交互危险行为对双责事故严重程度的影响分析

江欣国,章国鹏,石小林,夏　亮,贾雄文

(1.西南交通大学交通运输与物流学院,四川 成都 610031; 2.广东省江门市新会区交通运输局,广东 江门 529100)

随着汽车保有量的急剧增加,道路交通安全问题也日益凸显,据统计,我国因道路交通问题所造成的伤亡人数自20世纪80年代末以来,已连续30余年居世界首位.在道路交通所造成的伤亡事故中,两车事故尤为突出,其所占比例远高于其它事故类型.以山西省2010年车辆事故数据为例,两车事故约占事故总数的83%[1].在国外亦是如此,美国密西根州2012—2014年事故数据显示,两车事故约占事故总数的59%[2].在两车事故发生后,事故调查人员通常会通过询问证人、查看车辆轨迹、人员伤亡情况来判断双方驾驶员是否有违法或过失行为,以此来判定事故责任的归属并开具罚单.其中,一方驾驶员对事故负全部责任,另一方对事故无责任,则为单责事故(single-at-fault crashes),而双方驾驶员均有过失(违法行为或危险驾驶行为),均对事故有责任,则为双责事故(both-at-fault crashes).从定责的结果看,单责事故所占比例明显高于双责事故[1].

国内外对于两车事故已经开展了大量的研究，其中事故定责是开展双责事故研究的前提.文献[3-5]在法律层面对事故双方的责任归属进行判定分析,分别研究了交通事故损害赔偿责任主体的认定、道路交通事故损害赔偿责任的立法和机动车交通事故责任归责原则体系的完善构建.通常,交通事故定责是由交警或调查人员通过事故现场调查、涉事驾驶员口供、目击者询问等方法确定的.事故调查人员的定责决策受到肇事逃逸、药物使用、驾驶员年龄性别等因素的影响[6].因此,如何选取合理的定责方法,对于双责事故的研究至关重要.

在事故影响因素方面,已有部分文献开展了关于驾驶员性别、年龄、驾驶行为、车辆类型[7-8]、环境特征等因素对两车事故严重程度的影响研究,如文献[8]利用Bivariate generalized ordered probit模型分析台北市信号交叉口两车事故受伤严重程度,发现驾驶员年龄、车辆类型、违法类型、交叉口类型、事故类型以及照明条件等因素对事故严重程度有显著影响.在事故影响因素中,危险驾驶行为与事故的发生及其严重程度直接相关.驾驶人违法行为是造成两车事故的主要原因[9],特别是攻击性驾驶行为.危险驾驶行为与驾驶员心理和行为特征等密切相关[10],有必要进行深入研究并提出防范对策.根据既有文献,同一安全影响因素对于不同事故类型的作用效果可能不一致[11].比如,年轻驾驶员(小于30岁)在单车事故和两车事故中对事故的受伤严重性起到相反的作用,侧面刮擦事故对于两车均为小汽车和两车均为卡车的影响也是相反的.鉴于以上研究成果,安全因素对单责和双责事故受伤严重程度也可能起到不同的影响作用.现有关于两车事故的研究主要是针对单责事故,而对双责事故却缺少必要的探索,从而限制了双责事故的预防策略的制定与有效实施.因此,需要开展专门针对双责事故的研究.

尽管国内外学者对两车事故开展研究并取得了一定成果,可为双责事故分析研究提供一定的理论支持与技术借鉴.但这些研究往往仅在“两车”这个大范围下开展,主要针对单责事故,而对于双责事故却鲜有研究.目前国内外对双责事故的相关研究,仅限于从法律层面对两车事故中的双方驾驶员进行责任判定分析,尚未对双责事故的致因进行分析研究.双责事故由于自身的特殊性,即双方驾驶员均有过失,其事故伤害不仅仅与自身的过失行为相关,还受对方驾驶员的过失行为的影响,而两者过失行为的相互影响和共同作用往往致使事故后果变得更严重.因此,有必要深入研究双责事故的驾驶行为.本文将对比双责事故与单责事故的严重程度分布,再分析驾驶员的危险驾驶行为对单责与双责事故的伤害严重程度影响的差异性,然后在交互危险驾驶行为基础上,研究其对双责事故受伤严重程度的影响作用,最后提出双责事故在驾驶行为方面预防的重点,为双责事故的预防提供依据.

