2车碰撞事故下5座乘用车乘员死亡风险分析*

占隽均 云美萍▲ 张韡 董怡佳

（1.同济大学道路与交通工程教育部重点实验室 上海 201804；2.长安大学汽车学院 西安 710064）

0 引言

安全是交通的本质要求和前提条件，其在《交通强国建设纲要》中被列为构建现代化综合交通体系5个核心要素的首位，并于第六部分明确要求提升和完善安全保障的相关措施，旨在强调和突出安全的重要性[1]。根据世界卫生组织2021年6月发布的一则新闻可知：全球每年死于道路交通事故的人数约130万，其造成的死亡人数是人类非正常死亡的主要原因之一[2]。由《中国统计年鉴》的相关数据可知：2016—2020年，中国道路交通事故造成的年平均死亡人数为62 905人，其中汽车驾乘人员约占72%，而民用小微型载客汽车拥有量接近同期民用汽车拥有量的88%（截止2020年底）[3]。由此可知，国内小微型载客汽车的驾乘人员在道路交通事故死亡人数中占比较高，所以开展针对5座乘用车乘员（包括驾驶人，下同）在道路交通事故中安全性方面的研究具有重要意义。

近些年关于该方面的研究主要以碰撞试验、模拟仿真、事故统计等进行相关分析。研究车辆碰撞情形下碰撞能量转移路径[4]、乘员的运动状态与动力学响应[5]等理论基础。同时挖掘碰撞事故下的有效特征[6]，并对特征变量进行深入分析[7-8]，为建立精细化的乘员损伤评价模型[9]和事故预测模型[10]等提供必要条件。

对于不同碰撞形态的研究侧重点或研究方向可能存在差异。基于侧面碰撞情形，乘用车面对不同碰撞物对其造成的车身损坏程度和人员伤亡情况是存在差异的，常见的如进行柱碰撞和壁障碰撞的测试研究[11]，钮嘉颖等[12]还进一步细化不同角度（75°和90°）柱碰撞和不同壁障（AEMDB和MDB）碰撞下相关情况的分析。基于正面碰撞[13]情形，有些学者将碰撞重叠率与碰撞严重程度[14]、碰撞角度[15]、乘坐位置[16-17]、乘员年龄[14]等作为乘员损伤程度的特征变量，Shimamura等[18]还将后排乘员使用安全带的情况作为前排乘员安全性的特征变量进行专门研究。基于其他未限定碰撞形态的情形，有的研究重点分析了车辆升级换代能否改善前后排乘员的受伤情况[19]，其他还有基于车型年份的研究，Durbin等[20]还将碰撞方向作为重点特征变量，Mitchell等[21]将性别、安全气囊情况、速度、碰撞类型等作为特征变量。也有分析车车碰撞具体类型的研究[22]，褚端峰等[23]则引入了车车之间的质量比，并考虑了其他自变量进行相关研究。Prochowski等[24]从坐姿方面切入，分析了后排乘员的伤害程度。还有的研究从前后排乘员使用安全带的意识和行为层面进行相关性分析[25]。

综合上述国内外相关的研究成果，主要以单个不同特征变量对乘员伤亡情况进行对比分析，并未对不同特征变量组合情况下进行分析。同时缺少不同特征变量在同一水平的横向比较，较难分析出主要的影响因素。本文基于国内5座乘用车发生2车碰撞事故的数据进行乘员死亡风险分析，对比分析了不同特征变量在同一水平下对乘员死亡情况的相关程度，并重点对不同特征变量组合情况下进行影响分析和预测分析。

1 数据来源及处理

为了保证研究样本的可信度，原始的事故资料来源于长安大学机动车物证司法鉴定中心的事故鉴定报告、部分地区交通管理部门的道路交通事故资料、网络媒体机构的道路交通事故报道。

以乘员的死亡情况为目标变量，相关变量的定义说明见表1。选取天气情况、路段类型、行驶方向、碰撞接触面、碰撞对象、乘坐位置作为特征变量，主要基于如下考虑：①不同的天气情况、路段类型、行驶方向下，因为事故的严重程度不同，乘员的伤亡程度存在差异[26]；②碰撞接触面相对于碰撞类型表达的信息更直观、更精准；③碰撞对象能反映出质量信息，而质量是碰撞能量直接的关联变量；④乘坐位置不同，乘员的伤亡程度有所差异[16-17]。

表1 变量说明Tab.1 Description of variables

目标车辆（下同）的车辆类型为5座乘用车，若2车都是5座乘用车，则均为目标车辆，若目标车辆中有多名乘员，均为研究样本。

为最大程度挖掘可靠有用的事故数据，同时保障样本质量，本文制定了针对目标车辆乘员在2车碰撞事故中对应的记录规则，见图1。

图1 样本记录规则Fig.1 Rules of sample record

根据图1的记录规则，共整理出1 028个数据样本，其中90%以上的样本为2010—2021年间目标车辆发生的2车碰撞事故数据。数据集通过分类统计，并进行了卡方检验，其分布情况见表2。由表2可见：死亡组相对于存活组在天气情况、路段类型、碰撞接触面、碰撞对象、乘坐位置下存在一定的差异。

