英语原文共 15 页

新西兰的交通事故模型

摘要：本研究的目的是研究1970年至1994年期间新西兰致命车祸的趋势和季节模式与经济状况变化的关系。Harvey和Durbin（英国皇家统计学会杂志149（3）（1986）187–227）结构时间序列模型（STSM）是一种“未观察到的组成部分”模型，用于估计每季度致命交通事故的模型。相关变量被建模为车祸数量和车祸率的三个变量（每行驶10000公里的车祸、每1000辆车的车祸和每1000人的车祸）。模型中的独立变量包括失业率（UER）、人均实际国内生产总值、摩托车比例、青年男性在人口中的比例、人均酒精消费量、开放道路速度限制以及1973年和1979年石油危机和安全带佩戴法的虚拟变量。UER、人均实际GDP和饮酒量都是解释模型短期动态的显著和重要因素。从长远来看，人均实际GDP与车祸的数量直接相关，但在控制行驶距离后并不重要。这表明，收入的增加与短期风险降低有关，但长期而言，遭遇车祸（即行驶距离）的风险增加。开放道路速度限制增加1％与致命车祸长期增加0.5％相关。 1979年的石油危机和安全带佩戴法律导致致命车祸事故大幅减少。 1984年的全面推广的安全带佩戴法减少致命车祸事故15.6％。这些道路政策因素对车祸的影响似乎大于人口和经济因素的作用。 copy;2002 Elsevier Science Ltd.保留所有权利。

关键词：交通事故的社会决定因素；道路交通安全；统计模型

1. 简介

交通事故是造成死亡和重伤的主要原因。例如，1990年向警方报告了30,230起机动车交通事故（以下简称“车祸”），导致新西兰道路上13,326起轻伤，4415起重伤，730人死亡（陆路交通安全局，2000年）。^【1】车祸是1-15岁和15-34岁年龄段的主要死亡原因，占所有意外伤害死亡人数的55％。车祸相关伤害是导致1990年新西兰人非故意伤害住院的第二大原因，其中70％为15至30岁的男性（新西兰卫生健康信息服务中心（NZHIS），1992年）。

与其他经合组织国家相比，新西兰的车祸记录很差。1990年，新西兰的交通死亡率仅次于葡萄牙和西班牙，排在第三位（每100000人中有21.5人死亡），在21个经合组织国家中排名第七（每10000辆汽车中有3.3人死亡）（陆路交通安全局，1995年）。 这些人口和车辆比率分别为58％和43％，分别高于新西兰最近邻国澳大利亚的比率。

交通事故的原因可以从不同程度的因果关系，如生活方式影响（个人行为）、环境影响和社会结构（国家层面）的影响进行分析来解释。过去二十年来，在国家层面解释交通事故已经引起了交通和社会科学家的注意。

先前的研究表明，经济活动至少部分解释了道路死亡的变化（Joksch，1984; Thoresen等人，1992）。 Joksch（1984）观察到类似于机动车死亡率和美国工业生产指数的变化。更多的轶事证据来自澳大利亚维多利亚州，其中“维多利亚公路”（维多利亚州公路公司）报告维多利亚州公路死亡人数下降29％，而该州正经历历史上最严重的经济衰退之一（Thoresen等人。1992）。^【2】

经济因素可能以两种方式影响车祸：直接影响车祸暴露（如行驶距离），和/或通过间接影响特定暴露水平的碰撞风险。^【3】随着经济活动增加，驾驶员可能会驾驶得更远，增加暴露时间，因此，车祸的数量可能会增加;；经济会衰退。经济因素也可能改变车祸的风险; 例如，随着经济增长，车辆安全水平可能会增加，因此发生车祸的次数可能会减少，反之亦然。 因此，经济条件可能对车祸产生二分效应。

在20世纪80年代和90年代初期，新西兰经历了激进的重大经济改革，亨德森将其描述为“历史上最值得注意的自由化事件之一”（Henderson，1996年引自Evans等人，1996）。 经济从一个受到高度监管，中央控制的“福利国家”经济转变为自由放任，并在很大程度上放松管制的经济。 这些改革的规模在世界其他地方尚未见到。因此，在新西兰的数据中，经济状况和车祸之间的任何联系都很可能是显而易见的。^【4】

时间序列估计方法在20世纪80年代也经历了一场重大的变革。时间序列数据、分布理论和统计推断的建模方法受到当代发展的影响，特别强调伪回归和协整分析（例如，参见Granger和Newbold，1974；Nelson和Plosser，1982；Phillips，1986；Engle和Granger，1987，1991）。评估车祸与经济状况之间关系的一种方法是遵循Harvey的结构时间序列模型（STSM）（Harvey和Durbin，1986；Harvey，1989）。STSM使用灵活的趋势和季节性成分来克服先前研究的许多局限性。稍后将描述该方法。

