负二项回归与泊松回归选择问题

我在做一个交通安全模型，事故为计量数据；均值 32.64912，而方差 738.8033；因此我打算选用负二项模型，但模型回归结果（我只看了一下R方）泊松要比负二项好得多，我检查数据发现存在个别数值偏大较多，请问在这种情况下我应该选择什么模型，负二项回归的alpha如何分析？谢谢各位！
Negative binomial regression                      Number of obs   =         57
                                                  LR chi2(7)      =      34.55
Dispersion     = mean                             Prob > chi2     =     0.0000
Log likelihood = -237.95777                       Pseudo R2       =     0.0677

------------------------------------------------------------------------------
   accidents |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
   numbiansu |   1.433067   .3351097     4.28   0.000     .7762637     2.08987
inmedunpaved |  -.4624638    .243723    -1.90   0.058    -.9401522    .0152245
      usehov |   .5107766    .273323     1.87   0.062    -.0249265     1.04648
    barcable |   .7520292   .3034703     2.48   0.013     .1572384     1.34682
  surbrideck |  -1.636123   .4081964    -4.01   0.000    -2.436173   -.8360728
     inmedsg |   .7364986   .2834705     2.60   0.009     .1809066    1.292091
population1 |    .689152   .2839289     2.43   0.015     .1326617    1.245642
       _cons |   1.775044   .3661459     4.85   0.000     1.057411    2.492676
-------------+----------------------------------------------------------------
    /lnalpha |  -.9745865     .21755                     -1.400977   -.5481963
-------------+----------------------------------------------------------------
       alpha |   .3773484   .0820921                      .2463563    .5779914
------------------------------------------------------------------------------
Likelihood-ratio test of alpha=0:  chibar2(01) =  375.44 Prob>=chibar2 = 0.000





Poisson regression                                Number of obs   =         57
                                                  LR chi2(16)     =     742.14
                                                  Prob > chi2     =     0.0000
Log likelihood = -356.05155                       Pseudo R2       =     0.5103

-------------------------------------------------------------------------------------------
                accidents |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
--------------------------+----------------------------------------------------------------
                numbiansu |   1.328459   .1221327    10.88   0.000     1.089083    1.567835
     innershoulderwidthft |   .0757376   .0374595     2.02   0.043     .0023183     .149157
                   usehov |   .6441821    .090765     7.10   0.000     .4662859    .8220783
                     sur7 |  -.3039586   .0679214    -4.48   0.000     -.437082   -.1708352
               surbrideck |  -1.723786   .1817253    -9.49   0.000    -2.079961   -1.367611
                down_aadt |   .0000149   2.31e-06     6.44   0.000     .0000103    .0000194
                   barmbb |   -.271133   .0922192    -2.94   0.003    -.4518793   -.0903867
                 barcable |   .5173714   .0982123     5.27   0.000     .3248789     .709864
             lengthbiansu |   .0007678   .0004936     1.56   0.120    -.0001997    .0017353
              population1 |   .5193249   .0931751     5.57   0.000      .336705    .7019447
                  up_aadt |   5.36e-06   2.33e-06     2.30   0.022     7.88e-07    9.94e-06
               lanenumber |  -.1805165   .0643169    -2.81   0.005    -.3065753   -.0544578
               inmedpaved |   .5316509   .1081213     4.92   0.000      .319737    .7435648
                  inmedsg |    .806511   .1141771     7.06   0.000     .5827281    1.030294
               speedlimit |   .4215773   .2010589     2.10   0.036     .0275091    .8156455
innershouldtreatedwidthft |  -.0841996   .0350738    -2.40   0.016    -.1529429   -.0154562
                    _cons |   .2712583   .3134897     0.87   0.387    -.3431703    .8856869
-------------------------------------------------------------------------------------------

有人帮忙解答吗QAQ

选择NBR还是possion应该根据样本的统计特点，而不是只看结果好不好。就算结果非常显著，但是从一开始就不符合计量知识，又有什么意义呢？