載人機動兩輪車事故及騎乘人員損傷特征分析

劉朱紫 劉陽陽 鄒鐵方 曹太山

摘 要： 研究了載人機動兩輪車（含摩托車和電動自行車）事故特征。分析了170 例具有視頻的載人機動兩輪車事故，統計了一般事故特征， 采用系統聚類法，提取了典型事故場景， 挖掘不同場景下的人體損傷特征。結果表明：載人機動兩輪車事故主要發生在不需照明且路面干燥的十字路口或直線路段；碰撞前的汽車速度多集中在10～50 km/h 之間，機動兩輪車速度多集中在10～40 km/h 之間；所提取的8 類典型事故場景， 涵蓋了全部樣本的78.9%，78%以上不同場景間人體頭部、胸部損傷之間有顯著性差異，這表明所選場景具有代表性；總體上場景內騎乘人員損傷有顯著差異，騎車人損傷重于乘員損傷；但當汽車速度為50 km/h 直行與摩托車20～40 km/h 直行側面碰撞的場景中，乘員胸部損傷比騎車人更嚴重。這些結果可為載人機動兩輪車事故特征提供先驗知識。

關鍵詞： 機動兩輪車事故；騎乘人員；事故場景；損傷；聚類分析

中圖分類號： U 491.3 文獻標識碼： A DOI： 10.3969/j.issn.1674-8484.2023.05.005

數據顯示，全球每年因交通事故死亡人數達135萬，其中汽車與機動兩輪（motorized 2-wheelers，2w，含摩托車和電動自行車）、三輪車碰撞事故死亡人數占比達28%，在東南亞地區機動兩輪車事故死亡數占比達43%[1]。機動兩輪車由于速度較快且沒有汽車類車身、安全帶和安全氣囊等裝置，在交通事故中騎乘人員更易受到傷害。文獻[2] 研究表明：摩托車駕駛員每英里的道路交通事故受傷風險是汽車駕駛員和乘客的3 倍，其死亡風險更是后者的16 倍。為此，亟需開展此類事故研究。

學者們開展了對事故機理的探索。殷豪等通過分析中國交通事故深入研究（China In-Depth Accident Study，CIDAS）數據庫中的2 806 起兩輪車事故，指出：當兩輪車類型為摩托車、兩輪車初始速度大于30 km/h 等條件均會增加騎車人頭部損傷。A. Abass 等通過對190 名摩托車事故受害者進行統計分析后發現：摩托車事故受害者上肢、下肢損傷及頭頸部損傷較高[4]。S. Oikawa 等通過對日本真實交通事故中電動二輪車駕駛人頭部受傷特征進行分析后發現：電動二輪車駕駛人頭部損傷中顱骨骨折的比例最高[5]。ZOU Tiefang 等基于53 起真實的汽車與電動自行車事故，揭示了不同車速下人體損傷來源規律[6]。薛海濤等基于CIDAS 數據發現汽車車型對電動自行車騎車人動力學響應影響較小，騎車人頭部損傷與汽車、兩輪車速度及碰撞類型明顯相關[7]。廖靜倩等基于國家車輛事故深度調查體系（National AutomobileAccident In-Depth Investigation System， NAIS）數據，聚類出4 類丁字路口危險事故場景，發現：商用車右轉與兩輪車直行沖突時的危險碰撞范圍為0.78～121.30 m[8]。現有研究中，載人機動兩輪車事故的研究較少。

M. M. Haque 等通過挖掘新加坡2001—2006 年的事故數據發現摩托車搭載乘客會增加事故風險[9]。A. T.Kashani 等通過分析伊朗2009—2012 年的摩托車事故數據發現，搭載１個乘客會降低嚴重事故的發生概率，但搭載2 個男性乘客會增加發生致命事故的風險[10]。