1　模型与数据

1.1　数据来源

基于美国密歇根州交通部(Michigan Department of Transportation)记录的事故数据库(2012—2014年)开展双责事故的安全分析.据数据库记录,密歇根州每年约发生交通事故30万起,其中两车事故所占比例接近60%.该事故数据库包含了事故严重程度、驾驶员特征、车辆特征、道路条件、环境条件等信息,其中驾驶员特征中详细记录了事故中每位驾驶员是否存在危险驾驶行为以及危险驾驶行为类型.本文对驾驶员事故责任归属的根据其在数据库中是否被记录存在交通违法行为(violator indicator).如此,双方驾驶员均被认定存在交通违法的两车事故则视为两车双责事故.在开展数据建模分析前,需要进行原始事故数据预处理.在此过程中,剔除了存在干扰信息(涉及行人、动物、自行车、摩托车和列车的事故)、肇事逃逸、危险行为不明确、驾驶行为记录有误的事故样本;另外,考虑到无伤亡事故由于严重程度低,通常未上报交警部门或未被交警记录在案,因而存在大量缺失现象[12],为了确保分析结果的准确性,本文剔除该类型事故,并最终筛选出2 301起两车双责事故.此外,采用相同的预处理方法,筛选出只有一方驾驶员存在交通违法行为的两车单责事故用于对比分析,共76 294起.考虑到两组数据样本量差异过大,随机抽取3.5%的单责事故样本(2 761起)作为对照组,确保两组数据样本量相当.

1.2　变量定义

美国密歇根州交通部记录的事故数据中,事故严重程度被分为5个等级,分别为死亡(killed)、重伤(incapacitating injury)、中伤(non-incapacitating injury)、轻伤(possible injury)和无伤亡(no injury).由于死亡事故的样本量极少,仅34起,占全部双责事故的1.5%,因此在建模过程中将死亡和重伤一并考虑.在建模分析过程中,事故严重程度等级作为因变量,危险驾驶行为作为解释变量,变量的定义与描述性统计见表1.

表1　变量的定义与描述性统计Tab.1　Definition and descriptive statistics of the variables

1.3　统计模型

大量统计模型已经被用于鉴别驾驶行为对交通安全的影响作用,包括:(1) 二元选择模型,适用于因变量仅为2种选择,如死亡和非死亡;(2) 有序离散模型,适用于因变量可分为有序的若干个等级,如无伤亡、受伤和死亡;(3) 多元选择模型,适用于因变量有3种及以上的无序选择.密歇根州交通部记录的事故数据中,事故严重程度分为死亡、重伤、中伤、轻伤和无伤亡等有序的等级,与有序响应模型的固有性质相吻合,故本文采用有序响应模型分析危险驾驶行为对双责事故严重程度的影响.有序响应模型已在交通安全领域得到广泛地应用[13-16],比如摩托车头盔使用[14]、自行车与汽车冲突[15]和隧道交通安全[16]等方面.其中比较常用的是有序logit模型,其表达式为[17]

(1)

式中:P(*)为特定事故严重程度等级的发生概率;j为事故严重程度等级,j=1,2,…,M-1;Yi为第i(i=1,2,…)起事故的受伤严重程度等级;X为自变量组成的集合;β为X的系数;αj为第j等级的常数项.

然而有序logit模型存在明显的缺陷,其自变量系数β在各有序等级中始终保持一致,因而限制了自变量对不同事故严重程度等级的影响作用效果.为了克服该缺陷,本文将采用其改进模型——广义有序logit模型,其表达式为[17]

(2)

或者:

P(Yi≤j)=1-(Xβj)=F(Xβj),

(3)

式中:βj为第j等级的自变量系数集合;F(*)为标准logistics累计分布函数.

由式(3)可知,广义有序logit模型与有序logit模型的表达式基本一致,主要区别在于自变量的系数集合βj在不同事故等级中并非固定不变,比传统的有序logit模型应用更加灵活.广义有序logit模型事故严重程度Yi发生概率的计算方程组为[17]

(4)

P(Yi=M)=g(XiβM-1).

