大貨車-行人及兩輪車交通事故嚴重程度致因分析

摘 要：為探究大貨車-行人/兩輪車交通事故嚴重程度影響因素，文章以成都市雙流區322起該類交通事故為樣本，將傷者是否死亡作為因變量，選擇14個潛在影響因素作為自變量，構建二元logistic回歸模型進行分析。結果表明：“車輛類型”“是否交叉口”“行駛狀態”對事故嚴重程度影響顯著。結合相關研究及成都實際情況得出這三類因素影響顯著的原因，并針對性地提出事故預防措施。

關鍵詞：二元logistic模型 道路交通事故 大貨車 嚴重程度

0 引言

道路交通事故一直是造成我國居民非正常死亡的重要原因，2017年至2021年間，我國平均每年交通事故死亡62730人。其中貨車事故死亡人數占比39.6%[1]。中國的道路交通安全形勢十分嚴峻，貨車交通事故高發及高致死率則是造成這一現狀的重要因素。近年來有學者通過建立數學模型對現有交通事故中各類因素進行分析，總結出對交通事故嚴重程度影響最顯著因素，并針對性提出預防對策，以降低事故傷亡。如李成志等人采用多項logit回歸模型研究對電動自行車騎車人在事故中受傷程度有影響的因素[2]。陳昭明等人使用混合logit模型分析黑龍江境內的交通事故數據，得出超過56歲的駕駛人在事故中更易受傷或死亡等結論[3]。近幾年，有學者在研究中發現，一些因素在不同類型的事故中存在異質性。如段雨陽對三類車型的人車碰撞事故分別進行建模分析后對比發現三類事故影響因素存在異質性[4]。董傲然在分析低能見度水平下影響行人事故嚴重程度的因素時，發現變量“卡車”和“凌晨”具有均值異質性[5]。

綜上，在建模分析的同時避免異質性影響是交通事故致因分析的發展方向，目前有兩種方式消除異質性影響：一種是優化統計模型，使其能解析未觀測的異質性，如焦朋朋將潛在類別聚類分析和隨機參數Logit模型相結合分析老年行人交通事故嚴重程度影響因素，一定程度消除了數據的異質性[6]。另一種是對研究對象進行詳細分類，分別進行建模分析。如曹瑞對山區公路的貨車交通事故進行單獨分析，得出對此類交通事故嚴重程度有顯著影響的五類因素[7]。

大貨車指總質量大于4.5噸，車長超過6米的用于載運貨物或牽引掛車的大型車輛，這類車輛體積大、慣性強，與行人、兩輪車發生交通事故時，極易造成嚴重傷害。大貨車碰撞行人及兩輪車的事故死亡率高達66.18%與61.37%，碰撞其他車型的死亡率僅45.97%[8]。現存基于logistic模型的道路交通事故嚴重程度致因分析中，還沒有針對我國大貨車-行人及兩輪車這類交通事故的研究，本文使用二元logistic模型對大貨車-行人及兩輪車交通事故進行統計分析，得出對事故嚴重程度影響最顯著因素，并針對性提出預防對策，減少嚴重交通事故的發生。

1 數據描述

本文的數據來源于公安交通管理綜合應用平臺（以下稱“平臺”）中有關成都市雙流區2018年-2023年所有大貨車-行人及兩輪車的交通事故數據，共提取322例事故用于分析。

根據交通事故中傷者是否死亡將因變量分為：受傷，死亡。自變量選取方面，通過咨詢17名經驗豐富的交通事故民警，結合相關文獻的變量選取經驗，從駕駛人、車輛、道路、環境、其他因素五個方面從平臺篩選出14個數據有效且對事故嚴重程度存在潛在影響的數據項作為變量用于分析。

詳細變量描述及賦值如表1所示，表1中每個變量第一組為參考項。因“車輛類型”為無序多分類變量，將“自卸貨車”作為參考項后分別建立啞變量。

2 模型原理

Logistic 回歸分析是一種廣義線性回歸分析方法，通常用來解決因變量為分類變量的回歸問題。它對數據的分布類型沒有要求，在樣本容量較小時依然能進行統計檢驗[9]。文中將大貨車-行人及兩輪車的事故分為亡人事故、受傷事故兩類，采用二元Logistic回歸進行分析。

