电动自行车交通事故严重程度影响因素分析——以杭州市为例

徐 程， 管满泉

(1.浙江警察学院交通管理工程系， 浙江杭州 310053；2.浙江大学建筑工程学院， 浙江杭州 310058)

0 引言

随着社会经济的快速发展，城市规模不断扩大，城市居民通勤出行半径也在不断扩大。杭州市城市居民平均出行距离已经由2010年的4.4公里提升到2015年的5.6公里。居民出行距离的显著增长导致传统的人力自行车失去了吸引力，无法满足日趋增加的出行需求。电动自行车由于其成本低廉、骑行便捷、操作灵活等特点，已成为我国许多城市重要的出行方式之一。一方面，电动自行车有效缓解了我国城市公共交通服务水平严重不足所带来的出行需求问题，进一步提升了城市居民特别是中低收入出行者的出行效率。另一方面，电动自行车闯红灯、超速等交通违法行为突出，已经成为城市交通管理的难点，涉及电动自行车交通事故也呈现逐年增长趋势。杭州市在2016年共发生与电动自行车相关的一般交通事故1 250起，其中造成176人死亡、1 439人受伤，涉及电动自行车的道路交通事故死亡人数占交通事故死亡总人数的30%[1]。因此，详细分析涉及电动自行车道路交通事故的基本规律与特征、深入挖掘电动自行车交通事故的时空特性、定量构建电动自行车交通事故的影响因素模型，为电动自行车交通管理与安全防范提供有力的数据依据，具有重要的理论价值与实践意义。

近年来，公共自行车[2]、共享单车[3]和电动自行车[4]已经成为我国城市非机动车发展的重要方向之一。国内外开展了对电动自行车安全风险与事故的研究工作。王曼丽等[5]通过对电动自行车驾驶员特性、交通流运行特性以及道路交通条件的分析，采用交通冲突分析方法构建了电动自行车交通事故成因模型。王小凤等[6]采用电动自行车交通流特征参数，分析了路段及交叉口电动自行车与普通自行车的冲突行为，并采用灰色系统进行了交通安全的评价。程波等[7]通过对电动自行车实际交通冲突数据的分析，研究了电动自行车一般和严重冲突的判断方法与临界值，构建了基于电动自行车交叉口综合交通冲突率的安全评估模型。石臣鹏等[8]通过实测数据分析了电动自行车的力学安全性，提出了现有电动自行车交通管理法规的缺陷及改进措施。WEBER等[9]采用瑞士两年的电动自行车事故案例，研究了电动自行车骑行人的年龄分布、头盔使用情况、事故伤害程度以及事故类型这4种单因素及多因素之间的相关性。LANGFORD等[10]通过分析混合运行情况下电动自行车和普通自行车的GPS轨迹，建立了混合自行车运行的安全行为分析方法，结果表明电动自行车与普通自行车都普遍存在违反交通信号及不按车道行驶的违法行为。HAUSTEIN等[11]通过丹麦电动自行车骑行人的问卷调查数据得出，电动自行车骑行人的个人性格特征和骑行行为是导致重大交通事故的关键因素之一。ZHANG和WU[12]研究了遮阳篷对于电动自行车闯红灯的影响。XU等[13]提出了电动自行车交通风险的评价指标及其影响因素。HU以及KIM[14-15]等研究了涉及电动自行车交通事故的伤害严重程度。朱文婷等[16]研究了电动自行车交通风险与车载、车速的关系模型。

上述研究成果丰富和发展了电动自行车道路交通安全事故的分析理论与方法，但由于国内外驾驶环境差异性较大，国外也缺乏大量的电动自行车运行与违法行为数据，使得相关结论并不适用于我国的道路交通条件。因此，本文以杭州市萧山区新塘街道辖区内2015年6月1日至2016年5月31日发生的涉及电动自行车的道路交通事故数据库为基础，分析了涉及电动自行车交通事故基本统计特性及其时空分布特征，在此基础上，采用广义线性回归模型构建了电动自行车交通事故严重程度的影响模型，通过实际数据分析结果提出了电动自行车交通管理对策，为开展电动自行车交通安全管理与交通事故预防提供了实证依据。