(5)

为了进一步描述驾驶行为对双责事故严重程度的影响大小和趋势,本文还将计算各种驾驶行为的边际效应值.边际效应是指在其它变量都取均值的情况下,某个变量取值增加一个单位对因变量取值产生概率的变化,其计算方法为[18]

ΔP(Y=j|Xi)=P(Y=j|Xi=1)-

P(Y=j|Xi=0).

(6)

本文运用Stata 14.0统计分析软件的gologit2程序包对模型参数进行极大似然估计和边际效应计算,显著性水平p=0.05.

2　分析与讨论

2.1　双责与单责事故严重程度对比

表2为双责事故与单责事故的严重程度等级分布.总体而言,双责事故的严重程度更高,死亡或重伤、中伤所占比例均高于单责事故.而且随着事故严重程度的提高,双责事故相对于单责事故的优势比也逐渐增大.主要原因是双责事故存在两种危险行为共同作用,加剧事故严重程度.

2.2　广义有序logit模型回归

分别对双责和单责事故进行广义有序logit模型回归,由表3的结果知,超速、让行失败、违反交通控制、偏离车道、鲁莽驾驶和分心驾驶等危险行为对双责和单责事故严重程度均有显著影响,其中偏离车道、鲁莽驾驶和分心驾驶显著增加双责事故死亡或重伤的发生概率.回归结果还反映了在广义有序logit模型中同一变量对不同严重程度等级影响的差异性,比如超速和让行失败等行为的发生显著增加双责事故由轻伤转变为中伤的概率,却对中伤、重伤和死亡事故之间的概率变化无显著影响.

表2　双责事故与单责事故受伤严重程度对比Tab.2　Comparison of severity of injuries between both-at-fault and one-at-fault crashes

表3　双责和单责事故的模型回归结果Tab.3　Modelling results for both-at-fault and one-at-fault crashes

2.3　基于交互危险行为的广义有序logit模型回归

由于双责事故涉及双方驾驶员两种危险行为,为了研究各种危险行为交互对双责事故的影响,将这些危险行为两两组合,重新定义模型的自变量.模型回归结果见表4,双方均偏离车道、一方超速另一方让行失败、一方违反交通控制另一方让行失败的行为增加中等伤害事故发生的概率;双方均偏离车道、双方均分心驾驶、一方超速另一方分心驾驶的行为将增加死亡和重伤事故发生的概率.此外,由参数估计值可知,交互危险行为对双责事故严重性的影响作用程度高于单一危险行为.例如,表4中β2“超速&分心驾驶”的系数(2.432)大于表3中对应的β2“超速”的系数(0.284)和“分心驾驶”的系数(1.003).这也说明两种危险行为共同作用,导致事故后果更加严重.

表4　基于交互危险行为的双责事故模型回归结果Tab.4　Modelling results for both-at-fault crashes based on interacted hazardous actions

注:&表示两种驾驶行为交互;*表示显著影响(p<0.05).

2.4　模型有效性检验

以有序logit模型作为参照,采用伪R2检验表3和表4中广义有序logit模型回归的拟合效果，模型的伪R2检验值如表5所示.由表5可知,广义有序logit模型的伪R2均大于对应的有序logit模型,说明该方法的拟合效果更优,即广义有序logit模型分析危险驾驶行为对事故严重程度的影响更为有效.

表5　模型伪R2检验Tab.5　Pseudo R2 test of the modelling results

2.5　边际效应计算

交互行为对双责事故严重等级的边际效应影响计算结果见表6.边际效应反映了危险行为的出现对事故严重等级概率发生的变化.例如在双责事故中,若两车均偏离车道,则发生死亡或重伤的概率将增加34.3%.

表6　双责事故严重程度各显著影响因素的边际效应Tab.6　Marginal effects of significant factors on the severity of injuries in both-at-fault crashes

注:&表示两种驾驶行为交互;*表示显著影响(p<0.05).