中國大陸機動兩輪車載人現象更普遍。鄒鐵方等通過仿真揭示了不同碰撞形態下的騎乘人員損傷與運動學響應差異[11-12]，相關結論可為揭示駕乘關系及事故中人員致傷機理提供支持。但成果主要來源于仿真且仿真設計主要依據現有兩輪車事故數據[13]，未能揭示載人機動兩輪車事故的基本信息、典型場景及不同場景下的人體損傷等特征。

目前，在中國交通事故深入研究CIDAS、國家車輛事故深度調查體系NAIS 及網絡[14] 等各類平臺上，均可獲得大量事故案例，可以基于這些數據揭示更多事故機理。為此，本研究將依托鄒鐵方課題組載人機動兩輪車事故數據，采用聚類統計法統計事故一般特征，提取典型事故場景并揭示不同場景下的人體損傷特征，以期獲得更多此類事故的先驗知識。

1 載人機動兩輪車事故數據統計

從課題組服務于中國交通事故深入研究CIDAS、國家車輛事故深度調查體系NAIS 等項目中獲得的案例及從網絡上補充的具有清晰事故過程的案例中挑選出170 例載人機動兩輪車事故作為研究對象。案例挑選原則有：

1） 碰撞必須發生在汽車和載人機動兩輪車之間，不考慮單車或多車事故；

2） 機動兩輪車僅包含電動自行車和摩托車，且車上人員為2 人及以上；

3） 能通過視頻觀察到碰撞全過程，即從碰撞發生前汽車和機動兩輪車的初始運動到碰撞發生后車輛和騎乘人員靜止為止，且圖像能清晰反映事故車輛類型、騎乘人員性別與頭盔佩戴情況、道路情況及天氣條件等事故基本信息；

4） 碰撞前汽車和機動兩輪車都處于可控狀態，不考慮二次及多次碰撞。

獲得事故視頻后，文獻[15-16] 中基于視頻信息的高精度事故重建方法，在視頻中選取一個合適的參照點，利用帶有逐幀播放功能的視頻播放軟件對事故視頻進行逐幀播放，并記錄車輛相對于固定參照位置移動的車位數及所用的幀數，再通過車身長度及車位數確定車輛相對于參照位置移動的距離，并結合視頻幀數及幀率等信息確定車輛通過參照距離所用的時間，最終計算出車輛在碰撞瞬間的速度。

案例視頻統計發現：占比81.76% 的事故發生在白天、75.29% 的為天氣晴朗、84.71% 的為干燥路面、74.12% 的為不需照明、87.06% 駕駛員視野無遮擋，27.06% 直線路段，59.41% 十字路口。汽車和機動兩輪車各車型所占比例見表1。汽車和機動兩輪車碰撞速度總體分布見圖1（總體均呈正態分布），碰撞前行駛狀態見圖2。可見，汽車碰撞速度集中在10～50 km/h，占77.7% ； 碰撞前汽車和機動兩輪車大多處于直行狀態。

將汽車碰撞位置劃分為8 個區域（圖3a）：①前保險杠中部、②前保險杠右部、③右側車身、④后保險杠右部、⑤后保險杠中部、⑥后保險杠左部、⑦左側車身、⑧前保險杠左部。同樣將機動兩輪車碰撞位置劃分為8 個區域（圖3b）：①車頭中部、②車頭右側、③右側車身、④車尾右側、⑤車尾中部、⑥車尾左部、⑦左側車身、⑧車頭左側。

圖3 顯示：汽車碰撞位置集中在車頭（113 例，66.47%），前保險杠中部、右部與左部分別有41、39 和33 例；其次為汽車左、右側車身及車尾，左側車身21 例，占比略高于右側車身及車尾各18 例。車頭及左、右側車身為機動兩輪車最常見碰撞位置，車頭正中部、車頭左側和車頭右側分別有62 例、9 例和13 例；左側車身和右側車身分別有32 例和38 例；車尾有16 例（9.42%）。