在二元logistic模型中，設因變量Y，服從二項分布，取值0和1，自變量為X1、X2、…Xn，則自變量所對應的logistic回歸模型為

本式中：是常數項，是（i=1，2，…，n）的偏回歸系數[10]，為自變量。

而事件發生（）與不發生（1-）之比則為優勢比，將其做對數變換后得到線性模式如下

當優勢比=1時，表示該因素對事件的發生不起作用；優勢比>1時，表示該因素是危險因素；反之為保護因素。

3 模型構建與檢驗

將所有變量納入二元logistic模型分析，首先對模型進行Omnibus檢驗，Omnibus檢驗指將分析得出的模型與只含該模型常數項的無效模型進行比較。卡方是指現有模型與無效模型似然比值的差值，顯著性指現有模型為無效模型的概率，當顯著性小于0.05可推定現有模型為有效模型，如圖表2，經過檢驗，顯著性為0.003，小于0.05，推定模型有效。

隨后對模型進行擬合優度檢驗，此處使用霍斯默-萊梅肖檢驗，檢驗顯著性大于0.05則說明擬合優度良好，如圖表3，顯著性為0.132，說明模型和真實數據擬合程度良好。

4 結果討論

分析結果見表4，取顯著水平為0.05，當自變量顯著性<0.05時，認為該自變量對事故嚴重程度具有顯著影響。結果表明，大貨車-行人及兩輪車事故中，對事故嚴重程度影響顯著的因素分別是：“車輛類型”“交叉口”“行駛狀態”。其中“交叉口”“行駛狀態”變量的優勢比值大于1，說明這兩類變量為危險因素：交叉口路段發生亡人事故的概率比非交叉口路段高；大貨車在轉彎/變道過程中發生亡人事故的概率比直行過程中高。“車輛類型”中“廂式貨車”、“平板貨車”與“倉柵貨車優勢比值小于1，說明這三類變量為保護因素：以上三類貨車發生亡人事故概率比自卸貨車低。

自卸貨車是指通過液壓或機械舉升而自行卸載貨物的車輛。我國自卸貨車主要分為公路自卸貨車、礦用自卸貨車以及渣土運輸車[11]。本研究的事故數據中涉及自卸貨車的事故有96.3%為渣土運輸車，因此，自卸貨車亡人事故高發的實質是渣土運輸車亡人事故高發。可能的原因是，成都市近年城市擴張快，新建工地多，渣土運輸需求量大。但同時成都市部分區域白天對大貨車限行，限制了渣土運輸作業。為保障運輸效益，渣土運輸車不可避免存在大量夜間駕駛行為。夜間長時間駕駛會導致疲勞駕駛，研究表明，大貨車駕駛人夜間連續駕駛超3小時后，重大道路交通事故的發生率便會隨駕駛時長增加[12]。同時，夜間駕駛狀態駕駛人超速、闖紅燈等違法行為更頻繁[13]，根據成都市交管局秩序處的數據，每日17時至次日2時，渣土運輸車各類交通違法高發。嚴重的交通違法亦會增加事故發生的可能性及造成的傷害。

大貨車在轉彎/變道的行駛過程及道路交叉口位置更易發生亡人事故，一方面，大貨車視野盲區較大，駕駛人轉彎時很難及時發現車輛兩側的行人及兩輪車；另一方面，大貨車車身較長，轉彎時會產生內輪差，將鄰近行人與兩輪車卷入車下并碾壓，對其造成致命傷害。而道路交叉口既是大貨車轉彎行為高發地，又是行人、兩輪車穿行馬路的主要位置，人車沖突嚴重，因此，交叉口位置極易發生大貨車碰撞并碾壓行人與兩輪車的亡人事故。周明就曾指出：多數人在交叉口在面對右轉大貨車時容易忽略大貨車的內輪差，認為只要大貨車前輪轉過去了就沒有危險了，最終被貨車后輪碾壓時躲閃不及[14]。

5 預防措施

5.1 多部門聯合執法監督管理渣土運輸車輛

針對渣土運輸車輛容易引發亡人交通事故的問題，應加強對渣土運輸車的監督和管理。由于渣土運輸車輛監管涉及交警、城管委、住建局、交通局等多個部門。各地道安辦應充分發揮統籌、協調的職能，將上述單位納入成員單位，組織開展聯合執法，重點查處和預防渣土運輸車輛夜間駕駛存在的超載、超限、超速、揚塵、闖紅燈、疲勞駕駛等違法行為。以減少自卸貨車夜間嚴重交通事故發生。