表2 变量分布情况（N1=1 028）Tab.2 Distribution of variables（N1=1 028）

2 乘员死亡风险影响分析

为确保数据集中的特征变量不存在重复设置的情况，可通过多重共线性诊断的方法进行具体判断，计算结果见表3。表3中Tol为容忍度；VIF为方差膨胀因子。

表3 共线性判断Tab.3 Collinearity judgment

由表3可见：6个特征变量的容忍度（Tol）都大于0.1，且方差膨胀因子（VIF）均小于10，所以不存在共线性问题，无需删减现有的特征变量，可以进行后续研究。

为了解数据集中各个特征变量下的死亡情况，计算了不同特征变量对应特征值下的乘员致死率，并将结果可视化，见图2。

图2 不同特征变量对应的致死率Fig.2 Fatality rate of different feature variables

由图2可见：①不同天气情况下乘员致死率存在一定差异，从高到低的排列顺序是中及大雨、小雨、无雨；②不同路段类型中交叉路段相对于高速路段和非交路段的乘员致死率差异相对明显，从高到低的排列顺序是高速、非交、交叉；③相同行驶方向下乘员致死率比不同行驶方向略低；④不同碰撞接触面下乘员致死率存在一定差异，从高到低的顺序排列是前面、侧面、后面；⑤不同碰撞对象下乘员致死率存在明显差异，从高到低的排列顺序是商用货车、商用客车、乘用车；⑥不同乘坐位置下乘员致死率存在一定差异，但并不明显，从高到低的排列顺序是前右、后中、后左、后右、前左。

为进一步确定各个特征变量是否对乘员的死亡情况有显著性影响，通过SPSS软件中的二项Logistic回归模型对6个特征变量进行逐一计算，并对有显著性影响的组合情况进行分析，具体计算结果见表4。

由表4可见：路段类型、行驶方向、碰撞对象、乘坐位置对乘员的死亡情况影响显著，天气情况和碰撞接触面影响不显著。同时路段类型分别与碰撞对象、碰撞接触面、乘坐位置组合成的变量影响显著。具体分析情况如下。

表4 二项Logistic回归分析结果Tab.4 Results of binary logistic regression

1）路段类型为交叉路段相对于高速路段的死亡风险降低68.9%。原因分析：非高速交叉路段下的车辆运行速度相较于高速路段更小，基于速度因素（其他条件假设一样）对碰撞能量（E=mv2）产生的影响，速度越小产生的碰撞能量越小，造成的碰撞冲击越弱，对人所造成的伤害越轻，所以死亡风险相对更低。基于此应加强对常发、易发事故路段中车辆的运行速度进行监管，如加强监督与执法的力度、增加减速措施等。

2）2车碰撞时不同行驶方向相对于相同行驶方向的死亡风险提升71.9%。原因分析：2车行驶方向相同时，碰撞产生的能量几近相减，人体承受的碰撞冲击相对较弱，死亡风险相对更低，所以驾驶人应在安全行车环境和交通规则允许的前提下进行换道行为。

3）碰撞对象为商用货车和商用客车的死亡风险分别是碰撞对象为乘用车的4.797倍和3.126倍。由此可知：相容性最好的是乘用车，其次是商用客车，商用货车最差。原因分析：商用货车、商用客车的质量一般远大于乘用车，基于质量因素对碰撞能量产生的影响，质量越大产生的碰撞能量越大，造成的碰撞冲击越大，对人所造成的伤害越严重，死亡风险相对更高。交通管理部门可考虑在交通事故易发处实施按车型分车道行驶的措施来降低死亡风险。

4）乘坐位置中死亡风险最高的是副驾位，其相对于驾驶位的死亡风险升高70.3%。可能的原因：驾驶人为了避让碰撞，而无意识的让副驾驶人处于离碰撞位置最近的乘坐位置。其他位置与驾驶位的死亡风险差异并不明显。车辆厂商应重点提升乘员的安全防护措施，特别是副驾驶的位置。

5）目标车辆在高速路段与商用货车、商用客车发生碰撞的死亡风险是与乘用车的14.326倍和16.466倍。在非高速非交叉路段与商用客车、商用货车发生碰撞的死亡风险是在高速路段与乘用车碰撞的7.950倍和8.169倍。原因分析：质量越大、速度越高，其产生的碰撞能量越大，死亡风险相对越高。

6）在高速路段发生侧面碰撞的死亡风险相对于前面碰撞降低86.5%，而在非高速交叉路段中侧面碰撞是在高速路段前面碰撞的9.219倍。原因分析：高速路段的侧面碰撞可能较多的是轻微碰撞（剐蹭），而在非高速交叉路段则是严重的碰撞事故。