2 載人機動兩輪車事故典型場景

2.1 參數選擇

為充分反應汽車與載人機動兩輪車事故場景，根據載人機動兩輪車事故統計結果并參考他人研究[17]，最終選取3 類10 個參數：

1） 環境參數：駕駛員視野（有遮擋、無遮擋）、照明情況（有照明、無照明、不需照明）。

2） 道路參數：道路情況（直線路段、十字路口、丁字路口、彎道）、路面特征（干燥、濕潤）。

3） 車輛參數：機動兩輪車來車方向（前方、后方、左側、右側）、汽車行駛狀態（直行、左轉、右轉、其他）、機動兩輪車行駛狀態（直行、左轉、右轉、其他）、機動兩輪車類型（ 摩托車、電動自行車）。汽車速度 （0、（0，10]、（10， 20]、（20， 30]、（30， 40]、（40，50]、（50，60]、>60 km/h）、機動兩輪車速度（0、（0， 10]、（10， 20]、（20，30]、（30， 40]、（40，50]、（50，60]、>60 km/h）。

2.2 典型場景

系統聚類法是實際工作中最常用的一種方法，它不僅可以對變量聚類，還可以對樣本進行聚類，也可以同時指定多個類進行嘗試性聚類。因此本研究中采用系統聚類法提取汽車與機動兩輪車事故典型場景，既可避免分析人員主觀意識對場景分類結果的影響，還具有很強的可重復性 [18]。

通過對170 起事故進行聚類，選取占比在5% 以上的場景進行分析，共提取出8 類載人機動兩輪車事故典型場景，包含了全部樣本的78.9%。各類場景示意圖見圖4，其參數特征見表2。

場景1 中摩托車來車方向左側和右側數量最多且占比相同，故有2 種來車方向；汽車速度在10～20 km/h和20～30 km/h 數量最多且占比相同，故汽車速度區間取10～30 km/h ；摩托車車速在60 km/h 以上占比最高，故其速度區間取60 km/h 以上。因此，場景1 發生在駕駛員視野無遮擋、不需照明、路面干燥的十字路口處，直行汽車碰撞左側或右側直行而來的摩托車，汽車速度區間為10～ 30 km/h，摩托車速度區間為60 km/h以上，占比7.1%。

3 典型場景中騎乘人員損傷特征

為分析載人機動兩輪車事故中騎乘人員的損傷差異，先用PC-Crash 再現圖4 所示典型場景中的1 例典型事故，再現中參照文獻[19-20] 的方法保證再現結果與實際情況高度吻合；再根據每個典型場景的特征以汽車速度、機動兩輪車速度和碰撞部位為變量設計并開展仿真試驗；最后通過對每個場景中騎乘人員損傷進行差異性檢驗和對比分析，以獲得相同場景和不同場景之間騎乘人員的損傷特征。差異性檢驗選用SPSS 軟件中的Mann-Whitney U 檢驗方法，其檢驗水準 α = 0.05。，根據檢驗結果 P（ 概率）值的大小即可判斷各場景中騎乘人員主要損傷參數是否具有顯著性差異，當 P<0.01 時，有顯著統計學差異；當 P≥0.05時，不具有顯著統計學差異。

3.1 仿真實驗設計

在事故再現的基礎上，根據每個場景不同特征，以汽車速度、機動兩輪車速度和碰撞部位為變量設計仿真試驗，每個場景均需4 種汽車速度、4 種機動兩輪車速度、3 種碰撞部位，共48 組試驗。各場景中其他參數不變，仿真后讀取相關騎乘人員頭部和胸部損傷參數。試驗設計見表3。

3.2 頭部損傷特征

圖5 為典型事故場景中騎乘人員15 ms 頭部損傷準則（ head injury criterion， HIC15）對比箱型圖。結果顯示：除場景2和5中騎乘人員HIC15無顯著差異（ P≥0.05）外，其他場景中騎車人和乘員頭部損傷均有顯著差異。有顯著差異的不同場景中人體頭部損傷信息見表4。

