Nawaf Alnawmasi|Richard Dzinyela|Dominique Lord|Fred Mannering
摘要
自行车骑手的受伤严重程度因年龄组而异，这主要是由于骑行经验、冒险行为、身体脆弱性和反应时间的差异所致。本研究通过分析COVID-19封锁前、封锁期间和封锁后年轻、中年和老年骑手的碰撞事故，探讨了自行车骑手受伤结果在人口统计学和时间上的异质性。利用2019年至2021年佛罗里达州的详细单车/单车碰撞数据，建立了考虑随机参数均值和方差异质性的logit模型，将重伤、轻伤和无明显受伤作为可能的受伤结果。似然比测试表明，模型参数在三个年份间存在显著的时间变化，以及与年龄相关的差异。考虑到与自行车骑手、驾驶员、车辆、道路和环境条件相关的各种解释变量，研究结果强调了正确模型设定的重要性，并揭示了不同年龄组和时间段受伤严重程度模式的统计显著变化。此外，研究还表明，在某些情况下，参数在不同时间段和年龄组间的共性在统计上是合理的，这为了解受伤严重程度的决定因素提供了额外见解，并进一步强调了正确模型设定的重要性。
引言
骑自行车是一种日益流行的主动交通方式，尤其适用于短途和中等距离的出行，它不仅有益健康，而且成本效益高且环保。然而，作为易受伤害的道路使用者，自行车骑手相对于轿车和卡车等封闭式车辆的乘员来说，更容易受到碰撞力的影响。根据世界卫生组织（2024年）的数据，全球每年约有41,000名自行车骑手因此丧生。在美国，国家公路交通安全管理局报告称2020年自行车骑手的死亡人数比前一年增加了9%，这一增长至少部分归因于COVID-19大流行期间骑自行车人数的增加。有趣的是，2020年自行车骑手的轻伤人数相比2019年减少了21%。尽管轻伤人数的减少是一个积极的发展，但自行车骑手死亡人数的增加仍然是一个重大的安全问题。
许多研究已经探讨了影响自行车骑手在碰撞中受伤严重程度的因素。例如，Moore等人（2011年）发现，饮酒后的自行车骑手在交叉路口发生事故、在道路弯道处发生事故以及未佩戴头盔都会增加重伤的概率。Eluru和Bhat（2007年）发现，在有信号灯的交叉路口发生的自行车骑手事故比在其他道路位置发生的事故伤害程度较轻。Lin和Fan（2021年）也发现，受酒精影响、与货车或卡车相撞以及驾驶员的过错等因素会影响交叉路口自行车骑手的受伤严重程度。此外，自行车骑手的性别、驾驶员是否饮酒、车辆速度、超速行驶、农村或城市地区、交通控制以及道路弯曲程度也会影响非交叉路口位置的自行车骑手受伤严重程度。其他研究（Chong等人，2010年；Moore等人，2011年；Boufous等人，2012年；Alnawmasi等人，2024b年）也广泛分析了交叉路口和非交叉路口位置的自行车骑手事故。在农村与城市事故方面，Council和Carter（2007年）发现农村地区的自行车骑手事故往往比城市地区更严重，这是由于车辆运行速度的普遍差异所致。
在其他研究中，Alnawmasi和Mannering（2023年）利用2019年至2021年佛罗里达州的数据发现了影响白天和夜间自行车骑手受伤严重程度的因素存在显著差异。Asgarzadeh等人（2018年）利用四个美国州的四年数据发现，光线条件较差与更严重的受伤相关，而Klop和Khattak（1999年）发现街道照明不足会导致自行车骑手受伤严重程度显著降低。在天气方面，恶劣天气也被发现会增加重伤的可能性（Kim等人，2007年）。此外，男性自行车骑手相比女性自行车骑手更容易受到重伤（Kim等人，2007年；Eluru等人，2008年；Behnood和Mannering，2017年）。关于年龄组，Wahi等人（2018年）发现40-49岁和60岁及以上的自行车骑手更容易发生重伤事故。同样，Behnood和Mannering（2017年）发现50岁以上的老年自行车骑手比其他年龄组更容易发生重伤事故。有趣的是，17-25岁的年轻自行车骑手比其他年龄组更不容易受到重伤。这些发现表明，自行车骑手的年龄可能反映了生理状况和相对脆弱性，老年骑手相比年轻骑手更为脆弱。医学证据支持这一观点，即骨质疏松症的患病率随年龄显著增加，50多岁的男性从4.0%增加到80多岁的26.7%，50多岁的女性从15.2%增加到85.8%，即使在中等冲击力的事故中也会显著增加受伤风险（Kim等人，2014年）。
尽管有大量关于自行车骑手事故的研究，但很少有研究主要关注不同年龄组和时间范围内受伤严重程度的差异。Mannering（2018年）指出，解释变量对受伤严重程度结果的影响存在时间变化，这是一个重要的概念。事实上，许多研究表明估计的模型参数在不同年份之间存在显著差异（例如，Alnawmasi和Mannering，2019年；Behnood和Mannering，2019年；Chang等人，2021年；Alnawmasi和Mannering，2022a年；Yan等人，2023年）。处理未观察到的异质性的一种常见方法是将数据按时间段（通常是年份）分段，并为每个时间段估计单独的模型（参见Hou等人，2025年的综述和讨论）。时间段分段方法在统计上测试了参数随时间的整体变化，但隐含地允许所有参数随时间变化，无论这种变化是否具有统计显著性。为了测试个别参数随时间可能的统计显著变化，另一种方法是使用所有时间段的数据，并按时间段适当定义变量，从而可以统计测试某些参数是否随时间保持不变，而其他参数是否发生变化（Chang等人，2021年；Alnawmasi和Mannering，2023年；Dzinyela等人，2024a年；Dzinyela等人，2024b年；Adanu等人，2025年；Marcoux等人，2024年；Pervaz等人，2024年；Shabab等人，2024年）。本研究旨在利用Alnawmasi和Mannering（2023年）以及Dzinyela等人（2024a年）的部分约束建模方法，结合按自行车骑手年龄分组的数据分割，来研究这些时间变化。利用佛罗里达州2019-2021年的三年单车/单车碰撞数据，将采用部分时间和自行车骑手年龄约束的方法，通过参数差异的统计测试来确定哪些参数可以在时间和自行车骑手年龄组上保持不变。这种双重约束方法（同时考虑时间和年龄因素）可以在保持检测未观察到的异质性的能力的同时，潜在地提高统计拟合度（考虑到随机参数的均值和方差存在异质性）。
方法论
高速公路事故是涉及人类行为、车辆机械性能、道路基础设施、交通状况和环境因素的复杂事件（Mannering等人，2016年；Mannering等人，2020年；Lord等人，2021年）。负责记录这些事故的执法人员由于事故事件的复杂性，在捕捉影响受伤严重程度的所有潜在因素方面面临挑战。此外，他们还可能受到其他限制...
实证背景
本研究使用了佛罗里达州的数据，重点关注2019年1月1日至2021年12月31日期间发生的单车/单车碰撞事故。
可转移性和时间稳定性测试
为了评估影响不同年龄组（年轻组<30岁）、中年组（30-59岁）和老年组（60岁及以上）自行车骑手受伤严重程度的因素的潜在变化，采用了以下似然比测试（Washington等人，2020年）：
