電動自行車駕駛人傷害嚴重程度影響因素研究

秦 丹 張 斌 王長帥 董傲然 朱 彤

(長安大學運輸工程學院1) 西安 710064) (陜西省公安廳交警總隊2) 西安 710064)(東南大學交通學院3) 南京 210096)

0 引 言

電動自行車以其便捷、環保等特性給人們的生活帶來方便的同時也引起了一些交通安全問題，電動自行車駕駛人作為交通中的弱勢道路使用者，在事故中更容易受傷或者死亡[1].

針對電動自行車事故的研究國外起步較早并取得了一定的成果.Zambon等[2]基于多變量逐步邏輯回歸分析了個體、環境、車輛、碰撞屬性與電動自行車事故嚴重程度之間的關系，發現飲酒、交通環境、限速、碰撞類型等因素與事故嚴重程度顯著相關.Haustein等[3]利用685名電動自行車用戶的調查數據進行研究，發現電動自行車駕駛人年齡、性別、騎行風格等因素與電動自行車的安全性顯著相關.Schepers等[4]使用邏輯分析來比較電動自行車和傳統自行車發生撞車的風險，結果表明，電動自行車騎行者更容易發生車禍.由于國內外的道路交通情況存在較大的差異，國外學者的研究成果不一定能應用于提升中國電動自行車駕駛人的道路交通安全水平，為此有必要結合中國的實際情況展開研究.

國內學者也對電動自行車事故展開了相關的研究.Ma等[5]利用結構方程模型和BP模型對問卷調查得到的數據進行分析，結果表明超速行駛、闖紅燈、違規載人、逆行是電動自行車的主要危險駕駛行為.Bai等[6]收集了昆明20個地點的實地數據來確定影響交叉口處電動自行車和機動車之間交通沖突的因素，研究表明：機動車在交叉口發生沖突時起了更重要的作用.Guo等[7]通過研究發現性別、電動自行車行為和速度限制對電動自行車事故嚴重程度具有異質性的影響.

目前國內關于事故中電動自行車駕駛人傷害嚴重程度影響因素的研究較少，主要的研究方法為統計分析模型，包括多項式logit模型、有序logit模型、廣義有序logit模型等.通常駕駛人的傷害嚴重程度分為死亡、重傷、輕傷及無傷害等有序類別，采用有序logit模型展開分析較為合理，但有序logit模型有比例優勢假設的限制，利用有序logit模型展開分析可能會導致錯誤的參數估計和有偏差的推斷結果，而廣義有序logit模型可以克服有序logit模型的不足，在保持傷害嚴重程度有序性的同時放寬了比例優勢假設，具有更好的適用性.

文中基于2006—2017年間某市2 943起機動車與電動自行車碰撞事故，采用廣義有序logit模型對影響事故中電動車駕駛人傷害嚴重程度的因素展開研究，為減輕事故中電動車駕駛人受傷程度，改善道路交通安全水平提供理論依據.

1 變量選擇

1.1 因變量的選擇與定義

因變量為電動自行車駕駛人的傷害嚴重程度，交通事故中人員的傷殘等級由輕至重劃分為：無傷害、輕傷、重傷、死亡.本研究用于分析的事故數據中“無傷害”這一類別的事故起數僅有16起，僅占全部事故的0.54%，為了確保分析結果的準確性，剔除該類型事故，最終篩選出2 943起機動車-電動自行車碰撞事故用于研究.將電動自行車駕駛人的受傷嚴重程度分為死亡、重傷與輕傷并依次編碼為：Y=1為死亡，Y=2為重傷，Y=3為輕傷，事故起數和占比分別為301起(10.2%)，465起(15.8%)，2 177起(74%).

1.2 自變量的選擇與定義

自變量的描述及定義見表1.

由表1可知，本研究中的自變量均為分類變量，其中如性別等二分類變量可以直接代入模型進行分析.另外如年齡等變量為多分類變量不能直接帶入模型進行分析，為了明確各類別對因變量的影響情況，需設置虛擬變量.當類別數m≥3時，需要設置m-1個虛擬變量.以機動車輛類型為例(x10)介紹虛擬變量的設置方法，以摩托車為參照類，引入3個虛擬變量，結果見表2.

