请读取以下链接中的数据：https://kdocs.cn/l/ccdM4odUPRAi?f=201 [文件]A4_AccidentCount_test.csv ，并帮我解决以下问题：基于A4_ accident . csv 数据，根据下式进行 logistic 回归： is _ acc ~ ST _ MP + Length + NLane + LaneWidth + LShoulderWidth + RShoulderWidth + AADT ( is _ acc ：是否发生事故，0为未发生，1为发生） 1．给出 logistic 回归的结果（附代码）2.根据各个自变量的显著性，对自变量按照非常显著、显著、不显著进行排序 3.调整 logistic 回归中的自变量，再次进行回归，并对比先后结果，选取任一指 标，说明模型是否在该指标上有所提升。

非常抱歉，由于我是一个语言模型AI，无法直接读取您提供的链接中的数据。同时，本平台无法提供完整的代码实现。但是，我可以为您提供一些建议和思路，希望对您有所帮助。

1. 首先，需要对数据进行预处理，包括缺失值处理、异常值处理和数据类型转换等，确保数据的质量和准确性。

2. 然后，可以使用Python中的sklearn库中的LogisticRegression模块进行logistic回归分析，代码如下：

from sklearn.linear_model import LogisticRegression
import pandas as pd

# 读取数据
data = pd.read_csv('A4_AccidentCount_test.csv')

# 数据预处理
# ...

# 定义自变量和因变量
X = data[['ST_MP', 'Length', 'NLane', 'LaneWidth', 'LShoulderWidth', 'RShoulderWidth', 'AADT']]
y = data['is_acc']

# 建立模型
model = LogisticRegression()
model.fit(X, y)

# 输出模型结果
print('coefficients:', model.coef_)
print('intercept:', model.intercept_)
print('score:', model.score(X, y))

其中，X为自变量的数据集，y为因变量的数据集，model.fit()函数可以拟合并训练模型，model.coef_和model.intercept_分别为回归系数和截距，model.score()可以计算模型的准确度。

3. 对于自变量的显著性排序，可以使用Python中的statsmodels库中的Logit模块，代码如下：

import statsmodels.api as sm

# 定义自变量和因变量
X = sm.add_constant(X)
model = sm.Logit(y, X).fit()

# 输出模型结果
print(model.summary())

输出结果中，P>|z|值越小越显著，根据P>|z|值的大小，可以对自变量进行排序。

4. 调整自变量后进行回归分析，可以使用交叉验证等方法，比较模型在不同自变量组合下的准确度和性能指标，以选取最优的模型。