由表4 可知：場景1、4、6、8、9、11 中騎車人的頭部損傷均更嚴重；其中場景 1、9、11 中絕大多數騎車人的HIC15 超過損傷耐受極限 700（見圖5），表明這3 類場景下騎車人頭部損傷較其他場景更嚴重。

將各場景兩兩組合以對比不同場景間的損傷差異，發現85.71% 不同場景間騎車人HIC15、78.57% 乘員HIC15 差異顯著，說明2.2 節中場景的分類合理。

3.3 胸部損傷特征

圖6 給出不同典型事故場景中騎乘人員胸部 3 ms加速度對比箱型圖。

除場景8 和9 外，其他場景中的規律與頭部損傷一致。場景8 中騎乘人員胸部損傷未見顯著性差異。場景9 中騎車人和乘員胸部3 ms 加速度之間有顯著差異（P = 0<0.01），但乘員胸部3 ms 加速度高于騎車人的有48 組（N = 48），且乘員胸部3 ms 加速度的平均值高于騎車人，這表明場景9 中乘員胸部損傷較騎車人更嚴重。不同場景間騎乘人員胸部損傷對比發現，78.57% 不同場景間騎車人胸部 3 ms 加速度、89.28%乘員胸部 3 ms 加速度有顯著差異，同樣表明：2.2 節中場景劃分合理。

3.4 頭部損傷差異原因分析

人體在碰撞中受到的傷害與碰撞速度直接相關，為此分析頭部損傷有顯著差異的場景1、4、6、8、9 和11 中人車碰撞速度的變化。定義頭車碰撞速度為騎乘人員頭部與車輛接觸時刻相對于車輛的速度為

分析可知：場景8 中幾乎所有乘員頭部均不與汽車碰撞而場景6 中亦有大量乘員或駕駛員頭部不與汽車接觸的案例，為此不統計這2 類。分別用Pearson和Spearman 方法分析余下場景1、4、9 和11 中頭部HIC15 和頭車碰撞速度的關系，P 值均為0，相關系數見表5。表5 說明：人體頭部損傷與頭車碰撞速度顯著正相關；頭車碰撞速度越大則損傷越大。

圖7a 給出騎車人與乘員的頭車碰撞速度箱型圖，很顯然兩者之間有顯著差異，且騎車人頭車碰撞速度顯著高于乘員碰撞速度，騎車人碰撞速度均值27.6 km/h而乘員均值僅14.0 km/h，這是兩者損傷差異的直接原因。而導致這一直接原因的重要因素是：相比于騎車人，乘員更晚碰撞車輛。越晚碰撞車輛，能量越可能在與騎車人等外界物體相互作用中而被消耗，自然可以降低乘員碰撞車輛的速度。

定義頭車碰撞時間為汽車與兩輪車接觸瞬間至騎乘人員頭部與車輛接觸所經歷的時間。統計發現頭車碰撞速度與頭車碰撞時間顯著負相關（見表5），表明頭車碰撞時間越短速度越大即越早碰撞汽車在頭車碰撞速度越大。圖7b 給出騎車人與乘員頭車碰撞時間箱型圖，兩者具有顯著差異。騎車人頭車碰撞時間均值僅170 ms 而乘員的頭車碰撞時間均值達390 ms。這很好地說明越早碰撞汽車有更大的升高頭車碰撞速度的風險，進而導致損傷差異。

4 結 論

本研究統計了汽車與載人機動兩輪車事故的一般特征，提取了典型事故場景，并在事故再現基礎上設計仿真實驗而揭示了典型場景下的騎乘人員損傷特征，主要結論有：

1） 載人機動兩輪車事故大多發生在天氣晴朗、白天、不需照明、路面干燥的十字路口或直線路段；事故中最常見的車型是轎車，機動兩輪車多為電動自行車和普通騎跨型摩托車；碰撞前汽車速度多集中在10～50 km/h之間，機動兩輪車速度多集中在10～40 km/h 之間；汽車碰撞位置大多為車頭位置，機動兩輪車則多為車頭及左右側車身。

