路段摩托车单车事故伤害严重程度原因分析
2019-03-04温惠英汤左淦
温惠英, 汤左淦
(华南理工大学 土木与交通学院,广东 广州 510641)
0 引 言
交通事故不仅造成财产损失、受伤以及死亡的严重后果,并且处理这些交通事故需要花费数十亿美元。据世界卫生组织2016公布的数据显示,全球至少有125万人死于道路交通事故,道路交通事故已成为全球第九大死亡原因,而涉及摩托车的死亡事故占了总死亡事故的23.0%,摩托车事故已经成为道路安全的重大威胁[1]。此外,在涉及摩托车交通事故中有一半是单车碰撞事故[2],故研究摩托车单车碰撞事故的成因以及事故伤害程度迫在眉睫。
国内外学者对事故的研究主要集中在交叉口事故或总事故,很少有专门针对路段事故的研究。据全球的事故数据显示,发生在路段的事故不仅占的比重很大,而且在路段区域造成的伤亡也很惨重,其中美国发生在路段的事故占总事故的60%,加拿大与新加坡为70%;荷兰有56%(2005—2007年)的伤亡者是由路段事故造成的[3]。由于路段区域与交叉口区域的交通组织、几何设计、速度(路段的速度普遍高于交叉口区域)等的差异性,导致事故的成因也有差异,D. N. MOORE等[4]发现交叉口区域与路段区域的事故严重程度的影响因素存在差异,因此专门针对发生在路段的事故研究就尤为必要。为了更加深入的研究路段摩托车单车事故伤害严重程度的影响因素,笔者使用美国印第安纳州交通事故数据,为后期国内摩托车事故分析的进一步分析提供借鉴。
国内学者在摩托车事故研究方面取得了一些进展,CHANG F等[5]利用湖南省的摩托车事故数据研究影响摩托车驾驶员的伤害严重程度的因素,研究发现驾驶员年龄超过60岁、未带头盔以及在夜间无灯光的条件下与重型车辆碰撞均增加了摩托车驾驶员重伤及死亡的概率;LIN M R等[6]以台北1889起摩托车事故数据建立了偏比例优势模型,研究表明事发地在乡村路段、与重物碰撞、雅马哈车型、夜间以及高速行驶均增加了年轻驾驶员的伤害程度。CHENG A S等[7]为了研究摩托车驾驶员危险驾驶行为与可感知的事故成因之间的关系,以774位摩托车驾驶员的实验行为数据建立多元logistic回归模型,发现随着风险知觉的增加,驾驶员采取危险的驾驶行为的可能性降低;LI L等[8]利用基于汕头市的摩托车事故数据,建立了摩托车驾驶员严重伤害的多因素logistic回归模型,发现驾驶员性别为男性、道路缺失防护栏、早上及夜间、非城区、碰撞物为自行车、无交通管制、低可见度情况下均增加了摩托车驾驶员重伤的可能性。
国内没有学者专门研究摩托车单车事故,而国外学者在摩托车单车碰撞事故影响因素分析以及伤害程度估计方面的研究已经取得了很多进展。V. SHANKAR等[9]以华盛顿州5年的摩托车单车碰撞事故数据建立多项式logit模型,分析环境因素、道路条件、车辆属性以及驾驶员特征对事故严重程度的影响,发现多项式logit模型是研究摩托车事故严重程度的一种有效方法;WANG Z等[10]以佛罗里达州摩托车单车碰撞事故为基础,分别建立了有序logit回归、异构选择模型以及广义有序选择回归模型分析水平曲线对事故伤害严重程度的影响,研究发现曲线半径每增大300 m,死亡事故、重伤事故分别减少0.2%与0.15%;M. S. SHAHEED等[2]利用潜类别多项式logit模型对摩托车单车事故严重程度的异质性进行了分析,模型的结果表明超速、摩托车冲出道路、与固定物发生碰撞、翻车、乡村地区、道路表面环境、头盔、年龄、酒驾以及吸毒与事故严重程度显著相关;S. NUNN[11]利用印第安纳州的摩托车事故数据分析死亡事故的影响因素,构建了logistic回归模型,发现摩托车行驶速度,树、灯柱以及桥护栏碰撞物与死亡事故显著相关;WANG Chen等[12]利用美国交通部GES数据库的10年摩托车单车碰撞事故建立了部分比例优势模型,主要分析驾驶员采取避免事故发生动作(刹车、掌舵等)与事故伤害严重程度之间的关系,发现不采取任何措施的往往为严重的事故。