7）高速路段下副驾驶位的死亡风险是驾驶位的3.853倍。

综合上述分析可知：组合特征变量相对于单一特征变量对乘员的死亡情况影响更加明显，特别是高速路段与碰撞对象、乘坐位置的组合特征均在很大程度提高了乘员的死亡风险，即有显著影响的单一特征变量相互组合下对乘员的死亡风险明显增加。同时也能挖掘出单一特征变量不明显的特征变量，对事故特征挖掘研究具有一定的启发作用。

为了在同一水平条件下比较各个单一特征变量与乘员死亡情况的相关程度，利用Python中corr函数进行相关计算，结果见图3。

图3 乘员死亡情况与特征值之间的相关性Fig.3 Correlation between occupant death and eigenvalues

由图3可见：不同特征值与乘员死亡情况的相关程度存在较大差异。其中，正相关的特征值按从大到小的排列顺序是商用货车、非交、前面、前右、高速、中及大雨、异向、小雨、后中、后左，负相关的特征值按绝对值从大到小的排列顺序是乘用车、交叉、前左、后面、无雨、侧面、同向、后右、商用客车。综合不同特征值与乘员死亡情况的相关程度发现：碰撞对象相对最大，其次是路段类型，天气情况、行驶方向、碰撞接触面、乘坐位置相对较低。

3 乘员死亡情况预测分析

3.1 模型算法选取

由于目标变量为二分类（死亡作为正类），可采用机器学习中相关的分类算法来构建多特征组合下乘员死亡情况的预测模型。笔者选取了9种常用的算法，即梯度提升（gradient boosting，GB）、随机森林（random forest，RF）、决策树（decision tree，DT）、朴素贝叶斯（naive bayes，NB）、支持向量机（support vector machine，SVM）、K邻近（k-nearest neighbor，KNN）、AdaBoost、逻 辑 回 归（logistic regression，LR）、投票分类器（voting classifier,VC），基于分层随机抽样的思想，调用分层K折交叉验证中的StratifiedKFold（n_splits=10）对训练集和测试集进行划分，并以F1为衡量指标，按图4的流程进行相关处理。经计算，KNN、DT、GB、RF 4种算法默认参数设置下的F1值大于0.5，可用网络搜索（Grid-SearchCV）进一步调参（见表5），并将对应算法的F1值整理于表6。

表5 调参方法及结果Tab.5 Parameter adjustment methods and results

图4 预测模型算法的选取流程Fig.4 Selection process of prediction model algorithms

根据表6的对比结果可知：泛化性能相对较好的前3种算法分别为调参后的VC、GB、DT，选取作为预测模型的算法。

表6 相关算法的F1值Tab.6 F1 value of correlation algorithms

3.2 预测分析

利用上述选取的3种算法分别构建模型进行预测分析，具体过程步骤如下：①将原数据集按9∶1划分为训练集和测试集；②将多特征组合成的810种（不同特征变量下特征值个数相乘）情况作为预测集；③将基于训练集的模型通过测试集进行验证，并应用于预测集进行结果预测。经计算VC、GB、DT的F1值（0.675、0.633、0.600）并不高，所以综合3个模型的预测结果（见图5），该方法可以一定程度上提升预测结果的可靠性。

由图5可见：3种算法均预测死亡的特征组合共有58种，通过分析发现，若5座乘用车（前面或后面）与商用货车在高速路段或非高速非交叉路段发生2车碰撞事故，乘员的死亡风险高于生存几率，而天气情况、行驶方向、乘坐位置对乘员死亡情况的预测影响并不明显。该预测结果中包含的要素与图3中对乘员死亡情况正相关的前5项（降序）特征值基本一致，也验证了表4分析结论的可靠性。

图5 预测结果（N2=810）Fig.5 Prediction results（N2=810）

4 结束语

路段类型、行驶方向、碰撞对象、乘坐位置对乘员的死亡情况影响显著，其中碰撞对象相关程度相对最大，路段类型次之，其他特征变量相对较小，该方法可比较同一水平下的相关程度并发现影响乘员死亡情况的主要特征变量。同时路段类型与碰撞对象、乘坐位置、碰撞接触面的组合特征变量比较于单一特征变量对乘员的死亡情况影响更加明显，研究方法可应用于特征挖掘工作，如单一特征变量影响不显著，组合特征变量可能有显著影响。碰撞对象和路段类型映射的是速度和质量，所以应重点加强大型车辆在高速路段、非高速非交叉路段中的车速管理，如在高危路段设置按车型分道管理的措施来减少交通事故。

对于3个及以上特征组合的情况较适用机器学习中分类预测的方法进行研究，通过综合预测分析可知：5座乘用车（前面或后面）与商用货车在高速路段或非高速非交叉路段发生2车碰撞事故，乘员的死亡风险高于生存几率。该方法可助力于为挖掘更多有效的事故特征提供研究思路，即单一特征预测不准或无法确定，组合特征预测准确且可确定。对交通事故主动预防、救援等政策措施制定提供理论依据。

目前研究挖掘的特征变量及样本数量相对有限，导致预测结果的F1值不高，未来研究需建立完善的事故记录系统。同时挖掘更多有研究价值的特征变量来提升预测结果的可靠性。