随着城市人口和机动车保有量迅速增长,导致城市道路交通事故死亡人数的逐年攀升,2013至2018年的年均增长率高达5.6%,城市交通安全形式严峻。基于离散选择模型,探析不同形态交通事故的影响因素,有利于深入理解各形态交通事故的发生机制,从而减少死亡交通事故的发生。然而,现有研究在离散选择模型应用过程中,多采用无监督离散化算法进行连续变量离散化,造成被离散变量信息损失严重;此外,该类模型无法主动挖掘变量间的交互作用,易导致错误的推论。针对上述问题,本文提出一种改进混合Logit模型的城市死亡交通事故形态影响因素研究方法,用以探析各因素和因素间交互效应对死亡交通事故形态影响,为城市交通安全改善措施的制定提供理论依据。首先,对于2014至2016年的深圳市死亡道路交通事故数据,将交通时候形态分为车辆间事故、车辆与行人事故、单车事故,从驾驶员、车辆、道路、环境和时间方面选取16个潜在影响事故形态的自变量。其次,针对传统无监督离散化算法造成被离散自变量信息损失严重的问题,创新性地采用有监督离散算法中的最小描述长度准则（Minimum Description Length Principle,MDLP）对事故数据中的连续自变量进行离散化,基于信息增益最大化原则寻找连续变量的离散点,降低了被离散自变量的信息损失,有利于寻求更优的离散点位置。然后,为克服忽略变量间交互作用导致错误推论的不利影响,采用基于关联规则的属性选择算法（Feature subset s Election Algorithm based on a Ssocia Tion rule mining,FEAST）,挖掘自变量间的交互作用。最后,依据MDLP、FEAST处理后的数据,构建混合Logit（ML）模型,并运用弹性分析定量探讨显著因素对各形态事故概率的影响程度。研究发现:本文所提的MDLP-FEAST-ML模型,其拟合优度显著优于MDLP-ML、EFD-ML和EFD-FEAST-ML模型。驾驶员年龄、车辆类型、路口路段类型、天气、道路隔离形式、照明条件、道路线形、事故发生时间、驾驶员年龄和照明条件的交互作用、驾驶员年龄和车辆类型的交互作用是城市死亡交通事故形态的显著影响因素。本文所提出方法充分考虑了连续变量离散化所造成的信息损失和变量间交互作用对事故形态的影响,有利于降低城市死亡交通事故发生,为改善道路交通安全状况提供了可靠的决策依据。