考虑因素交互作用的车—车事故严重程度分析

2022-02-01张道文王朝健黎华惠

汽车安全与节能学报 2022年4期

张道文，王朝健，蒋骏，黎华惠

（1.西华大学汽车与交通学院，成都 610039，中国；2.汽车测控与安全四川省重点实验室，成都 610039，中国；3.四川省新能源汽车智能控制与仿真测试技术工程研究中心，成都 610039，中国；4.成都工业职业技术学院，成都 610218，中国）

2020 年，中国大陆机动车导致的交通事故数达21.1 万起，造成5.6 万人死亡、21.4 万人受伤和12.28亿元直接财产损失[1]。交通事故可以分为车与人事故、车与二轮车或三轮车事故以及单车事故（即本车事故）、车对车（V2V）事故（以下又称双车事故）、多车事故。V2V 事故严重程度不仅取决于己方驾驶员和车辆的特征，还取决于对方驾驶员和车辆的特征[2]，且V2V 事故的占比高于其他事故类型[3]。因此研究双车事故严重程度的关键因素，以及因素的交互作用对致死事故率的影响，对预防V2V 事故和降低驾乘人员的伤亡具有重要意义。

对V2V 事故的研究主要基于Logit 模型（Logit model）、Probit 模型（Probit model）等线性模型而限制了逻辑相关变量的引入。C.Duncan 等[4]采用有序Probit 模型（ordered Probit model），研究了V2V 事故中乘用车驾驶员损伤严重程度的影响因素。G.A.Torrão 等[5]采用Logit 模型发现了V2V 事故中，对方汽车的发动机排量是重要影响因素。贾雄文[3]利用二项有序Probit 模型（bivariate ordered Probit，BOP），研究了国内V2V 事故受伤严重程度的关键影响因素。随后贾雄文等[6]利用BOP 模型，研究了道路环境因素对V2V 事故严重程度的影响，发现道路等级的提升会降低驾驶员的受伤程度。蒋欣国等[7]利用广义有序Logit模型（generalized ordered Logit），研究了双方驾驶员的危险行为对V2V 事故的影响，发现超速和其他行为同时存在时对事故后果有显著影响。王健宇等[8]基于多项Logistic 回归模型（multinomial Logistic regression，MNL），研究了V2V 事故严重程度的影响因素及机理，探索了在不同严重程度的交通事故中影响因素存在的差异性。一些学者研究V2V 事故时，驾驶员因素一般仅考虑了受伤更严重的一方驾驶员；主要基于单因素分析，没有考虑因素的交互作用，而交通事故是多风险因素对事故伤亡的综合效应。

针对因素交互作用对事故严重程度的研究，有学者利用Shapley 加和解释（Shapley additive explanations，SHAP）结合XGBoost[9]、LightGBM[10]等模型，但这种方法只能分析2 个因素的交互效应对事故后果的影响趋势，不能量化分析[9]。有学者提出利用N-K 模型量化多种因素的交互作用对事故后果的影响[11]，但N-K模型只能解决因素之间的整体交互效应，不能分析因素具体状态值的交互效应。有学者利用故障树[12]、关联规则[16]提取具有强耦合度的规则，但这些方法也不能具体量化规则对事故后果的影响程度。

Bayes 网络（Bayesian networks,BN）模型具有高解释度的优势，已应用于交通安全的研究[14]。它能量化单因素以及多因素的交互作用对事故后果的影响，但多因素分析时，会面临因素组合过多、主观定义的组合耦合度低甚至为不可能事件等问题，而关联规则刚好能弥补这一缺陷。

本文运用Bayes 网建立考虑风险因素交互作用的V2V 事故严重程度模型。定量分析关键影响因素、双因素的交互作用对致死事故率的影响，结合关联规则方法挖掘高频率和强耦合度的规则，探究多因素交互作用下对致死事故率的影响，以期明确V2V 事故的预防重点，从而实施精准的防控策略。

1 方法

1.1 Bayes 网络

Bayes 网络（BN）是一种描述变量间不确定因果关系的网络模型，能很好地捕捉变量之间的潜在影响关系，有结构学习和参数学习2 个部分。当随机变量有n个时，变量之间的关系可以由一个联合概率分布表示：

式中：X1、X2、…、Xn为随机变量；parent(Xi)为随机变量Xi的全部父节点集合。当（parent(Xi)=ø 时，parent[Xi｜parent(Xi)]是边缘分布P(Xi)。

结构学习中，增强朴素Bayes（augmented naive Bayes，ANB）算法克服了传统朴素Bayes 算法中因素局部独立性的限制、应用广泛[15]。完整数据的参数学习通常利用最大似然估计，定义如下：

