基于UBI與AHP的貨車安全性評分機制

肖澧，曾娟

（武漢理工大學汽車工程學院，湖北 武漢430000）

1 前言

1.1 貨車交通事故統計

據公安部交管局的數據顯示，2016年，全國的貨車保有量總計達到1 351.77萬輛，全國的道路交通事故總計212 846起，共造成63 093人死亡，這其中由貨車所造成的交通事故為5.04萬起，占汽車交通事故總數的30.5%，造成死亡人數達2.5萬人。2017年全國的貨車保有量總計達到1 368.62萬輛，全國所發生的道路交通事故總計有203 049起，所造成的人員傷亡達到了18 599人，而由貨車所造成的交通事故約占交通事故總數的20%，造成了大量的人員傷亡。2018年中國的貨車保有量總計達到2 567.82萬輛，由載運貨車所導致的交通事故約占全國道路交通事故總數的20%，造成的死亡人數則占到了總數的30%，由此可見中國交通事故的總量依然巨大，尤其是由貨車所造成的交通事故形勢依然嚴峻，而且由貨車所造成的事故往往都是重大事故，帶來的經濟損失巨大。

1.2 貨車相關特征

絕大多數轎車軸距在3 000 mm以下，車身的質量一般在2 t以內，其車體小，操縱靈巧，在轉彎、變道、加減速等方面與大貨車相比更靈活，而大貨車軸距大，車身長而寬且高，從而使司機在駕駛過程中的側、后方視野盲區加大，影響行車安全，其自重大，再加上載貨質量，重型貨車可重達幾十噸，在操作駕駛方面顯得比較笨重，它的便捷性、靈敏度并不高，駕駛操作的難度大；貨車在載貨后質心位置會變高，且質心可能會偏離貨車縱向中心軸線，所以在急轉彎或變道時容易引起側翻；貨車駕駛明顯對駕駛員的技術要求較高，需要時刻預算車輛體積、長度和剎車距離。另一個很普遍的問題是貨車司機在“多拉快跑多賺錢”的思維影響下，往往會既超載又超速，并且常常疲勞駕駛，這對貨車的安全性影響極大。

貨車的大質量使車輛行駛時慣性力更大，剎車距離更長，其制動器抗熱衰退性減弱，貨車若是長時間采取制動，比如在一些山區道路有著很長的下坡路，由于司機駕駛經驗不足，制動器在長時間工作或連續緊急制動情況下就會因為摩擦過熱，導致摩擦系數降低，這樣就會影響剎車效果，甚至使制動失效，這對很少或沒有跑過山路的貨車司機而言，是極度危險的，并且目前國內貨車大多數都是平頭駕駛室，因此，在發生正面碰撞或追尾時對駕駛員的威脅非常大，前方障礙物會直接撞擊駕駛室。

1.3 國內外研究現狀

1.3.1 國內研究現狀

自21世紀以來中國的汽車保有量不斷增長，由于車輛客觀狀態參數、駕駛員主觀原因、行車環境等各方面因素的影響，中國的交通事故發生的概率也不斷增大。而目前中國對于車聯網保險UBI以及相應評分機制的運用仍處于起步階段，國內市場上還沒有成熟的UBI產品及統一的評分標準。彭江琴在文獻[1]中根據文獻[2]中的因子選擇原則，選取了四急（急加速、急減速、急剎車、急轉彎）和連續行駛時間這五項為駕駛行為分析的影響因子，針對駕駛行為評分中確定指標和分值下的若干備選選項，對不同車型、職業等做不同的分析，同時結合車聯網保險行業專家的建議，確定駕駛行為評分標準的備選選項和對應分值。朱爽在文獻[2]中基于車險費率厘定方法，先分析了影響駕駛安全的因素，在四大原則基礎下，選取了月總行駛里程、工作日早晚高峰行車時間、急加急減急轉彎次數等因素作為指標，利用熵權——層次分析集成賦權法來確定各個指標的權重，對所采集到的各個因素的樣本數據進行統計分類并結合保險業內專家的意見，確定了駕駛行為評分模型的備選答案及其分值。

1.3.2 國外研究現狀

早在20世紀初，國外就有研究學者提出了基于駕駛員駕駛行為習慣的車險定價理論，稱之為UBI。1989年BUTLER提出了只考慮駕駛里程的單一保費模式，除行駛里程因素外，他認為駕駛行為也是非常重要的因素[3]。RONALD利用交通事故數據分析得出不同年齡、性別和地區的事故發生率存在差異，這說明了非車輛因素對道路交通事故發生存在著影響[4]。Allstate公司的車險產品服務項目DriveWise調整保險費率的依據是駕駛員的歷史駕駛行為習慣數據[5]。該項目以駕駛員的車輛行駛里程、出險記錄、駕駛行為習慣為主要影響因子計算出駕駛員的安全駕駛行為評分，車險保費優惠率隨評分分值不同進行動態調整。而且公司還會將車主詳細的行車數據信息上傳到公司官網上以供車主查看，鼓勵其養成良好的行車行為習慣。

