機非交通事故中駕駛員過錯和事故嚴重程度影響因素的Logistic回歸分析

林慶豐，鄧院昌，胡繼華

(中山大學智能工程學院廣東省智能交通系統重點實驗室，廣東 廣州 510006)

道路擁堵的加劇和綠色出行理念的普及，使得非機動車在交通中扮演著日益重要的角色。目前，我國非機動車數量已超過4億輛[1]。隨著非機動車數量的增加，機非交通事故數量也呈現逐年上升的態勢[2]。機非交通事故頻發對人民群眾的日常出行造成了嚴重的安全隱患，因此對機非交通事故進行探究具有重要的現實意義。

當前，國內外已有許多學者針對交通參與者的過錯進行了探究。在國外，針對行人-機動車交通事故方面的研究，主要有Kim等[3]和Ulfarsson等[4]分別以美國夏威夷州和北卡羅萊納州的交通事故記錄數據為基礎，分析了事故中行人和機動車駕駛員是否出現過錯與事故發生時段、道路和環境等因素之間的關系；Zhang等[5]則通過分析事故中的過錯對事故嚴重程度的影響，發現行人出現過錯更有可能導致嚴重交通事故。在國內，針對駕駛員過錯的研究主要集中于生理心理狀態對駕駛行為差錯的影響[6-7]，以及如何為事故中駕駛員的過錯定責[8]等方面，但比較缺乏綜合考慮人、車、路和環境等因素對機非交通事故中雙方駕駛員是否出現過錯的影響研究。

在機非交通事故嚴重程度及數量方面，也有學者開展了一系列的研究。如Nie等[9]和聶進等[10]通過事故重建，分析了典型碰撞形態下自行車駕駛員的動態響應過程以及頭部碰撞條件與車輛碰撞速度之間的關系，并進一步研究了其身體各部位的損傷分布以及頭部損傷和下肢骨折風險；Raslavicius等[11]也通過重建汽車-自行車交通事故來評估自行車駕駛員的受傷情況，并指出自行車駕駛員的受傷情況很大程度上取決于汽車的行駛速度；Mcadams等[12]通過分析美國兒童自行車駕駛員發生的交通事故，發現自行車駕駛員是否使用頭盔、事故是否涉及機動車等與自行車駕駛員的受傷情況密切相關；Li等[13]通過研究表明，由于共享單車對步行者的吸引力大于機動車使用者，造成路網上自行車數量的增加，但對減少機動車流量并沒有明顯作用，這導致機非交通事故數量上升；Prati等[14]使用數據挖掘技術來預測自行車交通事故的嚴重程度，發現碰撞類型、道路類型和機動車類型是事故嚴重程度最重要的影響因素；王濤等[15]采用有序Logit模型分析電動自行車交通事故嚴重程度的主要影響因素，得出照明情況和交通管控方式等11個因素與電動自行車事故嚴重程度顯著相關。

上述研究主要分析了機非交通事故中自行車駕駛員個人受傷情況、事故數量和整體事故嚴重程度的影響因素，尚未見有綜合考慮駕駛員過錯和人、車、路、環境等因素對機非交通事故嚴重程度影響的研究報道。鑒于此，本文以廣東省2017年交通事故數據庫中的1 357條記錄完整的機非交通事故數據為基礎，綜合考慮多種影響因素，分別建立了二元Logistic回歸模型和三元有序Logistic回歸模型，探究各因素對機非交通事故中雙方駕駛員過錯和事故嚴重程度的影響，為避免駕駛員出現過錯和降低機非交通事故嚴重性提供參考依據。

1 研究方法

1.1 二元Logistic回歸模型

假設因變量Y為二分類變量，1表示事件發生，0表示事件未發生。有m個自變量與因變量有關，記X=(x1,x2,…,xm)，即有：

(1)

式中:P為事件發生的概率；β0為常數項；βi為回歸系數。

1.2 有序Logistic回歸模型

假設因變量Y含有J個等級，有K個自變量與因變量有關，記X=(x1,x2,…,xK)，即有：

(2)

(3)