除了上述涉及的研究方法外,还有其它大量的计量经济模型用来识别事故影响因素及分析事故伤害程度,包括巢式logit模型[13-14]、随机参数的logit模型[15-17]、异方差logit模型[15-18]以及probit模型[19-22]。其中有序logit回归、多项式logit模型以及巢式logit模型是3种最常用的事故严重程度分析模型。有序logit模型基于因变量是有序的,限制了解释变量的影响[23],导致增加严重事故与不严重事故的概率增加(或相反),故有序logit模型可能不适于分析事故伤害的严重程度。多项式logit模型没有有序logit模型的限制,但是它有无关方案独立性(IIA)假设的内在缺陷,而巢式logit模型是针对多项式logit模型的改进模型,克服了由于IIA特性带来的估计不准问题。
综合以上分析,对摩托车单车碰撞事故严重程度的分析方面取得了一些成果,但是在现有研究中,并没有专门针对发生在路段的摩托车单车碰撞事故的研究。因此,笔者在前人的研究基础上,以路段摩托车单车事故为研究对象,构建了巢式logit模型,分析驾驶员特征、车辆属性、道路条件、环境因素及事故特征对事故伤害严重程度的影响,为降低交通事故严重程度提供依据。
1 数据描述
基于美国印第安纳州交通事故数据库,提取了2013—2015年的摩托车单车碰撞事故(事故仅涉及1辆摩托车)共2 485起,其中发生路段(即不在交叉口或不在交叉口影响区域)的事故有1 785起,剔除事故记录不全及不合理的数据(比如摩托车驾驶员年龄小于15岁、驾驶员性别未知等),最终选取1 526起发生在路段的摩托车单车碰撞事故为研究对象。
美国印第安纳州的交通事故数据库将摩托车单车碰撞事故伤害严重程度分为死亡(fatality)、失能性伤害(incapacitating injury)、非失能性伤害(non-incapacitating injury)、可能受伤(possible injury)、未受伤(no-injury)5类。事故伤害严重程度是交警根据现场事故情况划分的,由于交警个体的差异性,在证据不充分的情况下并不能区分未受伤与可能伤害这两类伤害,故文中将可能受伤与未受伤这两类伤害合并为仅财产损失(property damage only)。文中以此4类事故伤害严重程度为因变量,死亡、失能性伤害、非失能性伤害以及仅财产损失的频数分别为62、244、941以及279。
根据事故记录,从人、车、路、环境以及事故特征5方面选取了21个自变量。其中,人的方面包括驾驶员性别、年龄、是否使用头盔、是否酒驾与是否被甩离摩托车;车的方面包括是否超速、是否冲出道路、载人和车龄;路的方面包括道路表面是否潮湿、道路线形与限速;环境方面包括月份、光线条件以及事故是否发生农村地区;事故特征为摩托车碰撞物,包括电线杆、路缘、涵洞、护栏以及树,详细的变量描述及统计如表1。
表1 变量描述及频数统计Table 1 Variables description and frequency statistics
注:除驾驶员年龄外,其它变量均为0,1变量,1代表是,0代表否
2 巢式logit模型的构建
文中路段摩托车单车碰撞事故共有4种,分别为死亡事故、失能性伤害事故、非失能性伤害事故以及仅财产损失事故。根据前人的研究发现,在低事故严重程度中有不可观测的效应,即低严重程度的误差项相关[13-14, 23]。故将非失能性伤害事故与仅财产损失事故归为同一选择巢内,即非严重事故,对于4种事故伤害严重程度的巢式结构如图1。
基于随机效应与效应最大化的理论假设,效应函数如式(1):
(1)