这项研究的目的是将经济状况与新西兰的车祸联系起来。

1. 碰撞模型

2.1.型号规格

涉及死亡事故的车祸数量似乎是最合适且最不具有偏见的车祸指标。该变量取自新西兰陆路交通安全管理局（LTSA），包括在新西兰公路上发生的所有致命的机动车辆交通事故。 这不包括因非交通事故（例如越野车祸）而导致死亡的事件。 由于所有致命的车祸都是由警方常规调查和记录的，因此这个系列被认为几乎没有测量误差。

其他（替代）因变量包括车祸死亡人数、车祸住院人数，以及新闻报道的车祸人数。虽然死亡人数可能更为明显，让公众理解，但这引入了混淆因素。例如，由于一次车祸可能导致多起死亡事故，且每次车祸的死亡人数可能随着时间的推移而变化，因此这种变化是人为的。住院治疗的患者也受到这种非独立事件的影响，并且可能因住院，治疗和记录事件的变化而进一步混淆。此外，不涉及死亡的车祸可能没有被报道出来。例如，在新西兰造成需要住院治疗的伤害的所有车祸中，只有不到50%的事故报告给了警方（Alsop和Langley，1998年）。对于涉及轻伤或无伤害的撞车事故，报告不足的情况有所增加。虽然报告不足会引入偏见，但如果它是一致的，那么它是可以接受的。然而，报告偏差的一致性尚不清楚，并且确定这种偏差超出了本研究的范围。因此，我们选择使用新西兰陆路运输安全局（LTSA）数据模拟致命车祸事故。

与社会科学的大多数领域一样，没有一个可靠的经济学理论指出哪些解释变量应该出现在致命车祸的因果模型中。我们在这里的重点是总体上的因素，或社会层面的因素。因此，假设车祸发生率取决于诸如收入水平、失业率（UER）、人口规模和构成、行驶距离、车辆大小、车辆组成和年龄、车速限制、饮酒量以及一系列道路安全干预措施（如安全带佩戴法）。

2.2.国内生产总值（GDP）

实际人均国内生产总值（RGDP）用作收入的代表（即人均生产的平均值）。以前的研究人员指出，可支配收入会对安全产生积极或消极的影响（Fuchs，1974）。 RGDP可能会影响暴露和致命车祸的风险。在供应方面，政府在道路上的支出可能会增加道路的数量（高速公路的长度，车道的数量），从而促进长途旅行，从而增加车祸事故的风险。然而，增加的RGDP和政府支出也可能通过提供安全设施（如街道照明、运输系统和交通执法）等安全功能来提高道路行驶质量。这可能会降低发生车祸的可能性，但正如Blomquist（1986）所指出的那样，驾驶员可以通过更快地驾驶、更少关注或更少关注安全（例如，不系安全带）来弥补风险的降低；从而增加风险。因此，增加的RGDP效应是模糊的，并且是对哪种效应占主导地位的经验测试的问题。

2.3.失业

一些研究报告失业是与车祸呈负相关的显著因素（Wagenaar，1984；Hakim等人，1991；Newstead等人，1995；Gantzer等人，1995）。失业率的上升被认为是对自由旅行支付能力下降和就业相关旅行需求下降的反映。因此，该模型中包含了UER。

2.4.车辆特性

车辆的尺寸、年龄和组成是造成车祸的潜在重要因素。车辆数量（VEHS）是车祸暴露的一个相对简单的代表，广泛用于标准化国际比较中的交通死亡人数（Land Transport Safety Authority，1996）。然而，这一因素可能存在非线性，因为随着交通拥挤程度的增加，平均车速降低，车祸频率和严重程度降低。下面讨论了模型中非线性因素的可能性。

车流中车辆的平均年龄可能对车祸产生直接影响。较新的车辆往往配备更多的安全功能，如安全气囊和防撞区，作为标准功能。道路上新车的比例越大，具有“附加安全”功能的车辆比例就越大。然而，新西兰的车辆年龄数据无法获得。该遗漏变量的影响可在下文所述的STSM中说明。车辆仪表板的组成是另一个潜在的重要因素。由于摩托车驾驶员在车辆事故死亡统计中的比例过高，因此包括摩托车在车辆事故（MCS）中的比例。骑摩托车的人数可以用注册摩托车的数量来代替。

2.5.人口因素

模型中包含了总体大小（pop）。然而，随着人口规模的相对变化，人口构成在确定交通事故中可能更为重要。年轻（15-24岁）男性通常在死亡统计中的比例过高，因此，年轻男性（YM）的比例也包括在内。