2.6　结果讨论

根据广义有序logit模型回归结果,两辆车均偏离车道时,事故严重程度更高,其中死亡或重伤发生的概率提高了34.3%,中等伤害发生的概率也提高了11.0%.车辆偏离车道行驶的行为极易干扰相邻车道,尤其是对向相邻车道上车辆的运行.据统计,两车均偏离车道事故中75.0%为对撞事故,16.7%为对向刮擦事故.由物理学定理可知[19],对向事故中两车的相对速度加大,发生碰撞时伴随着能量的瞬间消散,因而故事严重程度往往高于其它事故类型.若对向两车同时出现偏离车道行驶的危险驾驶行为,则发生对撞事故的风险也随之增加.双方驾驶员均分心驾驶将导致更严重的事故后果,使死亡或重伤事故发生的概率增加14.1%.通常,一次有效的事故避险依次经历驾驶员反应、操作和制动等过程.其中反应时间的长短对于事故避险行为的有效性至关重要.文献研究表明[20],分心驾驶行为延迟了驾驶员的面临危险时的反应时间.若双方驾驶员均分心驾驶,则面临危险时双方都难以及时反应并采取有效避险措施来避免事故发生或减轻事故后果.

超速行驶也是双责事故严重程度的影响因素之一.当超速与其它危险行为(让行失败和鲁莽驾驶)同时存在时,对事故严重程度具有显著影响,尤其是“一方超速,另一方鲁莽驾驶”时,发生死亡或重伤的概率将提高42.8%;而当“一方超速、另一方让行失败”也将使中伤的发生概率提高12.1%.主要原因是由于车辆超速,车辆间发生碰撞时产生更为强大的撞击力,从而更容易出现人员伤亡.同时,车辆的速度增加对冲突车辆的有效避让提出更高的要求,驾驶员注意力不集中而未能及时有效避让或者让行失败,都将导致严重的事故伤害.此外,部分车辆超速导致同一道路上车速离散程度加大,也产生了交通安全隐患.

边际效应计算结果还表明,“一方违反交通控制,另一方让行失败”的情况将使发生中伤的概率增加14.1%.交通控制的作用在于确保道路车辆安全有序运行.违反交通控制的驾驶行为,干扰了道路上其它车辆的运行,特别是在路权使用方面,因而导致不同行驶方向的车辆发生交通冲突.避让失败方在交通控制条件下未观察其它车辆的运行状态,当其它车辆出现出违反交通控制行为时,未能及时采取刹车或转向等有效避让操作,最终发生车辆碰撞并导致比较严重的事故伤害.

对于双责事故的预防,关键在于危险驾驶行为的规避.根据以上分析结果,首先,要对驾驶员做好宣传教育工作,普及交通安全知识,促使驾驶员养成良好的驾驶行为习惯,杜绝超速、偏离车道、分心和鲁莽驾驶等危险行为.同时驾驶员应注意遵守交通管理与控制规则,特别是在车辆让行方面.其次,可结合技术手段控制事故风险,如设置超速监测系统[21]、电子执法系统[22]等来加强对安全驾驶的监督作用.

3　结　论

本文对比分析了双责事故与单责事故严重程度等级分布,采用广义有序logit模型探讨各种危险驾驶行为交互作用对双责事故受伤严重程度的影响作用,并分析危险驾驶行为对事故严重程度的影响机理.最后,根据分析结果提出双责事故的预防建议.

本文的主要结论为:双责事故严重程度高于单责事故,而且事故严重等级越高,其优势比越大.双方均偏离车道、双方均分心驾驶、一方超速另一方让行失败、一方超速另一方鲁莽驾驶,以及一方违反交通控制另一方让行失败的交互危险行为显著加剧双责事故受伤严重程度.而且,交互危险行为对双责事故的影响程度大于单一危险行为.此外,模型检验结果表明了广义有序logit模型在双责事故严重程度分析方面的有效性.

致谢:成都市科技项目(2015-RK00-00171-F);西南交通大学2017年博士研究生创新基金项目.

参考文献:

[1]贾雄文.双责事故交通安全分析[D].成都:西南交通大学,2015.

[2]Michigan Department of Transportation.Michigan crash data (2012-2014)[DB/DK].[S.l.]:Michigan Department of Transportation,2015.

[3]袁秀林.机动车交通事故责任归责原则探析[D].大连:大连海事大学,2013.