其中,Uij是第i起事故的严重程度为j的效应,xi是自变量的集合,比如驾驶员的性别、年龄、路面潮湿、事故发生在乡村地区等,βj为第j个类别的自变量回归系数,εij为观测到的扰动项。第i起事故的严重程度为j的概率为
Pi(j)=P(Uij≥Uim),(m≠j)
(2)
将式(2)代入到式(1)中,得到:
(3)
假设εij服从广义极值分布(GEV)时,对于第i起事故的严重程度为j的概率,巢式logit模型有如下形式:
(4)
(5)
(6)
Pi(j)是第i起事故为上层事故严重程度j的概率,Pi(m|j)是第i起事故为上层事故严重程度j的条件下,又是下层事故严重程度m的概率。J为上层事故严重程度的类别集合,文中为死亡、失能性伤害及非严重伤害;M为下层事故严重程度的类别集合,文中为仅财产损失与非失能性伤害。Lij是第i起事故为上层事故严重程度j的最大效应值,一般称为包容值,表示下层因素对上层的影响。θj为包容值的估计系数,系数必须在0~1之间,对于文中的2层巢式logit而言,如果其估计系数不显著地区别于1,则巢式logit模型退化为标准的多项式logit模型。
图1 巢式logit结构Fig. 1 Nested logit model structure
3 模型的参数估计与结果分析
估计巢式logit模型的参数有全信息最大似然估计法与分阶段估计法两种。分阶段估计法是先将下层模型当作独立的多项式logit模型进行参数估计,根据下层参数的估计结果计算离散数据的值然后将其作为影响上层模型的一个因素,之后对上层模型进行参数估计。全信息最大似然估计法是同时估计巢式logit模型的参数,其估计量具有无偏性、渐进正态以及有效性,而分阶段估计法是近似地估计模型的参数,降低了参数估计的有效性,故文中采用全信息最大似然估计法。
采用全信息最大似然法对模型参数进行估计,取显著性水平为0.1,运用计量经济学软件Nlogit5.0进行求解,得到人、车、路、环境以及事故特征5方面21个自变量与路段摩托车单车碰撞事故伤害严重程度显著相关,其中下层(仅财产损失与非失能性伤害)事故严重程度的参数估计如表2,上层事故严重程度的参数估计如表3。
表2 非严重伤害(下层)事故严重程度的参数估计Table 2 Parameters estimation for the slight or no injury severity(lower nest)
注:空白栏是参照类
表3 上层事故严重程度的参数估计Table 3 Parameters estimation of crash injury severity for the upper nest
注:失能性伤害为参考
表2与表3的参数显示估计的结果是具有可解释性的,并且调整McFadden R2为0.428 6,表示文中的巢式模型有较高的拟合度。此外,非严重伤害的包容值系数为0.316 07,其T-test值为1.82,则可以认为在90%的置信水平上包容值系数不同于0与1,这有理由认为文中构建的巢式logit模型是有效的。
3.1 下层模型的结果分析
基于表2的下层事故严重程度的参数估计结果,女性、使用头盔、酒驾、超速、载人及路面潮湿与事故伤害严重程度显著相关。以下依次对各变量进行分析。
1)女性。相对于仅财产损失事故,摩托车驾驶员的性别为女性时增加了发生非失能性伤害事故的概率。
2)使用头盔。相对于非失能性伤害事故,使用头盔增加了仅财产损失事故的概率,即使用头盔可以保护头部从而有效降低了事故严重程度。
3)酒驾。摩托车驾驶员酒驾增加了发生非能性伤害事故的可能性。因为酒精会导致驾驶员反应迟钝,遇到突发情况不能及时做出回避反应,从而增加了发生非失能性伤害事故的概率。
4)超速。超速行驶倾向于发生非失能性伤害事故。超速行驶影响驾驶员的观察、判断的准确性,降低了摩托车的行驶的稳定性,发生碰撞时,摩托车的冲量大,易发生严重事故。