2） 通過聚類分析提取出8 類典型事故場景，此8 類場景涵蓋了全部樣本的78.9%，且大多數不同場景（占比>78%）之間人體頭部、胸部損傷之間有顯著差異，說明所提取的場景具有代表性。

3） 除場景2 和5 和外，其他各場景內騎乘人員頭部損傷均有顯著差異、且騎車人所受傷害均更嚴重；總體上胸部損傷與頭部損傷規律一致，但場景8 中騎乘人員胸部損傷沒有顯著性差異而場景9 中乘員胸部損傷比騎車人更嚴重。進一步分析發現，騎車人頭部損傷重的原因是其更早碰撞汽車而導致更高的頭車碰撞速度。

4） 受制于案例數量，場景劃分前未考慮汽車類型，且聚類所得場景亦沒有視野遮擋、丁字路口等情況，說明本研究具有一定局限性，需通過增加案例數量以獲更充分、更普遍的場景，這應是后續研究中的重要工作之一。

參考文獻（References）

[1] World Health Organization. Global status report on roadsafety 2018： Summary [EB/OL]. （2018-12-24）. https：//www.who.int/publications/i/item/WHO-NMH-NVI-18.20.

[2] 陳吉光. 基于摩托車事故重建的頭盔損傷防護性能研究[D]. 長沙： 湖南大學， 2013.

CHEN Jiguang. A study on helmet protective performancefor head injury based on motorcycle accident reconstruction[D]. Changsha： Hunan University， 2013. （in Chinese）

[3] 殷豪， 林淼， 王鵬， 等. 基于潛類別Logit 模型的機動兩輪車騎行者頭部損傷影響因素研究[J]. 交通信息與安全，2023， 41（1）： 43-52.

YIN Hao， LIN Miao， WANG Peng， et al. An analysis ofthe impact factors of head injuries of two-wheeler ridersusing a latent class logit model [J]. J Transp Info Safe，2023， 41（1）： 43-52. （in Chinese）

[4] Abass A， Quaye L， Adams Y. Upper and lower extremity injurypattern and severity of motorbike accident： A retrospectivestudy [J]. J Adva Medi Pharm Sci， 2020， 22（8）： 34-40.

[5] Oikawa S， Matsui Y， Wakabayashi A， et al.Severity ofcyclist head injuries caused by impacts with vehiclestructure and road surface [J]. J Biomech Sci Eng， 2016，11（2）： No 15.00613.

[6] ZOU Tiefang， YI Liang， CAO Ming， et al. Injury sourceand correlation analysis of riders in car-electric bicycleaccidents [J]. Appl Bionics Biomech， 2018， 2018： 3674858.

[7] 薛海濤， 李海波， 趙小羽， 等. 汽車—電動自行車與汽車—自行車碰撞中騎車人動力學響應對比研究 [J]. 公路與汽運， 2021， 207（6）： 37-42.

XUE Haitao， LI Haibo， ZHAO Xiaoyu， et al. Comparativestudy of cyclist kinetic response in car-electric bike and carbikecollisions [J]. Highways Auto App， 2021， 207（6）： 37-42.（in Chinese）

[8] 廖靜倩， 張道文， 高立， 等. 基于NAIS 事故數據聚類的丁字路口危險場景研究 [J]. 汽車安全與節能學報， 2021，12（3）： 336-345.

LIAO Jingqian， ZHANG Daowen， GAO Li， et al. Researchon dangerous scene of T-intersection based on NAISdatabase accident data clustering [J]. J Auto Safe Energ，2021， 12（3）： 336-345. （in Chinese）

[9] Haque MM， Chin HC， Huang H. Modeling fault amongmotorcyclists involved in crashes[J]. Accid Anal Prevent，2009， 41（2）： 327-335.[10] Kashani AT， Rabieyan R， Besharati MM. Modeling the effectof operator and passenger characteristics on the fatality riskof motorcycle crashes [J]. J Inju Viol Res， 2016， 8（1）： 35-42.

