基于违规行为的公交驾驶员事故风险因素研究

任 杰 李晓虎 景云超 朱 彤

(长安大学汽车学院 西安 710064)

0 引 言

交通运输部统计全国客运量数据显示，2018年，我国城市公共气电车运输量高达697亿人·次，占总运输量的55.2%.不可避免的，道路交通事故的数量也随之增加.研究表明：公共汽车事故造成的伤亡和损失要比乘用车事故更严重，且职业驾驶员发生事故的风险也要比非职业驾驶员更高[1-3]，由公共汽车导致的交通事故严重影响着道路交通安全.据统计，90%的交通事故是人为因素所致，其中超过80%的交通事故是由驾驶员的不安全行为造成[4-5].

目前针对公共交通运输安全的研究，国内外学者关注的重点多集中在违规驾驶行为和事故风险这两方面.周晓霞[6]通过构建危险驾驶行为影响因素模型，研究了城市交通危险驾驶行为及其影响因素.陈文强等[7]通过构建危险驾驶行为量表、风险感知量表和驾驶能力自信量表和人格特性量表研究了影响危险驾驶行为的因素.王晓勇等[8]基于生存分析模型，采用非参数分析方法和Cox回归分析方法，研究了不同群体公交驾驶员违规时间间隔的差异以及影响驾驶员违规时间间隔的因素.Yoh等[9]通过分析日本的交通违规和交通事故数据来识别外国驾驶员的特征，结果表明优先级、速度和对规则的理解会影响交通违规.郑东鹏等[10]利用修正后的DBQ问卷研究了中国驾驶员风险驾驶行为产生的原因及其影响因素.Zhang等[11]对广东省5年内的交通事故数据进行分析，研究了影响交通违规和事故严重性的因素，结果表明交通违法行为是影响道路交通安全的主要因素之一.Luca等[12]使用人格-态度模型来评估人格特征是否通过公交驾驶员对交通安全的态度直接或间接地预测了自我报告的异常驾驶行为，结果表明个人特质直接或间接与异常驾驶行为相关.Hamidreza等[13]通过调查问卷的方法研究了企业安全文化和不安全驾驶行为及公交车驾驶员事故之间的关系，结果表明企业安全文化和驾驶员不安全行为与事故之间存在显著的负相关关系.Chen等[14]使用支持向量机模型研究了影响翻车事故的因素及驾驶员受伤严重程度的因素.Taubman等[15]通过调查问卷的方式研究了驾驶风格与五大个性因素以及感知到的驾驶成本和收益之间的关联，结果表明：每种驾驶方式都与一组独特的社会人口统计学、个性和动机因素相关联.

综上，国内外学者的研究多集中于违规驾驶行为和事故本身，研究了影响违规行为和事故的因素，却忽略了驾驶员的违规行为和事故之间的关系，尤其是职业公交驾驶员，极少数相关的研究也是通过问卷的形式，结论没有得到真实数据的验证.基于此，本文拟利用Logistic回归的方法探究公交驾驶员违规行为和事故风险之间的关联性，希望从交通违规行为的角度出发，制定对应的措施以减少事故的发生，提高道路交通安全.

1 数据和方法

1.1 数据

数据来源于西安市某公交公司2018年全年的444位公交驾驶员交通违规和事故数据.涉及违规和交通事故共计1 841起，其中违规1 453次，交通事故388次.剔除信息存在缺失的驾驶员的相关数据，最终用于分析的数据包含439位驾驶员，1 480起违规及392起交通事故，共计1 872次.每个公交车驾驶员的数据均包含人口统计学信息，各类违规行为信息和事故信息.

为了确定与交通违规和事故发生相关的风险因素，将因变量设置为：①是否发生过无责轻微事故，“1”代表是，“0”代表否；②是否发生过有责轻微事故，“1”代表是，“0”代表否；③是否发生过伤亡事故，“1”代表是，“0”代表否.由于因变量为0/1变量且多个驾驶员存在同时发生不同程度事故的情况，所以选用二元Logistic回归来评估各项风险因素对驾驶员是否发生过事故的影响.

1.2 风险因素

1.2.1驾驶员个人信息

为了方便描述性统计及后续的回归分析，根据不同公交车驾驶员不同年龄段的典型驾驶习惯和驾驶技能水平，本项研究将驾驶员年龄分为5个组：≤25、26～35、36～45、46～55和≥56岁；驾龄分为6个组：≤2、3～5、6～10、11～15、16～20和≥21年.图1为根据驾驶员个人特性分类的事故严重程度的描述性统计结果(本项研究中出现的驾龄均指驾驶员驾驶公交时长).

