基于NAIS的高速公路嚴重交通事故特征及致因分析

劉鑫，肖樂，金思雨

(西華大學(xué) 汽車與交通學(xué)院，四川 成都 610039)

隨著機動車保有量與駕駛?cè)藬?shù)量的增加，高速公路交通流量日益增長，隨之而來的是道路交通事故頻發(fā)。與普通公路相比，高速公路具有行駛速度快、通行流量大等特點，發(fā)生碰撞事故時往往會造成更大的財產(chǎn)損失和更嚴重的傷亡事故。國內(nèi)外學(xué)者基于不同的道路交通事故數(shù)據(jù)源對交通事故特征及致因進行了研究,如李振明等基于滬昆(上海—昆明)、京哈(北京—哈爾濱)高速公路2016—2019年1 396起真實傷亡事故數(shù)據(jù)，分析得出事故原因的差異主要在于車流量和氣候的影響；張寶等通過分析內(nèi)蒙古G65高速公路交通事故數(shù)據(jù)，發(fā)現(xiàn)在不同條件下高速公路事故的空間分布存在明顯差異；孫燁垚等基于深圳市2017—2019年高速公路交通事故數(shù)據(jù)，得出高速公路交通事故呈現(xiàn)貨車事故高發(fā)、追尾事故占比高、二次事故易發(fā)的特征；牛毅等基于浙江省2012—2017年高速公路交通事故數(shù)據(jù)，分析得出凌晨時段最易發(fā)生由疲勞駕駛引起的死亡事故；馮蕾等對霧天交通事故多發(fā)的10條高速公路近5年事故數(shù)據(jù)進行分析，得出霧天交通事故造成的后果更嚴重，傷亡率顯著上升；劉志強等基于濟南市高速公路交通事故數(shù)據(jù)，得出行駛速度與霧霾程度同時增大時，事故發(fā)生率以平方速度增長；Wang X.S.等基于自回歸模型對上海高速公路交通事故數(shù)據(jù)進行分析，得出道路幾何特征及交通運行情況是引起單車和多車碰撞事故差異的重要原因；袁振洲等基于河北省2018年高速公路交通事故數(shù)據(jù)，通過Apriori算法進行關(guān)聯(lián)規(guī)則挖掘，得出在不良道路和不利環(huán)境共同作用下發(fā)生事故的概率顯著增大；Goniewicz K.等根據(jù)波蘭事故數(shù)據(jù)分析得出引起44歲以下男子死亡的首要原因是道路交通事故；Bashir A.等基于阿拉伯聯(lián)合酋長國(UAE)10年交通事故數(shù)據(jù)，分析發(fā)現(xiàn)由于駕駛員失誤造成的事故占多數(shù)；Kreicbergs J.等通過分析2016年拉脫維亞道路事故案例，指出道路使用者在事故中受傷害的比例最高；馮忠祥等基于合肥繞城高速公路交通事故，分析得出事故時間段和天氣對交通事故嚴重性的影響最大。不同的數(shù)據(jù)源會有不同的研究思路和研究對象，從而導(dǎo)致研究結(jié)論產(chǎn)生差異。數(shù)據(jù)源是事故特征和致因分析的關(guān)鍵所在，基于此，該文采用國家車輛事故深度調(diào)查體系數(shù)據(jù)庫(NAIS)中的數(shù)據(jù)，將重傷或死亡一人及以上的事故定義為嚴重事故，分析這類事故的基本特征及致因機理，為降低和緩解高速公路交通事故嚴重程度提供依據(jù)。

1 數(shù)據(jù)來源

NAIS成立于2011年8月，由國家市場監(jiān)督管理總局聯(lián)合國內(nèi)多所高校及交通司法鑒定中心共同建立，其目的是對車輛事故進行深度調(diào)查挖掘，為缺陷汽車產(chǎn)品召回、自動駕駛體系研究開發(fā)及標(biāo)準制定等提供數(shù)據(jù)支撐。數(shù)據(jù)庫中采集的案例大部分為較嚴重的道路交通事故，是中國起步最早、最詳細的交通事故數(shù)據(jù)庫之一。目前，NAIS擁有8個工作站點，進行7個不同地區(qū)的事故深度調(diào)查，分別為成都、天津、廣州、上海、濟南、昆明、哈爾濱，涵蓋多種事故類型及多種地理條件。NAIS的數(shù)據(jù)規(guī)范參考美國道路交通安全管理局(NHTSA)的深度調(diào)查體系，并針對中國道路實際情況對調(diào)查字段進行更新與優(yōu)化。因此，根據(jù)其中事故數(shù)據(jù)進行分析得出的結(jié)果應(yīng)該能較好地反映中國道路交通事故的特點。