[11] 鄒鐵方， 王冠， 胡林， 等. 汽車摩托車碰撞事故中騎乘人員損傷差異對比研究 [J]. 汽車工程， 2020， 42（5）： 621-627.

ZOU Tiefang， WANG Guan， HU Lin， et al. Comparativestudy on the injury difference between motorcyclist andoccupant in vehicle-motorcycle collision accidents [J].Autom Engineering， 2020， 42（5）： 621-627. （in Chinese）

[12] 鄒鐵方， 王冠， 胡林， 等. 車—摩托車碰撞中騎乘人員運動學響應的差異 [J]. 汽車安全與節能學報， 2020， 11（2）： 174-181.

ZOU Tiefang， WANG Guan， HU Lin， et al. Differencesin kinematic responses of motorcyclist and occupant invehicle-motorcycle collisions [J]. J Auto Safe Energ，2020， 11（2）： 174-181. （in Chinese）

[13] WANG Xinhua， PENG Yong， YI Shengen. Comparativeanalyses of bicyclists and motorcyclists in vehiclecollisions focusing on head impact responses [J]. Proc InstMech Eng Part H： J Eng Med， 2017， 231（11）： 997-1011.

[14] HAN Yong， LI Quan， WANG Fang， et al. Analysis ofpedestrian kinematics and ground impact in trafficaccidents using video records [J]. Intl J Crashworthiness，2019， 24（2）： 211-220.

[15] 吳賀， 韓勇， 石亮亮， 等. 基于視頻信息的高精度事故重建方法研究 [J]. 汽車工程， 2020， 42（6）： 778-783.

WU He， HAN Yong， SHI Liangliang， et al. Research onhigh precision accident reconstruction method based onvideo information [J]. Autom Engineering， 2020， 42（6）：778-783. （in Chinese）

[16] 趙麗麗， 唐陽山. 基于時間插值法的交通事故車速鑒定方法研究 [J]. 公路與汽運， 2022， 212（5）： 29-31.

ZHAO Lili， TANG Yangshan. Study on the identificationmethod of traffic accident speed based on timeinterpolation method [J]. Highways Autom Appl， 2022，212（5）： 29-31. （in Chinese）

[17] 胡林， 易平， 黃晶， 等. 基于真實事故案例的自動緊急制動系統兩輪車測試場景研究 [J]. 汽車工程， 2018， 40（12）：1435-1446+1453.

HU Lin， YI Ping， HUANG Jing， et al. A research on testscenes of two- wheeled vehicles for automatic emergencybraking system based on real accident cases [J]. AutomEngineering， 2018， 40（12）： 1435-1446+1453. （in Chinese）

[18] 蘇江平， 陳君毅， 王宏雁， 等. 基于中國危險工況的行人交通沖突典型場景提取與分析 [J]. 交通與運輸，2017（A1）： 209-214.

SU Jiangping， CHEN Junyi， WANG Hongyan， et al.Establishment and analysis on typical road traffic nearcrashscenarios related to pedestrian in China [J]. TrafTransp， 2017（A1）： 209-214. （in Chinese）

[19] 鄒鐵方， 余志， 蔡銘， 等. 基于 Pc-Crash 的車- 人事故再現 [J]. 振動與沖擊， 2011， 30（3）： 215-219.

ZOU Tiefang， YU Zhi， CAI Ming， et al. Car-pedestrianaccident reconstruction based on Pc-Crash [J]. J VibrShock， 2011， 30（3）： 215-219. （in Chinese）

[20] 鄒鐵方， 余志， 蔡銘. 基于Pc-Crash 軟件的人- 車碰撞事故仿真規律研究 [J]. 中國安全科學學報， 2010， 20（2）： 54-58+177.

ZOU Tiefang， YU Zhi， CAI Ming. Study on laws of vehiclepedestrianaccident simulation based on Pc-Crash software[J]. Chin Safe Sc J， 2010， 20（2）： 54-58+177. （in Chinese）