式中:P為累計概率；αj為常數項；βk為回歸系數。

2 機非交通事故變量的選取與分析

本文從廣東省2017年發生的機非交通事故中篩選出1 357條記錄完整的事故數據作為本次研究的基礎數據。

2.1 變量選取

2.1.1 因變量

若駕駛員被認定為需要承擔事故的全部或主要責任，則認為該駕駛員在事故中出現過錯；若駕駛員被認定為無責，則認為該駕駛員在事故中沒有出現過錯[5]。考慮到僅造成財產損失的機非交通事故在樣本中占比較小，本次研究將機非交通事故嚴重程度按造成人員死亡、人員重傷和人員輕傷或財產損失分為惡性事故、嚴重事故和輕微事故3類。

2.1.2 自變量

交通系統由人、車、路和環境等因素組成，任何一個環節出現問題都可能導致交通事故的發生。因此，從機非交通事故信息中初步選取機動車駕駛員屬性、非機動車駕駛員屬性、機動車輛、非機動車輛、道路和環境等因素包含的20個變量作為候選自變量。

2.2 變量賦值與分析

機非交通事故因變量和自變量的賦值和描述性統計，詳見表1。

表1 機非交通事故變量的賦值和描述性統計

3 機非交通事故影響因素的Logistic回歸分析

本文使用SPSS 24.0軟件分別構建二元Logistic回歸模型和三元有序Logistic回歸模型，對機非交通事故中雙方駕駛員過錯和事故嚴重程度的影響因素進行了Logistic回歸分析。

3.1 機動車駕駛員過錯的二元Logistic回歸分析

以機動車駕駛員是否出現過錯為因變量，選取表1中的機動車駕駛員屬性、機動車輛、道路和環境等因素包含的16個變量為自變量,進行了二元Logistic回歸模型擬合。在模型擬合前，采用回歸系數方差分解法(RCVD)診斷了16個自變量之間的多重共線性，結果顯示：條件指數超過30的維數對應變量(33.109)只有1個，且該變量的方差分解比均小于0.5，說明這16個自變量之間不存在明顯的共線性關系，可作為獨立變量進行二元Logistic回歸分析。

通過構建機動車駕駛員過錯的二元Logistic回歸模型可得：機動車駕駛員性別、機動車駕駛員駕齡、機動車行駛狀態、機動車使用性質、道路橫斷面位置、道路物理隔離、道路類型、時段和天氣9個自變量滿足建模條件。以這9個自變量構建的機動車駕駛員過錯的二元Logistic回歸模型擬合結果,見表2。

表2 機動車駕駛員過錯的二元Logistic回歸模型擬合結果

注：表中B為回歸系數；S.E.為標準誤；Wald為Wald檢驗值；Sig.為顯著性水平；Exp(B)為優勢比。以下同。

由表2可以看出：

(1) 在機動車駕駛員屬性方面，男性駕駛員出現過錯的概率是女性駕駛員的1.914倍；隨著駕齡的增長，機動車駕駛員出現過錯的概率先升后降。

(2) 在機動車輛方面，車輛直行狀態下，機動車駕駛員出現過錯的概率為車輛非直行狀態下的0.525倍；非私用車輛駕駛員出現過錯的概率僅為私用車輛駕駛員的0.269倍。

(3) 在道路方面，非混行道路上機動車駕駛員出現過錯的概率為機非混行道路上的0.618倍；在無隔離的道路上，機動車駕駛員出現過錯的概率最高，為中心隔離道路上的1.367倍，而在機非隔離道路上，機動車駕駛員出現過錯的概率最低；機動車駕駛員在城市道路上出現過錯的概率為在非城市道路上的0.547倍。

(4) 在環境方面，機動車駕駛員在夜晚出現過錯的概率為白天的0.673倍；機動車駕駛員在晴天出現過錯的概率為不利天氣下的0.649倍。

通過對機動車駕駛員過錯的Logistic二元模型整體進行檢驗，得到似然比卡方值為116.086，自由度為13，通過查卡方檢驗臨界值表可知，當顯著性水平為0.05時，卡方臨界值為22.362。由于模型的卡方值116.086大于卡方臨界值22.362，且Sig.值小于0.001，說明該模型整體通過了檢驗。同時，對該模型進行了Hosmer和Lemeshow檢驗，得到卡方值為6.896，自由度為8，通過查卡方檢驗臨界值表可知，當顯著性水平為0.05時，卡方臨界值為15.507。由于模型的卡方值為6.896小于卡方臨界值15.507，且Sig.值為0.548，大于0.05，說明該模型擬合度較好。