图1 驾驶员个人特性及各类事故次数统计图

1.2.2驾驶员违规信息

在考虑各项违规的属性并参考文献[16]，将驾驶员违规类型分为安全类投诉、电子违法、服务类投诉、违规操作类、违规行车类、违规其他类、违规使用设备类、违规停车类、违规站点类.图2为各项违规类型次数的统计结果.因为电子违法(1次)和违规停车类(12次)次数过少，所以剔除这两项.

图2 各类违规次数统计图

1.3 统计数据分析

由于本项研究涉及到的自变量较多且各自变量之间可能存在相互影响，所以在进行Logistic回归之前首先对各自变量之间有无关联性进行了共线性诊断.共线性诊断的结果结果显示，各变量的方差膨胀因子(variance inflation factor，VIF)均小于10，故认为各自变量之间不存在共线性.

为了估计不同的预测变量对不同严重程度事故发生的可能性的影响，使用二元逐步Logistic回归来确定相关的影响因素，筛选变量的方法是后退：LR法，即在该Logistic回归模型中首先计算所有影响因素，随后逐步将不重要的因素去除.使用逐步Logistic回归模型来计算重要影响因素的比值比(odds ratio，OR)及它们在95%置信区间下的显著性P值(P-value).

2 事故风险因素分析

由于涉及到的自变量较多且样本量有限，先通过单变量分析考察所有自变量与因变量之间的关系，筛掉一些可能无意义的变量再进行多因素分析，以确保Logistic回归的结果尽可能可靠.本项研究涉及到的自变量主要包括驾驶人个人特性及违规信息，驾驶人个特性都为分类型变量，使用卡方检验的方法检验驾驶人个人特性与因变量之间的关系；驾驶人违规信息都为连续型变量且事故组和对照组样本量不一致，所以选用独立样本T检验(方差齐)和秩和检验(方差非齐)的方法检验驾驶人违规和因变量之间的关系.表1～2分别为卡方检验及T检验/秩和检验的结果.

表1 公交驾驶员个人特性及事故影响因素卡方检验

表2 公交驾驶员违规及事故影响因素T/秩和检验

2.1 无责轻微事故影响因素

由表1～2可知：无责轻微事故影响因素单因素分析的结果初步展示了各影响因素与无责轻微事故之间的关系.驾驶人个人特性中，驾龄为最重要的影响因素(p<0.001)；驾驶员违规信息中，违规总次数及违规行车类次数为最重要的影响因素.为了避免在Logistic回归中漏掉一些重要的影响因素，将单因素分析中显著性小于0.3的因素全部纳入Logistic回归模型.在本项研究中，纳入以下自变量：性别、年龄、驾龄、违规总次数、安全类投诉次数和违规行车类次数.一般认为学历也是事故风险的可能影响因素，因此将学历也纳入Logistic回归模型中.

表3 无责轻微事故影响因素的Logistic回归分析

Logistic回归的结果表明，模型纳入的七个自变量中驾龄和违规行车类次数这两个变量有统计学意义.驾龄变量的第一行没有OR值，p=0.015<0.05，说明该变量总体检验的差异有统计学意义，设置中以“≤2年”作为参照组，3～5、6～10、11～15年这三组显著性均小于0.05，说明该三组相对于参照组的OR值均具有统计学意义.其中，驾龄3～5年组、6～10年组和11～15年组相对于≤2年组，发生无责轻微事故的风险分别减少了60.2%、67.4%和82.6%(OR=0.398、0.326、0.144，95%CI：0.171～0.923、0.135～0.790、0.049～0.426).关于违规行车类次数，违规行车类次数每增加1次，公交驾驶员参与无责轻微事故的风险增加17.4%(OR=1.174，95%CI：0.998～1.397).

2.2 有责轻微事故影响因素

有责轻微事故影响因素单因素分析的结果显示，驾龄和违规其他类次数分别为驾驶人个人特性和驾驶人违规信息中最重要的影响因素.为了避免在Logistic回归模型中漏掉一些重要的影响因素，将单因素分析中显著性小于0.3的因素全部纳入回归模型.本项研究中，纳入以下自变量：性别、年龄、驾龄、学历、违规总次数、服务类投诉次数、违规操作类次数、违规其他类次数和违规站点类次数.