NAIS數(shù)據(jù)庫共收錄2011—2019年底的4 651起事故數(shù)據(jù)，其中事故涉及人員12 585人。該文以2017—2019年289起發(fā)生在高速公路上的嚴重交通事故作為數(shù)據(jù)來源，包含非死亡事故90起、占比31.1%，死亡事故199起、占比68.9%。

2 高速公路交通事故特征

2.1 事故的時間分布規(guī)律

根據(jù)事故發(fā)生時的月份、星期、時段對數(shù)據(jù)進行統(tǒng)計，得到圖1～3所示事故月份、星期、時段分布。

由圖1可知：10月發(fā)生的事故數(shù)量最少，之后逐漸增長，到1月形成小高峰；2月的事故數(shù)量有所下降，3月開始事故數(shù)量逐漸增加，在8月形成最高峰；9—10月事故數(shù)量急劇下降。6—8月事故多發(fā)的原因可能是夏季溫度較高，很容易發(fā)生爆胎等故障，同時駕駛員更易疲倦、困乏。另外，從11月開始氣溫逐漸降低，路面和環(huán)境狀況不佳，導(dǎo)致行駛風(fēng)險大幅增大。

由圖2可知：事故數(shù)量在星期上呈倒V形分布，星期三發(fā)生的事故數(shù)量最多，約占20%；隨后逐漸下降，星期六事故數(shù)量最小；從星期天開始，事故數(shù)量逐漸增多。星期一至星期五為工作日，出行情況相對較多，相應(yīng)地發(fā)生的事故也較多；周三可能是事故采集地區(qū)的出行最高峰時間，事故率最高。

圖2 高速公路交通事故星期分布

由圖3可知：從17:00開始，事故數(shù)量逐漸增多，多為刮蹭、追尾等輕微事故；20:00—21:59事故數(shù)量多，占所有事故的12.8%，可能是由于晚上缺乏光照，駕駛員視線和視野都受到一定程度影響，加上疲勞駕駛和超載等原因，很容易導(dǎo)致事故且其后果相當(dāng)嚴重；12:00—12:59事故數(shù)量最少，只占3%。

圖3 高速公路交通事故時段分布

2.2 事故的地點分布規(guī)律

在采集事故信息時，NAIS對事故地點進行了詳細劃分。這里結(jié)合各事故地點的共同屬性對事故地點進行再分類，分為普通路段、高架路段、匝道口、進出口及隧道、其他特殊路段5類。根據(jù)事故發(fā)生地點對事故進行統(tǒng)計分析，結(jié)果見圖4。

圖4 高速公路交通事故地點分布

由圖4可知：發(fā)生在普通高速公路路段的事故數(shù)量最多，占77.16%；其次為高架路段，占15.22%；其余路段事故數(shù)量相對較少。這主要是因為高速公路中普通路段居多，其余路段較少。

2.3 駕駛員過失分布規(guī)律

由于高速公路交通事故具有多種形態(tài)，一次事故可能有多個參與方，為方便統(tǒng)計，只選取單車事故及其他事故形態(tài)中乘用車駕駛員的主要過錯進行分析，共統(tǒng)計289起事故，其中單車事故40起，其他事故249起。

2.3.1 單車事故駕駛員過失分布

如表1所示，從駕駛員過失來看，造成單車事故的主要原因是駕駛員超速行駛，占所有單車事故的30%；疲勞駕駛、操作不當(dāng)及不安全行為也是導(dǎo)致事故的重要原因。