3.2 非機動車駕駛員過錯的二元Logistic回歸分析

以非機動車駕駛員是否出現過錯為因變量，選取表1中的非機動車駕駛員屬性、非機動車輛、道路和環境等因素包含的13個變量為自變量,進行了二元Logistic回歸模型擬合。在模型擬合前，采用回歸系數方差分解法(RCVD)診斷了13個自變量之間的多重共線性，結果顯示：各維數的條件指數均小于30，且所有維數對應變量的方差分解比均小于0.5，說明這13個自變量之間不存在明顯的共線性關系，可作為獨立變量進行二元Logistic回歸分析。

通過構建非機動車駕駛員過錯的二元Logistic回歸模型可得：非機動車駕駛員性別、非機動車駕駛員年齡、非機動車類型、道路橫斷面位置、道路物理隔離和道路類型6個自變量滿足建模條件。以這6個自變量構建的非機動車駕駛員過錯的二元Logistic回歸模型擬合結果，見表3。

表3 非機動車駕駛員過錯的二元Logistic回歸模型擬合結果

由表3可以看出：

(1) 在非機動車駕駛員屬性方面，男性駕駛員出現過錯的概率是女性駕駛員的2.424倍；隨著年齡的增長，非機動車駕駛員出現過錯的概率逐步降低。

(2) 在非機動車輛方面，電動自行車駕駛員出現過錯的概率是普通自行車駕駛員的2.318倍。

(3) 在道路方面，在非混行道路上，非機動車駕駛員出現過錯的概率為機非混行道路上的1.832倍；在無隔離的道路上，非機動車駕駛員出現過錯的概率最低，為中心隔離道路上的0.826倍；非機動車駕駛員在城市道路上出現過錯的概率為在非城市道路上的1.679倍。

通過對非機動車駕駛員過錯的二元Logistic模型整體進行檢驗，得到似然比卡方值為113.430，自由度為10，通過查卡方檢驗臨界值表可知，當顯著性水平為0.05時，卡方臨界值為18.307。由于模型的卡方值113.430大于卡方臨界值18.307，且Sig.值小于0.001，說明該模型整體通過了檢驗。同時，對該模型進行了Hosmer和Lemeshow檢驗，得到卡方值為5.601，自由度為8，通過查卡方檢驗臨界值表可知，當顯著性水平為0.05時，卡方臨界值為15.507。由于模型的卡方值5.601小于卡方臨界值15.507，且Sig.值為0.692，大于0.05，說明該模型擬合度較好。

3.3 機非交通事故嚴重程度的三元有序Logistic回歸分析

以機非交通事故嚴重程度為因變量，選取表1中的機動車駕駛員過錯、非機動車駕駛員過錯、機動車駕駛員屬性、非機動車駕駛員屬性、機動車輛、非機動車輛、道路和環境等因素包含的22個變量為自變量，進行了三元有序Logistic回歸模型擬合。在模型擬合前，采用回歸系數方差分解法(RCVD)診斷了22個自變量之間的多重共線性，結果顯示：機動車駕駛員過錯與非機動車駕駛員過錯之間存在共線性關系。因此，將非機動車駕駛員過錯這一自變量刪除，保留下來的21個自變量之間不存在明顯的共線性關系，可作為獨立變量進行三元有序Logistic回歸分析。

通過構建機非交通事故嚴重程度的三元有序Logistic回歸模型可得：機動車駕駛員的駕齡、機動車使用性質、機動車安全狀況、非機動車類型、道路物理隔離、道路線形和機動車駕駛員過錯7個自變量滿足建模條件。以這7個自變量構建的機非交通事故嚴重程度的三元有序Logistic回歸模型擬合結果，見表4。