1 电动自行车交通事故统计分析

1.1 事故数据来源

我国道路交通事故一般分为简易程序处理事故(简称建议事故)和一般程序处理事故(简称一般事故)。简易程序处理事故是指案情简单、仅造成车物损失或人员受轻微伤的轻微、一般事故，当事人对事故事实及责任认定无争议的交通事故。由于大量的涉及电动自行车交通事故都采用简易程序处理，如果仅分析一般程序处理事故，往往会缺失很多电动自行车交通事故的特性。因此，文本采用新塘街道辖区内2015年6月1日零点至2016年5月31日24点的简易事故和一般事故数据构建基础数据库。其中，简易事故共1 091起，一般事故共21起。数据统计分析的一年内，新塘交通警察中队涉及电动自行车道路交通事故的接警总数超过4 400起，占总接警量的26.3%，说明涉及电动自行车的交通违法与肇事一直处于高发态势。

电动自行车道路交通事故数据库中主要包括事故基本情况(发生时间、地点、天气等)、电动自行车骑行车特性(性别、年龄、身份特性等)、肇事原因(事故责任、事故类型等)以及事故严重程度(人员伤亡、财产损失等)这四类数据。通过上述类别数据的相关性分析与回归建模，可以深度地分析电动自行车交通事故的影响因素与关键变量，为加强电动自行车管理、提升电动自行车运行安全水平提高有效依据。

1.2 事故时空分布特征

电动自行车交通事故分析区域新塘街道辖区总面积约为35平方公里，总人口20余万，其中外来务工人员占据约70%。由于辖区地处杭州市萧山区的城乡接合地带，产业偏重产品加工等，大量外来人口导致辖区内电动自行车保有量和使用量规模巨大，高峰期通勤出行需求量大，电动自行车与其他车辆的交通冲突严重，交通安全形势较为严峻。

电动自行车道路交通事故在发生时间和月份上呈现出时间不均衡现象。图1和图2分别给出了不同月份及时间下，涉及电动自行车的道路交通事故分布图。在月份分布中，由于1～2月份春节的影响明显下降以及3月份民工回潮明显上升外，其他月份的交通事故数量基本稳定，这主要是跟流动人口春节返乡以及集中回杭务工存在密切的关系。在时间段分布中，电动自行车交通事故分布与交通流量的时变特性曲线基本一致，呈现较为明显的马鞍型，表明交通事故数量与出行需求有很大的相关性。

图1 电动自行车道路交通事故月度比例

图2 电动自行车道路交通事故量时变特性

从空间上看，图3为以新塘中队辖区范围一年内所有涉及电动自行车交通事故数据为基础所绘制的事故热力图。从图中可以看出，涉及电动自行车交通事故多集中发生在辖区中心主干道路，其中3条主干道塘湄线、萧明线以及南秀路发生事故数分别占到了总事故数量的15.16%、12.25%以及11.24%，交通事故发生呈现较为明显的聚集效应。

通过对路段和交叉口的交通事故数对比，交叉口交通事故数量明显高于路段，辖区内有5个交叉口年发生交通事故次数超过20起。由于辖区内交叉口信号设置率不高，部分无信号交叉口车辆行驶规则不明确，机非冲突、非机动车之间的冲突明显，同时部分电动自行车在交叉口违反交通信号、超速以及不礼让行人或其他方向车辆等违法行为也特别突出，导致交叉口成为涉及电动自行车交通事故的多发地带。

图3 新塘街道辖区内电动自行车交通事故热力图

1.3 事故统计特性

电动自行车骑行人特性、交通事故类型以及交通违法行为是造成电动自行车交通事故的重要因素之一，本部分主要从这3方面分析交通事故的统计特性。在骑行人特性方面，年龄与性别是影响交通事故成因的重要因素。从数据中可以看出，40～50岁年龄段的骑行人事故比例最高，这应该与这一群体出行者的数量密切相关。同时，60～80岁年龄段骑行人由于反应时间、认知能力、操作能力等都呈现下降趋势，事故伤亡比例较大；同时，骑行人性别因素也在简易事故和一般事故中存在很大的差异，简易事故中男性和女性骑行人肇事的比例差别不大，而在一般事故中，男性肇事人约占85.7%，显著大于女性肇事人。造成这一差异的主要因素可能是男性骑行人具有更强的冒险心理，其严重违法行为比例更高，因而造成更大的伤亡程度。在事故类型方面，图4给出了不同交通方式之间的事故类型比例，其中机动车与电动自行车事故以及电动自行车之间的事故分别占到了79.8%和17.4%，占据了绝对的主要类型。这两类事故也是造成电动自行车骑行人伤亡的主要原因。在交通违法行为方面，图5给出了电动自行车骑行人是交通肇事主要责任方的事故比例。