表1 自變量描述及取值

表2 機動車輛類型的虛擬變量設置

2 研究方法

2.1 廣義有序logit模型

廣義有序logit模型在保持傷害嚴重程度有序性的同時放寬了比例優勢假設，其回歸系數對電動自行車駕駛人各受傷嚴重程等級可以不同.設有序因變量有M個類別，其廣義有序logit模型的表達式為

j=1,2,…,M-1

(1)

式中：P(*)為某一等級電動自行車駕駛人傷害嚴重程度發生的概率；αj為第j個等級的截距；βj為第j個等級的回歸系數向量.因此，廣義有序logit模型的概率模型為

P(Yi=1│X)=1-g(Xiβ1)

(2)

P(Yi=j│X)=g(Xiβj-1)-g(Xiβj)

j=2,3,…,M-1

(3)

P(Yi=M│X)=g(XiβM-1)

(4)

對于具有3種可能結果的因變量，可以通過將3個結果水平分為2組來進行比較分析.對于j=1時，代表著結果水平1與結果水平2和3進行對比；j=2時，代表著水平1和2與結果水平3進行對比.

2.2 彈性分析

由于廣義有序logit模型的參數估計只能定性地反映自變量對某個類別的影響情況，本文將采用平均彈性系數來評估顯著自變量對電動自行車駕駛人受傷嚴重程度的影響大小[8].第j個電動自行車駕駛人傷害程度相關的第k個顯著自變量的彈性系數表達式為

(5)

式中：Xjk為與第j個電動自行車駕駛人傷害嚴重程度相關的第k個顯著自變量.

當自變量為二分類變量時，因為變量不是連續的，無法對觀測變量的概率進行微分來計算平均彈性值，因此可用式(6)來計算二分類變量的偽彈性系數[9].

(6)

3 結果與討論

利用統計分析軟件STATA16.0中的gologit2程序進行廣義有序logit模型的統計分析，取顯著性水平，當某一自變量p的值小于0.05時，說明該自變量對于因變量有著顯著影響；若某一自變量p的值大于0.05時，則將其剔除，結果見表3.顯著變量的彈性分析結果見表4.

表3 廣義有序logit模型的參數估計

3.1 駕駛人特性分析

1)機動車駕駛人特性 機動車駕駛人的年齡為(≥56歲)在第二級中顯著，回歸系數為0.859，表明與年齡小于25歲的機動車駕駛人相比，該年齡段的機動車駕駛人在碰撞事故中導致電動自行車駕駛人受重傷的可能性較低，由表4可知電動自行車駕駛人遭受重傷的概率降低了14.6%.機動車駕駛人的駕齡為[7,10]在第二級中顯著且系數為正，表明與駕齡小于兩年的駕駛人相比，駕齡在7～10年間的機動車駕駛人使電動自行車駕駛人遭受重傷的概率降低了5.9%.

表4 廣義有序logit模型中顯著影響因素的彈性分析 單位：%

2)電動自行車駕駛人特性 男性車駕駛人在第二級中顯著且回歸系數為0.305，與女性相比，男性駕駛人在碰撞事故中發生輕傷事故的概率更高，結合彈性分析的結果可知男性駕駛人在碰撞中發生重傷和死亡事故的概率分別降低了2.0%和2.7%.電動車駕駛人年齡為(26,55]在第二級中顯著，回歸系數為-0.305，其在事故中發生重傷和死亡的概率分別增加了4.1%和1.0%；

駕駛人年齡(≥56歲)在兩個等級中都顯著且均為負值，該年齡段的駕駛人在事故中遭受死亡和重傷的風險分別增加了3.7%和7.4%.

3)事故責任方 雙方均有責任在第一級中顯著且回歸系數為-0.724，表明當雙方都需承擔事故責任時，電動自行車駕駛人發生死亡的概率增加5.7%.

4)機動車駕駛人的違規行為 機動車駕駛人違反交通信號在第二級中顯著且回歸系數為0.754，當機動車駕駛人違反交通信號時，電動自行車駕駛人遭受嚴重事故的概率較低，與其他違規行為相比，其死亡和重傷事故的概率分別降低了0.9%和10.9%.機動車駕駛人未按規定讓行在第一級中顯著，回歸系數為正值，說明在該事故原因下電動自行車駕駛人更傾向于發生輕傷.機動車駕駛人無證駕駛也在第一級中顯著，回歸系數為-1.320，表明機動車駕駛人無證駕駛會顯著增加電動自行車駕駛人遭受死亡事故的風險，相應概率會增加10.5%.