5.2 定期梳理與整改存在安全隱患路口路段

各地交管部門應定期梳理轄區內大貨車事故高發的路口路段，并排查其存在的交通安全隱患，對有條件設置非機動車道的路段盡量設置非機動車道并安裝機動非分隔護欄，將兩輪車與貨車分隔開。大貨車右轉事故易發的路口施劃月牙彎警示區，或直接在右轉車道外加裝分隔護欄，隔開右轉貨車與路邊的行人及兩輪車。交管部門在審核、發放大貨車城區通行證時，可以要求申請人申報行駛路線時避開貨車事故高發、存在安全隱患且尚未完成整改的路口路段，選擇照明條件好、機非分隔及人車分隔設施齊全的路口路段為行駛路線。

5.3 采取實效措施鼓勵貨運企業安裝大貨車行車輔助系統

為大貨車裝配360°影像系統，可幫助駕駛人駕駛時觀察車輛兩側及車尾盲區。近兩年出現的可搭載于大貨車的ADAS系統，在大貨車離行人及兩輪車距離過近時可主動示警并在必要時自動采取制動措施。上述行車輔助系統可有效減少大貨車與行人及兩輪車的事故，但由于成本較高，貨運企業采購意愿不強，因此未能在大貨車中普及。成都市交管局曾發文鼓勵貨運企業在大貨車上裝備行車輔助系統，但文件內未提出實質性的鼓勵措施，推廣效果有限。建議各地政府、交管部門采取實效的措施，鼓勵、引導貨運企業安裝行車輔助系統。如制定補貼標準，在貨運企業采購大貨車行車輔助系統時給予一定金額的補貼。或是設立行政審批綠色通道，優先辦理行車輔助系統裝備率較高的貨運企業的新增業務申請。

參考文獻：

[1]國家統計局.中國統計年鑒[M]. 北京：中國統計出版社，2023.

[2]李成志，李洋，何慶.電動自行車交通事故中騎車人傷害程度的影響因素分析[J].交通工程，2019，19（04）：37-43.DOI：10.13986/j.cnki.jote.2019.04.006.

[3]陳昭明，徐文遠，曲悠揚，陳偉.基于混合Logit模型的高速公路交通事故嚴重程度分析[J].交通信息與安全，2019，37（03）：42-50.

[4]段雨陽，何雅琴.基于Logistic的不同車型碰撞行人事故嚴重程度致因分析[J].中國安全生產科學技術，2022，18（01）：175-181.

[5]董傲然，秦丹，王長帥，等.低能見度水平下行人交通事故嚴重程度及異質性分析[J].交通信息與安全，2021，39（06）：27-35.

[6]焦朋朋，李汝鑒，王健宇，葛浩菁，陳越.考慮潛在類別的老年行人交通事故嚴重程度致因分析[J].交通運輸系統工程與信息，2022，22（05）：328-336.DOI：10.16097/j.cnki.1009-6744.2022.05.034.

[7]曹瑞，戢曉峰，覃文文.考慮車型與道路線形的山區公路貨車事故嚴重程度影響因素辨識[J].公路交通科技，2022，39（12）：171-178.

[8]楊碩. 重型貨車交通事故嚴重程度影響因素及對策研究[D].北京：中國人民公安大學，2020.DOI：10.27634/d. cnki.gzrgu.2020.000359.

[9]克勞斯·巴克豪斯，本德·埃里 克森，伍爾夫·普林克，等.多元統計分析方法[M].上海：上海格致出版社，2009.

[10]武松，潘發明.SPSS統計分析大全[M]，北京：清華大學出版社，2014.

[11]史建軍，趙海艷.我國自卸車市場結構分析及發展趨勢展望[J].重型汽車，2016（03）：35-36.

[12]陳陽堅，孔德剛，吳燦，等.重型長途貨運汽車夜間駕駛疲勞測試研究[J].工業工程，2015，18（04）：152-156.

[13]WILLAMS A F.Teenage drivers：patterns of risk[J].Journal of Safety Research，2003，34（1）：5-15.

[14]周明，李平飛，劉娜.重型貨車右轉彎事故的原因分析與對策研究[J].汽車實用技術，2017，No.240（09）：84-87.DOI：10.16638/j.cnki.1671-7988.2017.09.031.