从中可以看出，逆向行驶、违法载人和未在非机动车道内行驶是交通事故肇事的前3项主要因素。

图4 电动自行车交通事故类型比例图

2 电动自行车交通事故严重程度影响分析

交通事故伤害的严重程度是衡量事故严重性的主要指标之一。因此，对事故严重程度进行深入分析有利于找出造成事故伤害的主要因素，为进一步降低道路交通事故伤害、提升道路交通安全性提供数据支撑。为了进一步定量分析涉及电动自行车道路交通事故的影响因素及其严重程度，将统计得到的骑行人性别、年龄、事故发生时间、发生月份、天气、道路形式、事故类型以及违法行为分别进行分类，如表1所示。

从中可以看出，电动自行车交通事故中电动自行车与机动车事故发生率占到了将近80%，其中机动车违法行为的事故占到了总事故的51.3%，说明机动车违法行为仍然是造成电动自行车交通事故的主要因素。为了进一步分析电动自行车交通事故损伤程度的影响因素，本文将电动自行车交通事故分为轻度损伤和重度损伤两类，采用多因素logistic模型进行影响因素的建模，公式如下：

图5 简易程序处理事故中电动自行车驾驶员违法行为

事故变量类型描述离散化取值事故数量(比例)性别男1674 (60.6%)女2438 (39.4%)青年(0～40岁)1477 (42.9%)年龄中年(40～60岁)2516 (46.4%)老年(60岁及以上)3119 (10.7%)0～6点132 (2.9%)6～10点2334 (30.0%)发生时间10～16点3342 (30.8%)16～20点4308 (27.7%)20～24点596 (8.6%)1～2月1154 (13.8%)3～4月2206 (18.5%)发生月份5～6月3178 (16.0%)7～8月4171 (15.4%)9～10月5192 (17.3%)11～12月6211 (19.0%)晴天1515 (46.3%)天气阴天2365 (32.8%)雨雪天3232 (20.9%)道路形式交叉口1474 (42.6%)路段2638 (57.4%)机动车违法1571 (51.3%)非机动车逆向行驶2126 (11.3%)驾驶电动自行车违反规定载人395 (8.5%)违法行为非机动车未在非机动车道内行驶466 (5.9%)非机动车不靠车行道右侧行驶561 (5.5%)转弯非机动车不让直行的车辆646 (4.1%)非机动车违反交通信号规定通行745 (4.1%)其他非机动车违法行为8102 (9.3%)

续表1

(1)

式中，p为电动自行车交通事故造成轻度损伤的概率，x1至x8分别为骑行人性别、年龄、事故发生时间、发生月份、天气、道路形式、事故类型以及违法行为自变量，其中年龄和事故发生时间为连续变量，其他都为离散变量，β0至β8为待标定参数。

由于各个观测样本之间相互独立，那么它们的联合分布为各边缘分布的乘积，这样子就得到似然函数为：

(2)

使得似然函数取得最大值的参数估计值就是logistic模型的参数。对L(β)取对数得到：

(3)

继续对这n+1个βi分别求偏导数，得到个n+1方程，如下：

(4)

利用梯度上升算法或者牛顿迭代算法就可以得到方程组的解。上述方程组的解即是logistic回归模型的估计参数。表2给出了logistic模型回归的结果。从p值结果可以看出，系数β2，β7和β8存在显著性，即骑行人年龄、事故违法行为以及事故种类与电动自行车交通事故的损伤程度呈现显著性，而其中违法行为和事故种类更加影响事故的损伤程度。而其他因素诸如时间、月份、天气和路段等，并不会显著影响事故的损伤程度。

表2 logistic模型回归分析参数结果

根据上述影响因素的分析可以看出，针对杭州市电动自行车交通事故所呈现出的发展趋势，需要在如下几个方面进行电动自行车的交通管理对策改进：(1)实施电动自行车强制保险制度；(2)加大电动自行车违法行为的查处及处罚力度；(3)深入开展电动自行车的交通安全宣传教育；(4)建立健全交通事故预防机制。

3 结语

电动自行车一直是我国城市道路交通安全的重要隐患之一，本文通过对电动自行车交通事故的统计分析，在此基础上分析了8种电动自行车交通事故的影响因素，构建了Logistic回归模型分析影响因素与事故损伤程度之间的定量关系模型，揭示了影响电动自行车事故损伤严重程度的主要因素，为电动自行车交通安全管理、交通事故预防奠定了数据支撑。