表1 單車事故駕駛員過失分布

2.3.2 其他事故形態(tài)中乘用車駕駛員過失分布

其他事故形態(tài)中駕駛員過失種類更多，包括一個參與方過失導(dǎo)致事故和雙方都存在過失導(dǎo)致事故。對所有乘用車駕駛員的過失中出現(xiàn)次數(shù)最多的前8類進行分析，結(jié)果見表2。

表2 乘用車駕駛員過失分布

由表2可知：高速公路交通事故中駕駛員過失與碰撞方式存在高度聯(lián)系，由于尾隨相撞事故所占比例最高，相應(yīng)地在駕駛員過失統(tǒng)計中超速行駛及未保持安全距離所占比例最高，分別為34.7%、22.0%。

2.4 事故后果分布規(guī)律

NAIS在采集事故案例時將事故后果分為輕微事故(僅輕傷)、一般事故(重傷，未死亡)、重大事故(死亡1～2人)、特大事故(死亡3人及以上)。這里將嚴重事故定義為1人及以上重傷或死亡事故。共統(tǒng)計事故289起，事故后果占比見圖5。4種事故形態(tài)的事故后果占比見表3。

圖5 高速公路交通事故后果分布

表3 高速公路交通事故形態(tài)分布 %

由表3可知：高速公路上發(fā)生的事故大多為重大事故，其后果比城市道路上事故更嚴重。重大事故在車撞行人事故中占比最高，超過90.00%，在車撞二/三輪車事故中占60.00%，在車撞車事故中占63.58%，在單車事故中占52.50%。

事故發(fā)生后，行人、二/三輪車騎車人的死亡率都相當(dāng)高，這主要是因為行人、二/三輪車騎車人普遍缺乏保護裝置，事故發(fā)生后非死即傷。車撞車事故中，雖然汽車有安全氣囊和安全帶等保護裝置，但由于在高速公路上行駛速度較快，駕駛員的死亡率也相當(dāng)高。另外，車車事故中特大事故也有一定占比，這是因為在高速公路上汽車容易發(fā)生連環(huán)碰撞。

3 研究方法

3.1 Logistic回歸模型構(gòu)建

將交通事故造成的后果分為非死亡事故、死亡事故兩類，采用二項Logistic回歸模型分析事故影響因素。假設(shè)造成事故發(fā)生的影響因素有n個，記作自變量x=(x1,x2,x3，…，xn)，條件概率P(y=1/x)是相對于參考值的事件發(fā)生概率，則Logistic回歸模型可表示為：

(1)

g(x)=w0+w1x1+w2x2+…+wnxn

(2)

式中：xi(i=1,2，…，n)為對事故后果有顯著影響的自變量；y為兩種事故后果的取值；w0、wi(i=1,2，…，n)為常量。

取式(1)的對數(shù)形式：

wnxn

(3)

分析中以顯著水平p=0.05作為判斷標(biāo)準，得出對事故后果有顯著影響的因素。p≤0.05時，因變量對事故后果有顯著影響。

3.2 模型檢驗

自變量的顯著性因數(shù)<0.05，表示該變量中至少有一個指標(biāo)的優(yōu)勢比OR(事件發(fā)生概率P與事件不發(fā)生概率1-P的比值)有統(tǒng)計學(xué)意義，模型總體有意義。通過Hosmer-Lemeshow驗證模型的擬合程度，p>0.05時，數(shù)據(jù)模型擬合良好，可進行下一步自變量分析；反之，自變量的統(tǒng)計學(xué)意義不足，不能進行進一步分析。

4 變量選取及編碼

4.1 因變量

以是否有人員死亡進行區(qū)分，將嚴重交通事故造成的后果分為非死亡事故、死亡事故兩類，因變量編碼見表4。

表4 因變量編碼

4.2 自變量

交通事故其實是車輛、道路、環(huán)境因素共同作用的結(jié)果，任意改變其中一個因素都會對事故后果造成或多或少的影響。為盡量體現(xiàn)實際交通條件對事故嚴重程度的影響，以客觀性原則為基礎(chǔ)，從環(huán)境、車輛、時段、氣象方面選取8個自變量指標(biāo)對高速公路嚴重交通事故影響因素進行研究。8個自變量均為分類變量，分析前將其設(shè)置為啞變量，每個變量都以最后一類為參照。變量編碼及含義見表5。