3.2 機動車輛特性分析

1)機動車輛類型 小轎車、客車、貨車在第一級中的回歸系數分別為-0.965、-2.342、-2.576，表明這三種類型的機動車均會顯著增加事故中電動自行車駕駛人發生死亡傷害的概率，對應的概率分別增加了7.7%、18.7%、20.5%.此外，貨車在第二級中也顯著，回歸系數為-1.192，表明貨車還會增大電動自行車駕駛人發生重傷的風險.客、貨車使電動自行車駕駛人遭受死亡的概率顯著高于摩托車.

2)機動車輛行駛狀態 機動車左轉在第二級中的回歸系數為1.326，表明與直行相比，機動車左轉時電動自行車駕駛人發生嚴重事故的可能性較低，發生重傷和死亡的概率分別降低了16.0%和4.7%；機動車右轉在兩個等級中的系數分別為-0.512和0.776，彈性分析的結果表明機動車右轉使電動自行車駕駛人發生死亡的概率增加了4.1%，發生輕傷的概率增加了12.1%.

3.3 道路特性分析

交通信號控制方式其回歸系數為0.724，表明當道路上有明顯的交通控制信號時，電動自行車駕駛人在碰撞中發生嚴重傷害的風險較低，其遭受重傷和死亡的概率分別降低了9.5%和1.8%.行道樹在第二級中的回歸系數為0.676，行道樹使駕駛人在事故中遭受重傷和死亡的概率分別降低了9.4%和1.1%.水泥路面在第一級中的回歸系數為-0.664，與瀝青路面相比，在水泥路面上發生駕駛人死亡的事故概率增加了5.3%.

路口路段類型在第二級顯著且回歸系數為-0.617，表明當事故發生在交叉口時電動自行車駕駛人發生重傷和死亡的概率分別增加了7.1%和2.5%.彎道在第一級中的回歸系數為-0.770，說明與平直路相比，在彎道上電動自行車駕駛人遭受死亡事故的概率增加了6.1%；坡道在第二級的回歸系數為1.711，表明在坡道上電動自行車駕駛人發生重傷和死亡的概率分別降低了17.7%和9.0%.

3.4 環境特性分析

能見度在200 m以上時，駕駛人遭受輕傷的風險較高，發生嚴重傷害的風險較低，彈性分析的結果表明能見度在200 m以上時，電動自行車駕駛人發生重傷和死亡的概率分別降低了11.8%和0.7%.夜間有路燈照明僅在第二級中顯著且系數為-0.476，表明與白天相比，夜間有路燈照明的情況下，電動自行車駕駛人在事故中遭受重傷和死亡的概率分別增加了4.9%和2.4%.

4 結 論

1)論文利用廣義有序logit模型從人、車輛、道路和環境四個方面對2 943起機動車-電動自行車碰撞事故中進行分析，機動車駕駛人年齡和駕齡、電動自行車駕駛人性別和年齡、事故責任方、機動車駕駛人的違規行為、機動車輛類型、機動車行駛狀態、交通控制信號方式、路側防護設施類型、路面結構、路口路段類型、道路線型、能見度、照明條件15個變量顯著影響機動車-電動自行車碰撞事故中電動自行車駕駛人的傷害嚴重程度.

2)根據本文的研究結果，提出以下改進措施:有關部門應加強對駕駛人的教育培訓，提高其交通安全意識；針對駕駛人的違法行為，加大懲罰力度；設置隔離設施，使電動自行車遠離客、貨車的行駛車道；規范貨車和客車在城市內的行駛路線，避免其通過交通流密集的場所，限制客車出入市區的時間段；改善交通基礎設施，如在路側增設防護設施、增加彎道處的路側凈空以及改善夜間的照明條件等.

3)雖然本研究取得了一定成果，但仍存以下不足：①由于數據的缺失，一些可能影響駕駛人受傷嚴重程度的因素并未在本文中進行分析，比如車速、駕駛員是否酒駕等，在未來的研究中會進一步完善；②本研究發現天氣狀況等變量對電動自行車駕駛人的受傷嚴重程度不存在顯著影響，而這些變量在其他研究中被認為會影響電動自行車駕駛人的受傷程度，這可能是由未觀測到的異質性導致的，為此在后續的研究中有必要采用更復雜的統計模型展開研究.