大货车-行人及两轮车交通事故严重程度致因分析

摘 要：为探究大货车-行人/两轮车交通事故严重程度影响因素，文章以成都市双流区322起该类交通事故为样本，将伤者是否死亡作为因变量，选择14个潜在影响因素作为自变量，构建二元logistic回归模型进行分析。结果表明：“车辆类型”“是否交叉口”“行驶状态”对事故严重程度影响显著。结合相关研究及成都实际情况得出这三类因素影响显著的原因，并针对性地提出事故预防措施。

关键词：二元logistic模型 道路交通事故 大货车 严重程度

0 引言

道路交通事故一直是造成我国居民非正常死亡的重要原因，2017年至2021年间，我国平均每年交通事故死亡62730人。其中货车事故死亡人数占比39.6%[1]。中国的道路交通安全形势十分严峻，货车交通事故高发及高致死率则是造成这一现状的重要因素。近年来有学者通过建立数学模型对现有交通事故中各类因素进行分析，总结出对交通事故严重程度影响最显著因素，并针对性提出预防对策，以降低事故伤亡。如李成志等人采用多项logit回归模型研究对电动自行车骑车人在事故中受伤程度有影响的因素[2]。陈昭明等人使用混合logit模型分析黑龙江境内的交通事故数据，得出超过56岁的驾驶人在事故中更易受伤或死亡等结论[3]。近几年，有学者在研究中发现，一些因素在不同类型的事故中存在异质性。如段雨阳对三类车型的人车碰撞事故分别进行建模分析后对比发现三类事故影响因素存在异质性[4]。董傲然在分析低能见度水平下影响行人事故严重程度的因素时，发现变量“卡车”和“凌晨”具有均值异质性[5]。

综上，在建模分析的同时避免异质性影响是交通事故致因分析的发展方向，目前有两种方式消除异质性影响：一种是优化统计模型，使其能解析未观测的异质性，如焦朋朋将潜在类别聚类分析和随机参数Logit模型相结合分析老年行人交通事故严重程度影响因素，一定程度消除了数据的异质性[6]。另一种是对研究对象进行详细分类，分别进行建模分析。如曹瑞对山区公路的货车交通事故进行单独分析，得出对此类交通事故严重程度有显著影响的五类因素[7]。

大货车指总质量大于4.5吨，车长超过6米的用于载运货物或牵引挂车的大型车辆，这类车辆体积大、惯性强，与行人、两轮车发生交通事故时，极易造成严重伤害。大货车碰撞行人及两轮车的事故死亡率高达66.18%与61.37%，碰撞其他车型的死亡率仅45.97%[8]。现存基于logistic模型的道路交通事故严重程度致因分析中，还没有针对我国大货车-行人及两轮车这类交通事故的研究，本文使用二元logistic模型对大货车-行人及两轮车交通事故进行统计分析，得出对事故严重程度影响最显著因素，并针对性提出预防对策，减少严重交通事故的发生。

1 数据描述

本文的数据来源于公安交通管理综合应用平台（以下称“平台”）中有关成都市双流区2018年-2023年所有大货车-行人及两轮车的交通事故数据，共提取322例事故用于分析。

根据交通事故中伤者是否死亡将因变量分为：受伤，死亡。自变量选取方面，通过咨询17名经验丰富的交通事故民警，结合相关文献的变量选取经验，从驾驶人、车辆、道路、环境、其他因素五个方面从平台筛选出14个数据有效且对事故严重程度存在潜在影响的数据项作为变量用于分析。

详细变量描述及赋值如表1所示，表1中每个变量第一组为参考项。因“车辆类型”为无序多分类变量，将“自卸货车”作为参考项后分别建立哑变量。

2 模型原理

Logistic 回归分析是一种广义线性回归分析方法，通常用来解决因变量为分类变量的回归问题。它对数据的分布类型没有要求，在样本容量较小时依然能进行统计检验[9]。文中将大货车-行人及两轮车的事故分为亡人事故、受伤事故两类，采用二元Logistic回归进行分析。

在二元logistic模型中，设因变量Y，服从二项分布，取值0和1，自变量为X1、X2、…Xn，则自变量所对应的logistic回归模型为

本式中：是常数项，是（i=1，2，…，n）的偏回归系数[10]，为自变量。

而事件发生（）与不发生（1-）之比则为优势比，将其做对数变换后得到线性模式如下

当优势比=1时，表示该因素对事件的发生不起作用；优势比>1时，表示该因素是危险因素；反之为保护因素。

3 模型构建与检验

将所有变量纳入二元logistic模型分析，首先对模型进行Omnibus检验，Omnibus检验指将分析得出的模型与只含该模型常数项的无效模型进行比较。卡方是指现有模型与无效模型似然比值的差值，显著性指现有模型为无效模型的概率，当显著性小于0.05可推定现有模型为有效模型，如图表2，经过检验，显著性为0.003，小于0.05，推定模型有效。