P(｜θ=θ0)表示参数θ的某个取值θ0与数据的拟合程度，取值越大说明θ0与数据的拟合程度越高。给定θ，数据的条件概率P(｜θ)称为θ的似然度：

令L(｜θ)达到最大值时的取值θ*为参数θ的最大似然估计（maximum likelihood estimation，MLE)：

1.2 关联规则

关联规则算法可以挖掘要素之间的内在联系，用X≥Y表示，X为前项，Y为后项。一般有支持度和置信度2 个衡量指标。

支持度指X和Y的同时出现的概率，用support（X≥Y）表示，置信度指出现后，出现的概率，用confidence（X≥Y）=P(Y｜X)表示。支持度越高表示前项出现的概率越高，置信度越高代表前项发生，后项出现的概率越高[16]。

1.3 验证

常用的验证方法有K折交叉验证、接受者操作特性曲线（receiver operator characteristic，ROC 曲线）和ROC 曲线下的面积（area under curve，AUC）。K折交叉验证将数据集划分为K个大小相等的部分，K-1 部分用于训练，最后K个部分用于测试，这个过程重复K次[15]。留一法（leave one out,LOO）是K折交叉验证的极端情况，它将数据集的n-1 条数据用于训练，最后一条数据用于测试，这个过程重复n次，验证过程没有随机因素的影响，结果稳定[17]。

2 数据处理及模型建立

2.1 数据处理

(中国)国家车辆事故深度调查体系（national automobile accident in-depth investigation system，NAIS）由(中国)国家市场监督管理总局缺陷产品管理中心联合中国8 所高校、多家交通司法鉴定中心共同建立[18]。事故数据覆盖了中国大陆7 个地域，已有学者利用该数据库进行了相关研究并取得了成果[19-21]。

对样本进行以下初步筛选：

1）剔除由于研究对象为V2V 事故，需涉及行人、机动二三轮车、非机动二三轮车、V2V 和多车的事故；

2）剔除与研究无关的字段，同时剔除剩余字段中不完整的数据；

3）由于高速公路为封闭式道路管理，有别与其他道路，因此剔除涉及高速公路的案例[22]；

4）删除剩余事故中的特殊案例，例如静止车辆由于制动失效导致的事故、车辆自燃导致的事故。最终剩下583 例事故。

2.2 变量选取

交通事故的影响因素众多，总体可分为人、车、路和环境4 个方面。人的方面主要包括驾驶人的心理因素和生理因素，例如驾驶人的年龄、性别和状态等因素会影响驾驶员的感知能力和反应能力；车是人的载体，车辆的类型和安全技术状况会间接影响事故后果，而驾驶人对车辆的控制会直接影响车辆的运动状态；道路是交通的载体，主要包括发生地点、行政等级和路面状况等因素；环境通过影响人、车和路方面而间接影响事故的发生，一般指自然环境的因素，例如天气状况、事故发生的时段。

考虑以往研究的变量选取并结合NAIS 数据库的字段特征，从人、车、路和环境4 个方面选取17 个变量（包括影响因素和事故严重程度）[3,6,11,27]，分为过失方因素（L1-L5）、受害方因素（I1-I5）、道路因素（R1-R4）、环境因素（E1-E2）和事故严重程度（Sev），各变量取值及离散情况见表1。

表1 变量取值及离散情况

2.3 结构建立

运用GeNIe3.0 软件进行结构学习和参数学习，得到V2V 事故严重程度分析模型的Bayes 网络结构图，一共包括17 个节点和29 条边，如图1 所示。其中：每一个节点代表一个变量，节点之间的连线代表变量之间具有直接依赖关系，如天气状况（E1）与路面状况（R2）有直接依赖关系。

图1 Bayes 网络结构图

2.4 模型验证

利用留一法进行模型验证，模型的准确率为81.3%，若准确率达80%，代表预测效果较好[24]。ROC 曲线下的面积（AUC）为0.81，表明算法的鲁棒性较好，因此V2V 事故严重程度分析模型较合理。接受者操作特性曲线（ROC 曲线）和AUC 如图2 所示。

图2 ROC 曲线和AUC

3 推理分析

3.1 关键因素分析

为探究事故严重程度的关键影响因素，基于Bayes网络构建的分析模型，输入每个变量的各个取值状态（对于每一个变量，其中一个取值的概率被设置为100%，同一变量的其他取值被设置为0%，例如过失方性别为男性，则女性的概率为0%），然后更新整个模型，观察该变量的不同取值下致死事故率的变化。其中每个变量的不同取值状态对致死事故率的最大影响幅度见表2。