1.4 小結

綜上所述，在交通事故中，貨車類交通事故占了很大比例，而貨車交通事故往往是重大事故，這和貨車的車輛特征關系密切，而國內外研究學者或機構在對汽車安全性進行評價時，選取的指標因素雖然都是極具代表性的，但總歸是在探討汽車安全性這一大類，缺少對大型貨車的研究分析，因此，在現有基礎上進一步探討貨車的安全性是很有必要的。

2 層次分析模型的建立

2.1 技術理論支持

車聯網（IOV，Internet of Vehicles）是物聯網技術在交通領域的典型應用，是“人車路”協同的系統，車聯網平臺一般有“端管云”三個層次[6]。大數據（Big Data）是巨量數據集合，大數據不僅是大量的數據，更是有別于常規軟件工具收集、管理和處理數據的技術集合，大數據具有“大雜低快”4V的特性，即大量（Volume）、多樣（Variety）、低價值密度（Value）和高速（Velocity）車聯網的“端管云”是UBI車險大數據的數據源。從車載智能終端所獲取的車輛動態、位置、交換文字、語音等信息，到利用無線網絡傳輸到云端的實時分析、清洗、存儲和運用，處理結果又實時傳遞回行車中的人和車，構成“人車路”的實時協同系統，不僅可以改善駕乘舒適性、提高安全性，也能為保險公司所用，UBI車險產品就是這些數據的典型應用[7]。

2.2 評價指標選擇

歐美日等國家和地區的UBI車險服務產品主要有G-Book、MeinCopilot、RateMyDrive、Snapshot、State Farm等，這些產品在車輛安全性評價指標的選擇上大都選取了急加速、急減速、急轉彎、行駛里程、超速次數和行駛時間，綜合文獻[1-3]中的評價指標，并且結合貨車的固有特征，本定環境（A3）作為貨車安全性評分的1級評價指標，選取載重（A11）、車齡（A12）、月均行駛里程（A13）、月疲勞駕駛時長（A21）、月均超速駕駛時長（A22）、月均大加速度次數（A23）、路況等級（A31）、天氣（A32）、行駛地區（A33）作為2級評價指標。

2.3 層次模型構建

貨車安全性評分AHP層級關系如圖1所示。

圖1 貨車安全性評分AHP層級關系圖

2.4 AHP計算步驟

2.4.1 構造判斷矩陣P=（Pij）

如下為判斷矩陣P，Pij表示元素i相比于元素j的重要程度。

2.4.2 一致性檢驗

計算過程如下。

計算判斷矩陣特征向量：

計算判斷矩陣最大特征根：

計算一致性因子：

檢驗：

當CR＜0.1時，認為矩陣一致性可以接受；當CR≥0.1時，應該對判斷矩陣做適當修正，直到滿足一致性校驗。在根據最大特征根標準化之后，判斷矩陣的特征向量可作為權重向量。

2.5 主觀權重的求取

2.5.1 矩陣的確立

一級指標層如表1所示。二級指標層判斷矩陣A1、A2、A3分別如表2、表3、表4所示。

表1 一級指標層判斷矩陣Z

表2 二級指標層判斷矩陣A1

表3 二級指標層判斷矩陣A2

表4 二級指標層判斷矩陣A3

2.5.2 一致性檢驗

對行業專家給出的貨車安全性評價指標重要性的判斷矩陣進行合理性驗證，當CR＜0.1時，即可求出權重值。

一級指標層權重結果：CR=0.005 3＜0.1，因此ω=[ω1，ω2，ω3]T=[0.160 3，0.690 8，0.148 8]T。

二級評價指標：CR1=0.051 6＜0.1，因此ω1=[ω11，ω12，ω13]T=[0.412 6，0.259 9，0.327 5]T。CR2=0.008 8＜0.1，因此ω2=[ω21，ω22，ω23]T=[0.457 9，0.416 1，0.126 0]T。CR3=0.051 6＜0.1，因此ω3=[ω31，ω32，ω33]T=[0.493 4，0.195 8，0.310 8]T。

通過一致性檢驗數據，各層級CR所求得的數值均小于0.1，充分說明本文所建立的評定指標體系的科學合理性。

2.5.3 各安全性評價因子權重

各安全性評價因子權重如表5所示。

表5 各指標因子權重分布（單位：%）

2.5.4 權重結果分析及評分模型確立

表5 中的結果表明，通過AHP模型計算得到的駕駛員主觀行為占到了總權重的69.08%，在一級指標中占比最大，即駕駛員主觀行為對貨車安全性影響最大，貨車客觀狀態參數及不確定行車環境所占比例相差不大，因此本研究借鑒彭紅[8]基于模糊AHP的個人信用評分模型研究方法，并根據各個因子權重及專家建議，確立如表6所示的評分模型[8]。

表6 評分模型表

3 結語

本文在道路交通安全影響因素和駕駛行為分析的基礎上，利用AHP得出影響貨車安全性因素的權重值。根據權重比例給各個影響因素分配分值，在此基礎上便可依據駕駛員某一時間段內的駕駛情況，計算出“貨車安全性評分”，依此動態地調整車險費率值，保證了車險的合理性和差異性，同時也有助于駕駛員培養良好的駕駛習慣，減少交通事故的發生。