[4]胡东.论道路交通事故损害赔偿责任[D].哈尔滨:黑龙江大学,2002.

[5]董石.道路交通事故损害赔偿责任主体之认定[D].长春:长春工业大学,2012.

[6]JIANG X,QIU Y,LYLES R W,et al.Issues with using police citations to assign responsibility in quasi-induced exposure[J].Safety Science,2012,50(4):1133-1140.

[7]WILLIAMS A F,SHABANOVA V I.Responsibility of drivers,by age and gender,for motor-vehicle crash deaths[J].Journal of Safety Research,2003,34(5):527-531.

[8]CHIOU Y C,HWANG C C,CHANG C C,et al.Modeling two-vehicle crash severity by a bivariate generalized ordered probit approach[J].Accident Analysis & Prevention,2013,51:175-184.

[9]张万安,肖跃秀.机动车驾驶人道路交通违法行为的博弈分析[J].交通运输系统工程与信息,2012,12 (增刊1):86-90.

ZHANG Wan’an,XIAO Yuexiu.Causes and countermeasures of motor vehicle drivers violations analysis based on game theory[J].Journal of Transportation Systems Engineering and Information Technology,2012,12 (Sup.1):86-90.

[10]黎美清,罗义学,杜岩,等.机动车驾驶员心理健康状况与违法驾驶行为的关系[J].医学与社会,2010,23(5):79-81.

LI Meiqing,LUO Yixue,DU Yan,et al.Investigation of the relationship between the mental health of automobile drivers and the traffic violations[J].Medicine and Society,2010,23(5):79-81.

[11]LEE C,LI X.Analysis of injury severity of drivers involved in single-and two-vehicle crashes on highways in ontario[J].Accident Analysis & Prevention,2014,71:286-295.

[12]WOOD J S,DONNELL E T,FARISS C J.A method to account for and estimate underreporting in crash frequency research[J].Accident Analysis & Prevention,2016,95:57-66.

[13]LIU J,KHATTAK A J,RICHARDS S H,et al.What are the differences in driver injury outcomes at highway-rail grade crossings? Untangling the role of pre-crash behaviors[J].Accident Analysis & Prevention,2015,85:157-169.

[14]HAQVERDI M Q,SEYEDABRISHAMI S,GROEGER J A.Identifying psychological and socio-economic factors affecting motorcycle helmet use[J].Accident Analysis & Prevention,2015,85:102-110.

[15]STIPANCIC J,ZANGENEHPOUR S,MIRANDA-MORENO L,et al.Investigating the gender differences on bicycle-vehicle conflicts at urban intersections using an ordered logit methodology[J].Accident Analysis & Prevention,2016,97:19-27.

[16]马壮林,张祎祎,杨杨,等.公路隧道交通事故严重程度预测模型研究[J].中国安全科学学报,2015,25(5):75-79.

MA Zhuanglin,ZHANG Yiyi,YANG Yang,et al.Research on models for predicting severity of traffic accident in highway tunnel[J].China Safety Science Journal,2015,25(5):75-79.

[17]WILLIAMS R.Generalized ordered logit/partial proportional odds models for ordinal dependent variables[J].Stata Journal,2006,6(1):58.

[18]章国鹏.信号交叉口左弯待转区的安全研究[D].成都:西南交通大学,2015.

[19]尹朋.交通事故车辆碰撞速度分析及计算软件开发[D].淄博:山东理工大学,2010.

[20]HARBLUK J L,NOY Y I,TRBOVICH P L,et al.An on-road assessment of cognitive distraction:Impacts on drivers’ visual behavior and braking performance[J].Accident Analysis & Prevention,2007,39(2):372-379.

[21]张丙干.高速公路机动车超速监测系统设计与实现[D].成都:电子科技大学,2012.

[22]蒋贤才,黄科,汪贝,等.电子执法环境下交通违法行为影响因素分析[J].哈尔滨工业大学学报,2013,45(8):84-89.

JIANG Xiancai,HUANG Ke,WANG Bei,et al.Analysis of affecting factors on traffic violation under the environment of electronic enforcement[J].Journal of Harbin Institute of Technology,2013,45(8):84-89.