2.6.饮酒量

在新西兰，30%到40%的致命车祸涉及酒精（Land Transport Safety Authority，1995年）。啤酒占新西兰所有酒精饮料消费量的86%，更典型的是与酒后驾驶和年轻人有关（Wylie和Casswell，1989年）。因此，人均啤酒消费量被用作潜在的解释变量（ALC）。啤酒消费量增加的预期影响是交通事故的增加。

2.7. 旅行距离

行驶距离是暴露于车祸中的公认指标（Scott等人，1987年；Broughton，1991年；Robertson，1996年）。其他暴露指标可能包括时间（例如，在交通中花费的小时数）、车辆数量或人口。由于行驶距离和车祸之间存在直接的因果关系，因此模型中包括1000万公里的行驶距离（TRAV）。

2.8. 其他因素

除了新西兰经济结构调整带来的政策变化外，还有几个重大事件值得注意，包括开放道路限速的变化、1973年和1979年的石油危机以及强制性安全带佩戴法。这些因素通常包括在交通事故研究中（Hakim等人，1991年），被认为对交通事故有着重要影响。如果在交通事故分析中未能控制重大“冲击”，可能会导致估计偏差和误导性推论，因为如果不考虑导致利息变量变化的外生冲击或其他因素，解释变量的参数值可能被夸大。此外，假设冲击的影响是永久性的，而不是暂时性的，模型的残余物可能由于平均值的变化（即结构断裂）而出现非平稳性。

作为1973年石油危机期间减少石油进口的一项措施，公路开放速度限制从55英里/小时（88公里/小时）降至50英里/小时（80公里/小时）。这一较低的车速限制一直保持到1985年7月，当时车速提高到了62.5英里/小时（100公里/小时）。开放道路速度限制的增加部分是由于20世纪80年代出现的“速度蠕变”造成的。然而，1985年的速度限制增加与高速公路上观察到的5 kph和农村道路上的4 kph的速度增加有关（Barnes和Edgar，1987年）。此模型中使用的是开放式道路速度限制，而不是观测到的平均速度，因为速度限制可以由政策制定者直接控制，而观测到的速度（或Fowles和Loeb（1992）及其他人使用的速度差异）则不能。人们感兴趣的是速度限制的影响，而不是速度本身。

虽然开放道路的速度限制是可直接量化的，但许多可能导致结构断裂的道路安全和运输政策事件要么是不可量化的，要么是未测量的。例如，宣传安全运动、安全带佩戴率、自《酒类销售法》（1990年）颁布以来对酒精供应的自由化，以及驾驶血液/呼吸酒精限制和执法的变化。政策变化的影响可通过使用干预（虚拟）变量进行估计，干预变量在事件发生前取零，在事件发生后取一，和/或可通过“未观察到的组成部分”模型（如STSM）进行解释。1973年和1979年石油危机的虚拟变量，以及1984年9月引入的强制通用安全带磨损法，均用于此处估算的模型中。其他政策影响由STSM中未观察到的部分解释。

从1970年到1994年的季度观察结果贯穿整个分析过程。表1给出了样本第一年和最后几年（1970年和1994年）的变量定义、来源和季度平均值。图1-3显示致命车祸、行驶距离、车辆（图1）、人口、人均实际GDP、人均酒精消费量（图2）、Uers、摩托车百分比和YM百分比的趋势（图3）。

这些系列包含趋势（例如，UERs、YM比例），表现出强烈的季节性模式（例如，车祸、饮酒），或两者兼而有之（例如，旅行距离、实际GDP）。因此，需要一种能够明确地模拟这些现象之间关系的时间序列方法。STSM就是一种能够结合这些特性的方法。

2.9. 统计分析

计量经济学模型需要确定主要观测特征，如趋势和季节变化。这些特征可以通过在STSM中使用Harvey和Durbin（1986）以及其他人（Cuthbertson等人，1992）所使用的通用技术来明确和有效地融合。STSM是Box和Jenkins（1976）Arima模型的概括。然而，作为模型的一部分，STSM包含随机趋势和季节性成分。因此，数据不需要ARIMA模型所要求的去分化和去季节化。

STSM可写为: (1)

式中，是t时的因变量，t是t时序列的水平，演化为：t=tminus;1 tminus;1 t，t=tminus;1 t，t时的斜率估计是各个季节影响的总和，并遵循（三角）形式的逐渐变化的波浪型模式：，

其中S是一年中的季节数（即，这里使用的季度数据的s＝4），j＝2J/s，频率和季节频率的数目是j＝S／2，Xi，T是独立的（外生）变量，例如UER，I是独立的XI变量的未知参数，T，YT，T的随机（或不规则）扰动，随机扰动。与水平相关的随机扰动，t，与坡度相关的随机扰动，jt，与季节模式相关的随机扰动。假设所有干扰都是独立的，并且是正态分布的。（详见Harvey（1989）。

STSM被估计为使用最大

资料编号：[4684]