由表4可以看出：

(1) 在機動車駕駛員屬性方面，駕齡大于15年的駕駛員比其他駕齡的駕駛員更易發生嚴重程度較高的事故。

表4 機非交通事故嚴重程度的三元有序Logistic回歸模型擬合結果

注：“a”表示該參數冗余，故對應的回歸系數B的取值設置為0。

(2) 在機動車輛方面，非私用車輛比私用車輛更易發生嚴重程度較高的事故；安全狀況差的機動車輛發生嚴重事故的概率也高于正常車輛。

(3) 在非機動車輛方面，電動自行車比普通自行車更不易發生嚴重程度較高的事故。

(4) 在道路方面，中心隔離道路上發生更嚴重交通事故的概率最高；非平直道路比平直道路更易發生嚴重程度較高的事故。

(5) 在駕駛員過錯方面，有過錯的機動車駕駛員比有過錯的非機動車加強員更易發生嚴重程度較高的事故。

通過對機非交通事故嚴重程度的三元有序Logitic回歸模型進行平行線檢驗，結果顯示：顯著性大于0.05，說明比例優勢假設存在，表明運用符合比例假設的三元有序Logistic回歸模型進行擬合是有效的。另外，模型的擬合優度檢驗結果顯示：皮爾遜統計量和偏差統計量的顯著性均大于0.05，說明該模型擬合度較好。

4 討 論

4.1 駕駛員因素

在駕駛員性別方面，無論機動車或非機動車，男性駕駛員都比女性駕駛員更容易出現過錯。相關研究也表明，男性駕駛員違反交通法規的行為比女性駕駛員多[16]。這可能與男性駕駛員普遍較為易怒和喜歡冒險等有關。

在機動車駕駛員駕齡方面，駕齡低于2年的新手駕駛員不容易出現過錯。這可能是因為新手駕駛員一般較為謹慎，所以較少出現違反交通法規的行為。

在非機動車駕駛員年齡方面，年齡大的非機動車駕駛員出現過錯的概率更低，說明年齡大的非機動車駕駛員更加遵守交通法規。

綜上，相關部門和單位應關注不同性別、駕齡和年齡的駕駛員出現過錯和事故嚴重程度的差異性，提出有針對性的交通安全教育和管理措施。此外，相關研究[5]指出，在行人交通事故中，機動車駕駛員的酒駕和超速等違法行為與事故嚴重程度相關。本文通過分析駕駛員過錯對機非交通事故嚴重程度的影響，發現機動車駕駛員的過錯更容易造成嚴重程度較高的機非交通事故。因此，相關部門要加大力度整治機動車駕駛員的交通違法行為，避免機動車駕駛員出現過錯。

4.2 車輛因素

4.2.1 機動車輛

在機動車輛行駛狀態方面，車輛在非直行狀態下，機動車駕駛員較容易出現過錯。這可能是因為車輛非直行時駕駛員更需要集中注意力，操作也較為復雜，稍有不慎就可能出現過錯。

在機動車輛使用性質方面，非私用車輛駕駛員出現過錯的概率較低，但一旦出現過錯，發生更嚴重交通事故的概率較高。這可能是因為駕駛營運車輛或單位用車等非私用車輛時，出現違法行為等過錯會導致駕駛員受到相應處分，所以非私用車輛駕駛員一般較為謹慎。然而，大部分非私用車輛車型較大，一旦發生事故，容易造成嚴重的后果。

在機動車輛安全狀況方面，安全狀況差的機動車輛發生更嚴重交通事故的概率遠高于正常車輛，說明車輛的日常檢修、維護與運行安全息息相關。

綜上，相關部門和單位應加強交通執法工作，并加大對機動車駕駛員安全教育的力度；同時，機動車駕駛員要嚴格執行道路運輸車輛技術管理規定，并嚴格落實車輛的日常檢修和維護工作。

4.2.2 非機動車輛

電動自行車駕駛員出現過錯的概率高于普通自行車駕駛員，但普通自行車更容易發生嚴重程度較高的交通事故。這可能是因為電動自行車速度較快，駕駛員追求刺激、冒險的行為多于普通自行車駕駛員,但由于電動自行車具有照明燈和后視鏡等安全裝置，因此發生嚴重交通事故的概率較低。