表4 有责轻微事故影响因素的Logistic回归分析

结果表明：驾龄组中≤2、3～5、6～10、11～15年该四组p值均小于0.05，具有统计学意义.具体表现为，3～5、6～10和11～15年这三组相对于驾龄小于等于2年组参与有责轻微事故的风险分别降低了81.1%、81.1%和87.9%(OR=0.189、0.189、0.121，95%CI：0.068～0.521、0.065～0.549、0.032～0.464).年龄组中，≤25岁、26～35岁、36～45岁和≥56岁这四组p值均小于0.05，具有统计学意义.具体表现为，26～35和36～45岁这两组相对于年龄小于等于25岁组发生有责轻微事故的风险分别降低了37.0%和52.3%(OR=0.630、0.477，95%CI：0.378-0.934、0.132-0.829)；大于等于56岁组相对于小于等于25岁组发生有责轻微事故的风险提升了12.3倍(OR=13.333，95%CI：0.446～299.04)，这表明老龄驾驶员的事故风险概率显著提升.

驾驶员违规数据方面，违规总次数和违规操作总次数这两项变量的p值均小于0.05，具有统计学意义.违规总次数每增加一次，公交驾驶员发生有责轻微事故风险的概率就会提高6.8%(OR=1.068，95%CI：0.836～1.365)；违规操作类次数每增加一次，公交驾驶员发生有责轻微事故风险的概率就会提高25.5%(OR=1.255，95%CI：0.719-1.819).

2.3 伤亡事故影响因素

伤亡事故影响因素单因素分析结果表明，学历和违规其他类次数分别为驾驶员个人特性和驾驶员违规信息中最重要的变量.为了避免在Logistic回归模型中漏掉一些重要的影响因素，将单因素分析中显著性小于0.3的因素全部纳入回归模型.本项研究中，纳入以下自变量：年龄、驾龄、违规总次数、违规其他类次数和违规站点类次数.一般认为性别和学历也是事故发生的可能影响因素，因此将性别和学历也纳入Logistic回归模型中.

表5 伤亡事故影响因素的Logistic回归分析

伤亡事故Logistic回归的结果表明，驾龄在6～10年的驾驶员相对于驾龄小于等于两年的驾驶员发生伤亡事故的风险概率降低了91.3%(OR=0.087，95%CI：0.018～0.429)；驾驶员违规次数每增加一次，发生伤亡事故的风险概率就会增加41.4%(OR=1.414，95%CI：1.115～1.793).

3 结 论

1)驾驶人个人特性方面，性别和受教育程度在公交驾驶员不同事故风险上没有表现出明显差异，而以往有文献研究表明，男性驾驶员的事故严重性程度往往更高；同样，受教育程度也被认为是与交通安全有关联的因素.在本项研究中，一种可能的解释是，对职业公交驾驶员而言，性别和受教育程度这些因素的影响可能体现在驾驶员的驾驶经验和技能方面.不同驾龄公交驾驶员在事故风险上表现出的差异性也印证了这一点，无论是无责轻微事故、有责轻微事故或伤亡事故，不同驾龄的公交驾驶员均表现出显著差异且呈现出类似的趋势：驾龄短的驾驶员参与事故的风险更高，而随着驾龄的增加，公交驾驶员的驾驶经验和技能提升，参与事故的风险明显变得更小.值得一提的是，驾龄在两年以上各组的驾驶员在事故风险方面并没有表现出显著差异，这表明随着驾驶员驾驶经验的丰富和驾驶技能的提升，规避风险的能力逐渐趋向于平稳.年龄对公交驾驶员事故风险的影响结果与驾龄类似，不同的是在本项研究中年龄只对有责轻微事故有显著影响：年轻的驾驶员发生有责轻微事故的风险更高，而年长的驾驶员发生事故的风险明显低于年轻的驾驶员.此外，老龄的驾驶员发生事故的风险又显著提升相对于年轻的驾驶员来说.

2)驾驶人违规数据方面，公交驾驶员违规总次数对有责轻微事故和伤亡事故均有显著的影响：违规的总次数越多，公交驾驶员发生有责轻微事故和伤亡事故的风险也就越高.同时，违规操作类次数也对公交驾驶员参与有责轻微事故有显著的影响且影响程度要大于违规总次数的影响，常见的违规操作有打瞌睡、分心驾驶、单臂操作、闲谈和未佩戴安全带等，可以看出，违规操作往往是因为公交驾驶员的态度导致的.因此，也可以认为，公交驾驶员的态度与有责事故风险有一定的关系.此外，违规行车类次数对公交驾驶员无责轻微事故风险有着显著影响：违规行车类次数越多，驾驶员发生无责轻微事故的风险也越高.常见的违规行车有超速、闯红灯、逆行、未按道行驶和未礼让斑马线等，不同于违规操作的是违规行车的原因更表现为驾驶员驾驶习惯比较差.因此，也可以认为，驾驶习惯更差的公交驾驶员发生无责轻微事故的风险越高，即更容易被动地卷入交通事故中.