数据模型有两个用途：第一，它们使我们能够了解不典型天气或异常日历事件造成的短暂影响；第二，它们使我们能够估计和识别每日趋势的变化，并针对上述局部影响进行校正。一个例子是使用法国数据（Bergel、Girard、Lassarre和Le Breton，1996年[20]）开发的每日交通事故数据的季节性调整模型，本文将不对此进行更详细的描述。因此，月度趋势仍然是监测短期趋势的标准。每月季节性调整后的统计数据的统计分析，在其他领域广泛存在，也开始被公共决策者用于道路安全目的。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