綜上，相關部門和單位要嚴格查處非機動車的違法行為，規范非機動車駕駛員的駕駛行為；同時，普通自行車駕駛員夜間行車應安裝夜行燈，以保障安全。

4.3 道路因素

在道路橫斷面位置方面，機非混行道上機動車駕駛員出現過錯的概率較高，而非機動車駕駛員出現過錯的概率較低。這可能是因為機非混行道上的交通比較復雜，機動車駕駛員需要集中注意力才能進行正確的操作；而非機動車由于缺少防護，駕駛員在機非混行道上駕駛時一般比較謹慎。

在道路物理隔離方面，機非駕駛員出現過錯概率最低的道路分別為機非隔離道路和無隔離道路，但事故嚴重程度較高的道路隔離類型為中心隔離道路。這可能是因為在中心隔離道路上機非交通事故雙方駕駛員都放松了警惕，但該類地點又沒有實現嚴格的機非隔離，所以容易導致嚴重的交通事故。

在道路類型方面，城市道路上機動車駕駛員出現過錯的概率較低，非機動車駕駛員出現過錯的概率較高。這可能是因為城市道路各類管理措施和電子警察等執法設施較為完善，對機動車駕駛員具有一定的約束作用，但這也使非機動車駕駛員放松了警惕，因而更容易出現過錯。

在道路線形方面，機非駕駛員在平直道路上駕駛時發生更嚴重交通事故的概率較低。這可能是因為在非平直道路上，駕駛員需要時刻注意道路線形的變化，并對車輛進行相應的操作以保證正常行駛，稍有不慎就可能釀成事故；此外，在非平直線形道路上，駕駛可能存在視線盲區，容易導致嚴重交通事故。

綜上，相關部門和單位應在事故多發點設置合理的交通管理設施，并加強交通執法力度，同時在規劃和設計道路時應盡量采用平直線形，且在其他線形的合理位置設置相應的標志警示駕駛員。

4.4 環境因素

在時段方面，機動車駕駛員在夜間出現過錯的概率較低。這可能是因為夜晚光線較差，機動車駕駛員一般比較謹慎。

在天氣方面，機動車駕駛員在晴天出現過錯的概率較低。這可能是因為雨天和霧天等不利天氣下，行車條件較差，嚴重影響了駕駛員的判斷和操作，因而駕駛員更容易出現過錯。趙曉華等[17]對不良天氣下駕駛行為研究的綜述中也指出，雨雪霧等天氣下駕駛員的行為能力會出現明顯的下降。

綜上，相關部門和單位除加強交通執法工作外，還應對交通運行環境進行實時動態監測[18]，做好不利天氣條件下的交通管理和事故救援應急預案，并采取合理措施保障交通安全。

5 結論與展望

本文通過研究駕駛員、車輛、道路和環境因素對機非交通事故中機非雙方駕駛員過錯和事故嚴重程度的影響，得到如下結論：

(1) 機動車駕駛員是否出現過錯與機動車駕駛員性別、機動車駕駛員駕齡、機動車行駛狀態、機動車使用性質、道路橫斷面位置、道路物理隔離、道路類型、時段和天氣9個變量顯著相關。

(2) 非機動車駕駛員是否出現過錯與非機動車駕駛員性別、非機動車駕駛員年齡、非機動車類型、道路橫斷面位置、道路物理隔離和道路類型6個變量顯著相關。

(3) 機非交通事故嚴重程度與機動車駕駛員駕齡、機動車使用性質、機動車安全狀況、非機動車類型、道路物理隔離、道路線形和機動車駕駛員過錯7個變量顯著相關。

(4) 通過模型檢驗，表明本文構建的二元Logistic回歸模型和三元有序Logistic回歸模型具有較好的有效性和正確性。

本文的研究結果可為交通規劃設計和交通管理等相關部門采取有效措施降低機非交通事故嚴重程度提供參考依據。例如：有針對性地對男性營運駕駛員進行交通安全教育；嚴格查處安全狀況不達標的車輛；規劃設計道路時應盡量采用平直線形；相關部門要做好不利天氣下的管理和事故救援應急預案等。

機非交通事故中雙方駕駛員負同等責任時，說明雙方均存在過錯。后續研究可考慮分析機非雙方駕駛員均出現過錯的影響因素，以進一步完善機非交通事故影響因素的分析。