表2 各因素对致死事故率的影响幅度

“↑”代表取值对致死事故率的最大增幅；“↓”代表取值对致死事故率的最大降幅。例如过失方车型（因素L5）对致死事故率的影响幅度为39.7%，其中大型汽车因素会提高32.6%致死事故率（后文涉及的提高与降低均是相较于致死事故率的先验概率），乘用车因素会降低7.1%致死事故率。

由表2 可知，L5、L3、I5、E2、R3、R4 等因素对致死事故率的影响幅度均超过20%，是引发致死事故的关键因素。过失方或受害方为大型汽车、过失方超速行驶会显著提高致死事故率[7]；调整模型发现夜间（4.5%）的致死事故率高于日间[25]。发生在晨昏的事故占比仅6%，但该时段一旦发生事故，致死事故率会提高23%，相反发生在日间的事故占比最高，但致死事故率会降低6.2%。可能是晨昏车流量小，驾驶员警惕较低，导致行驶速度较快，而日间车流量大且行车视距较好，驾驶员更加谨慎[3]；普通路段和十字路口的事故占比较高，但十字路口比普通路段的致死事故率低22.5%[23]；设立信号灯能降低致死事故率，设立直行+转向交通信号灯路段比无交通信号灯路段的致死事故率低20.8%，这是因为交通信号灯对驾驶员有警示作用，能降低交通冲突程度[23]。

(36，45]岁的驾驶员会略微提高致死事故率，而(18，25]岁的驾驶员会降低致死事故率。Lee C[25]指出30 岁以下的年轻司机在碰撞中受伤程度会降低，并且(18，25]岁的青年驾驶员由于驾驶经验不丰富，警惕性反而更高；过失方或受害方的转向行为均会降低致死事故率，但过失方的转向行为降低幅度更大，可能是因为过失方处于转向时，能更好的提前发现碰撞目标，实施主动避险行为；普通公路比城市路段的致死事故率高17.2%。男性驾驶员、恶劣天气和较差的路面状况等因素都会提升致死事故率，但影响程度较小。

3.2 二维推理分析

为考察双因素的联合效应对致死事故率的影响，以致死事故率的影响幅度中最大的因素L5 与其余关键因素进行组合分析，观察2 个变量的不同取值组合的致死事故率，各组合的联合效应见图3。其中纵坐标底部为过失方车型的变量取值，纵坐标中部为其余关键因素的变量取值，横坐标为该组合的致死事故率。

由图3 可知：因素交互作用下，因素的联合效应显著。例如相较于过失方为乘用车，过失方为大型汽车与其余关键因素的交互作用更容易引发致死事故，尤其是驾驶员处于超速行驶或处于晨昏时段，因此建议大型汽车强制装配超速报警装置，并且驾驶员在晨昏等光线不好的环境要提高驾驶警惕；因素的联合效应影响高于各自边际效应之和。例如过失方为大型汽车且发生于普通路段时，致死事故率提高的边际效应之和为42.1%，而联合效应之和为44.4%。

图3 过失方车型和其余关键因素的联合效应

3.3 多维推理分析

交通事故是多风险因素对事故伤亡的综合效应，但面临因素取值的组合过多、主观定义的组合耦合度低甚至为不可能事件等问题。因此利用SPSS Modeler软件的关联规则挖掘关键因素中高频率与强耦合度的规则，将关联规则输出的规则中各个变量的取值，作为Bayes 网络分析模型中每个变量的输入，计算各个规则的致死事故率的变化。为了挖掘高频率和强耦合度的规则，设定最低支持度为20%和最低置信度为80%，剔除前后项内容相同的规则后，最终得到10 条规则见表3。

表3 可知：规则1 的支持度最高，说明该组合出现的频率较高，但此时致死事故率会下降18.3%。这和C.Lee[25]结论类似，小型车之间的碰撞增加了非致死事故率，并且车辆在通过交叉口时的车速较低，因此降低了致死事故率[26]；规则2 出现的频率较高，会小幅度提升致死事故率；与规则2 类似的是规则5，但规则5 发生时会增加42.6%的致死事故率，这是由于受害方为大型汽车时，尽管会降低受害方驾驶员的致死率，但会显著提高过失方驾驶员的致死率[23]；规则7是唯一含夜间的高耦合规则，这种事故容易发生在无交通信号灯的普通路段，并会提高21.7%的致死事故率。这极大可能是因为夜间车流量低、无交通信号灯的警示，并且普通路段的干扰小，此时汽车的行驶速度较快，加上夜间视野差，导致发生紧急情况时驾驶员的避撞时间不足。