5)载人。摩托车上载有乘客增加发生了非失能性伤害事故的概率。
6)路面潮湿。路面潮湿的条件下倾向于发生仅财产损失事故,这可能是因为摩托车驾驶者一旦发现路面潮湿,驾驶者会更加谨慎,主动降低车速行驶,故而降低了事故严重程度。
3.2 上层模型的结果分析
1)年龄。相对于失能性伤害事故,随着摩托车驾驶员的年龄增大,发生非严重性事故的概率随之降低,即增加了非失能性伤害事故的概率。这是因为随着驾驶员的年龄越大,驾驶员的注意力及反应能力下降,更容易发生非失能性伤害事故,这与以往的研究结果类似[22]。
2)使用头盔。相对于失能性伤害事故,使用头盔增加了非严重性事故的发生概率,这与以往的研究结果类似[2, 9]。
3)酒驾。相对于失能性伤害事故,酒驾降低了非严重性事故的发生概率,即是增加了发生失能性伤害的可能性。因为酒精会导致驾驶员反应迟钝,遇到突发情况不能及时做出回避反应,从而增加了发生非失能性伤害事故的概率。M. S. SHAHEED等[2]在研究摩托车单车事故时,发现在酒精或者毒品的影响下,发生死亡事故或重伤事故的概率增加了2%。
4)甩出车外。摩托车驾驶员被甩出车外,倾向于发生死亡事故。
5)超速。超速行驶降低了非严重事故的发生概率,同时又增加了死亡事故发生的概率,即超速行驶增加了严重事故的发生概率,这与过去的研究结果一致[2, 9]。
6)冲出道路。摩托车冲出道路增加了死亡事故的发生概率。因为摩托车冲出道路,如果掉到山坡下、河流中,很有可能会导致死亡事故的发生。
7)车龄大于10年。车龄超过10年易发生死亡事故,这是一个非常重要的发现,长时间的车辆使用后,摩托车的各方面性能及稳定性在降低,交通管理部门需要加强车辆年检力度。
8)曲线无坡度。曲线无坡度路段降低了非严重事故发生的概率,即倾向于发生失能性伤害事故。因为在曲线路段降低了摩托车驾驶员的视距以及增加了驾驶难度所致。
9)限速大于80 km/h。路段限速值大于80 km/h易发生失能性伤害事故,速度越高,碰撞时的动能越大,驾驶员所受的冲击越大。M. S. SHAHEED等[2]发现当路段限速超过89 km/h,更容易发生严重性事故。
10)月份。4月份与7月份均易发生死亡事故。这可以解释为4月份是春天,雨雪天气较多,道路表面易滑,摩托车制动能力降低,其次春天容易发困,驾驶员容易注意力不集中,从而不能及时采取有效措施;7月份一般天气炎热,而摩托车又没有遮阳及制冷设备,故驾驶员容易采取冒进行为如超速行驶,尽快逃离炎热的室外,因为易发生死亡事故。
11)夜间。夜间倾向于发生死亡事故,而夜间有灯光的条件下降低了非严重事故的发生概率。因为夜间驾驶员的视距变短,增加了驾驶员的反应时间,无法及时采取正确驾驶行为。S. NUNN[11]发现夜间与死亡事故的发生呈正相关,WANG Z等[10]发现夜间发生死亡事故的概率增加了9.99%,但是也有学者得出了相反的结论,由于夜间驾驶者更加谨慎的驾驶,降低了夜间发生死亡事故的概率[2]。
12)农村地区。农村地区倾向于发生死亡事故,这可能是因为农村地区缺少摄像、雷达测速设备,驾驶员缺少交通管制容易采取不安全驾驶行为。此外,农村地区的道路条件相对较差,道路两旁很少有防护栏,这也是导致死亡事故的原因之一。
13)事故碰撞。摩托车与电线杆碰撞降低了非严重事故的发生概率,同时又增加了死亡事故发生的概率,即与电线杆碰撞增加了严重事故的发生概率。此外,摩托车与防护栏、路缘、树及涵洞碰撞均增加了失能性伤害事故发生的概率,其中摩托车与树碰撞的影响最大,防护栏对失能性伤害事故的影响最小,与以往的研究是一致的[11]。护栏相比于其它碰撞物可以通过自身的弹塑性变形、摩擦、车体变位来吸收车辆碰撞能量,从而达到保护驾驶员和乘客生命安全的目的。