表5 自變量編碼

5 模型結(jié)果分析

5.1 模型檢驗

將自變量與因變量事故后果建立二項Logistic回歸模型，借助統(tǒng)計分析方法，得到模型系數(shù)綜合檢驗結(jié)果、模型擬合程度檢驗結(jié)果(見表6、表7)。步驟、塊、模型的檢驗結(jié)果都為零，說明模型中變量均有意義；模型的擬合程度檢驗結(jié)果為0.556>0.05，說明模型的擬合性良好，可進行下一步自變量分析。

表6 回歸模型系數(shù)的綜合檢驗結(jié)果

表7 回歸模型的擬合程度檢驗結(jié)果

5.2 計算結(jié)果分析

二項Logistic回歸模型分析結(jié)果見表8。其中B為自變量的相關(guān)系數(shù)，exp(B)為自變量的OR值，是事件發(fā)生概率P與事件不發(fā)生概率(1-P)的比值，即死亡事故與非死亡事故的比值。

表8 回歸模型的計算結(jié)果

根據(jù)自變量的顯著性，滿足p≤0.05的自變量有路段類型、事故形態(tài)、是否與貨車有關(guān)及是否超速，即這4個自變量與高速公路事故嚴重程度呈顯著關(guān)系。

從事故路段類型來看，普通路段、高架路段、匝道口、進出口的OR值分別為38.096、25.016、38.318、8.093，且相關(guān)系數(shù)B>0，這4種路段上發(fā)生死亡事故的概率為高速隧道及其他特殊路段的38.096、25.016、38.318、8.093倍。這可能是因為高速公路中普通路段居多，駕駛員長時間處于高速行駛，很容易分心和疲勞；高架路段處于較高位置，駕駛員心理緊張，加之較高的速度，加重了事故嚴重程度；匝道口、進出口的交通狀況復(fù)雜，駕駛員需提前換道，一旦換道距離過短極有可能與來不及剎車的后車發(fā)生碰撞，增加事故嚴重程度。

從事故形態(tài)來看，車撞行人時發(fā)生死亡事故的概率最大，其OR值為13.509，且B>0，涉及行人時造成人員死亡的概率為單車事故的13.509倍。說明行人作為弱勢道路交通參與者，一旦與車輛發(fā)生碰撞極易造成死亡，也說明發(fā)生事故的高速路段的路面巡邏、宣傳不到位，導(dǎo)致行人安全意識不足，橫穿高速公路的現(xiàn)象時有發(fā)生。

從事故是否與貨車有關(guān)來看，事故與貨車有關(guān)時，發(fā)生死亡事故的概率為無貨車參與事故的3.305倍。主要是由于貨車自重較大，加上超載，一旦發(fā)生緊急情況來不及剎車或剎車距離較短，從而增加事故嚴重程度。

從事故是否與車輛超速有關(guān)來看，車輛超速行駛時，發(fā)生死亡事故的概率為車輛沒有超速時的2.267倍。主要是由于高速公路上車輛行駛速度本來就較快，如果超速，造成的事故更嚴重，更易導(dǎo)致死亡事故。

6 結(jié)語

以事故嚴重程度為因變量，從事發(fā)時天氣、時段、季節(jié)、路段類型、事故形態(tài)、道路信息、涉及車輛、車輛類型等方面選取8個候選自變量，采用向前逐步回歸法分析自變量與因變量之間的顯著性關(guān)系，得出路段類型、事故形態(tài)、是否與貨車有關(guān)及是否超速與事故嚴重程度顯著相關(guān)。

綜合分析上述影響交通事故后果的自變量，可采取如下減緩事故嚴重程度的對策：1)在匝道口路段附近增設(shè)醒目、有效的標(biāo)識信息，提示駕駛員事故多發(fā)，警示其減速慢行并謹慎駕駛。2)在高速公路附近村莊散發(fā)宣傳單并請相關(guān)人員進行安全教育，告誡居民不得橫穿高速公路。3)加強對中大型貨車的管制，堅決治理貨車超限、貨車駕駛員疲勞駕駛等問題；要求大型車靠右側(cè)行駛，所有車輛不得無故占用應(yīng)急停車道。4)加強駕駛員安全教育，加大對超速行為的懲罰力度。