3.3 事故预防对策
3.3.1 加强安全教育
研究表明,正确使用头盔能有效降低事故伤害程度,酒驾与超速增加了严重事故的发生概率,但仍有很多摩托车驾驶员在行驶过程中采取危险驾驶行为。以头盔使用为例,YU X Q等[24]发现中山市有72.6%摩托车驾驶员使用头盔,其中只有37%的驾驶员能够正确佩戴标准头盔,因此重视头盔使用的安全教育宣传政策尤为必要。交通安全教育措施是预防交通事故的有效措施,通过对驾驶员进行教育和宣传,增强驾驶员不戴头盔、酒驾、超速危害的认识,从根本上减少危险驾驶行为的发生。除了驾驶员考试培训教育,可以充分利用电视、网络媒体等来开展安全教育活动,提高交通安全意识,减少交通事故。
3.3.2 完善交通工程设施
研究发现摩托车与树、路缘、涵洞及电线杆碰撞的事故均比与护栏碰撞更为严重,因为护栏相比于其它碰撞物可以通过自身的弹塑性变形、摩擦、车体变位来吸收车辆碰撞能量,从而达到保护驾驶员和乘客生命安全的目的,因此建议在有条件的路段,在道路两侧及中央铺设防护栏。
研究结果表明,曲线路段倾向于发生失能性伤害事故,而弯道路段的安全行驶最有效最简单的方式是减速,为了更好达到控制车速的目的,可以设置限速标志、警示标志、振动标线等配套设施,这些设施的综合使用能够有效提醒或者强制驾驶员在弯道路段行驶中进行减速,对控制速度和安全管理具有很好的作用。
农村地区由于经济水平的制约等原因,缺少摄像、雷达测速设备,导致驾驶员容易采取不安全的驾驶行为,增加了发生死亡事故的概率,建议政府部门加大农村地区的交通工程基础设施建设力度,以保障人民的生命财产安全。
此外,研究发现限速值超过80 km/h的路段易发生失能性伤害事故,降低在非高速路段的限速值能有效降低事故严重程度,故建议将最高限速值设为80 km/h以下。
3.3.3 加强交通管制的力度
通过交警现场检查、雷达及摄像手段加大驾驶员酒驾、超速及不戴头盔的处罚力度,增加驾驶员违法成本,尽量减少驾驶员的不安全驾驶行为,以降低摩托车单车事故严重程度。研究发现夜间易发生严重的事故,可通过交通部门立法,规定夜间无论是否有路灯必须打开车灯行驶,改善夜间驾驶员的视线条件。此外,研究表明车龄超过10年易发生死亡事故,对于使用年限超过10年的摩托车,交通管理部门需要加强车辆年检力度。
4 结 语
以路段摩托车单车碰撞事故为研究对象,从人、车、路、环境以及事故特征5方面选取共21个自变量,构建了事故严重程度的巢式logit模型。利用计量经济学软件Nlogit5.0,采用全信息最大似然法进行参数估计,研究结果表明:在0.1的显著性水平下,驾驶员性别、年龄、是否使用头盔、是否酒驾、是否被甩离摩托车、是否超速、是否冲出道路、载人、车龄、道路表面是否潮湿、道路线形与限速、月份(4月份、7月份)、光线条件、是否发生农村地区、摩托车碰撞物(电线杆、路缘、涵洞、护栏、树)与摩托车单车碰撞事故伤害严重程度显著相关。模型的McFadden R2值及包容值系数检验表明,模型具有很高的拟合优度且有效性较高,表明巢式logit模型是分析摩托车事故严重程度的一种有效模型,可为后期国内摩托车事故的进一步分析提供借鉴。
使用美国印第安纳州交通事故数据,尽管中国具有其独特性,但是从发达国家吸取的教训是很有价值的,因为几乎所有的发达国家都经历了摩托车驾驶员高死亡率的阶段,故美国摩托车事故分析研究结论对减少中国摩托车事故具有一定的参考意义。研究结果可为交通管理者采取合适的策略来降低路段摩托车单车碰撞事故伤害严重程度。
受限于事故数据库获取难度,文中没有考虑其它可能影响路段摩托车单车碰撞事故伤害严重程度的因素,比如驾驶员是否吸毒、摩托车的发动机排量、路段是否分向行驶等因素。此外,文中假设巢式logit模型的效应函数是线性可加的,并没有考虑非线性形式,未来需要考虑上述两点不足之处做进一步的研究。