随后对模型进行拟合优度检验，此处使用霍斯默-莱梅肖检验，检验显著性大于0.05则说明拟合优度良好，如图表3，显著性为0.132，说明模型和真实数据拟合程度良好。

4 结果讨论

分析结果见表4，取显著水平为0.05，当自变量显著性<0.05时，认为该自变量对事故严重程度具有显著影响。结果表明，大货车-行人及两轮车事故中，对事故严重程度影响显著的因素分别是：“车辆类型”“交叉口”“行驶状态”。其中“交叉口”“行驶状态”变量的优势比值大于1，说明这两类变量为危险因素：交叉口路段发生亡人事故的概率比非交叉口路段高；大货车在转弯/变道过程中发生亡人事故的概率比直行过程中高。“车辆类型”中“厢式货车”、“平板货车”与“仓栅货车优势比值小于1，说明这三类变量为保护因素：以上三类货车发生亡人事故概率比自卸货车低。

自卸货车是指通过液压或机械举升而自行卸载货物的车辆。我国自卸货车主要分为公路自卸货车、矿用自卸货车以及渣土运输车[11]。本研究的事故数据中涉及自卸货车的事故有96.3%为渣土运输车，因此，自卸货车亡人事故高发的实质是渣土运输车亡人事故高发。可能的原因是，成都市近年城市扩张快，新建工地多，渣土运输需求量大。但同时成都市部分区域白天对大货车限行，限制了渣土运输作业。为保障运输效益，渣土运输车不可避免存在大量夜间驾驶行为。夜间长时间驾驶会导致疲劳驾驶，研究表明，大货车驾驶人夜间连续驾驶超3小时后，重大道路交通事故的发生率便会随驾驶时长增加[12]。同时，夜间驾驶状态驾驶人超速、闯红灯等违法行为更频繁[13]，根据成都市交管局秩序处的数据，每日17时至次日2时，渣土运输车各类交通违法高发。严重的交通违法亦会增加事故发生的可能性及造成的伤害。

大货车在转弯/变道的行驶过程及道路交叉口位置更易发生亡人事故，一方面，大货车视野盲区较大，驾驶人转弯时很难及时发现车辆两侧的行人及两轮车；另一方面，大货车车身较长，转弯时会产生内轮差，将邻近行人与两轮车卷入车下并碾压，对其造成致命伤害。而道路交叉口既是大货车转弯行为高发地，又是行人、两轮车穿行马路的主要位置，人车冲突严重，因此，交叉口位置极易发生大货车碰撞并碾压行人与两轮车的亡人事故。周明就曾指出：多数人在交叉口在面对右转大货车时容易忽略大货车的内轮差，认为只要大货车前轮转过去了就没有危险了，最终被货车后轮碾压时躲闪不及[14]。

5 预防措施

5.1 多部门联合执法监督管理渣土运输车辆

针对渣土运输车辆容易引发亡人交通事故的问题，应加强对渣土运输车的监督和管理。由于渣土运输车辆监管涉及交警、城管委、住建局、交通局等多个部门。各地道安办应充分发挥统筹、协调的职能，将上述单位纳入成员单位，组织开展联合执法，重点查处和预防渣土运输车辆夜间驾驶存在的超载、超限、超速、扬尘、闯红灯、疲劳驾驶等违法行为。以减少自卸货车夜间严重交通事故发生。

5.2 定期梳理与整改存在安全隐患路口路段

各地交管部门应定期梳理辖区内大货车事故高发的路口路段，并排查其存在的交通安全隐患，对有条件设置非机动车道的路段尽量设置非机动车道并安装机动非分隔护栏，将两轮车与货车分隔开。大货车右转事故易发的路口施划月牙弯警示区，或直接在右转车道外加装分隔护栏，隔开右转货车与路边的行人及两轮车。交管部门在审核、发放大货车城区通行证时，可以要求申请人申报行驶路线时避开货车事故高发、存在安全隐患且尚未完成整改的路口路段，选择照明条件好、机非分隔及人车分隔设施齐全的路口路段为行驶路线。

5.3 采取实效措施鼓励货运企业安装大货车行车辅助系统

为大货车装配360°影像系统，可帮助驾驶人驾驶时观察车辆两侧及车尾盲区。近两年出现的可搭载于大货车的ADAS系统，在大货车离行人及两轮车距离过近时可主动示警并在必要时自动采取制动措施。上述行车辅助系统可有效减少大货车与行人及两轮车的事故，但由于成本较高，货运企业采购意愿不强，因此未能在大货车中普及。成都市交管局曾发文鼓励货运企业在大货车上装备行车辅助系统，但文件内未提出实质性的鼓励措施，推广效果有限。建议各地政府、交管部门采取实效的措施，鼓励、引导货运企业安装行车辅助系统。如制定补贴标准，在货运企业采购大货车行车辅助系统时给予一定金额的补贴。或是设立行政审批绿色通道，优先办理行车辅助系统装备率较高的货运企业的新增业务申请。

参考文献：

[1]国家统计局.中国统计年鉴[M]. 北京：中国统计出版社，2023.

[2]李成志，李洋，何庆.电动自行车交通事故中骑车人伤害程度的影响因素分析[J].交通工程，2019，19（04）：37-43.DOI：10.13986/j.cnki.jote.2019.04.006.

[3]陈昭明，徐文远，曲悠扬，陈伟.基于混合Logit模型的高速公路交通事故严重程度分析[J].交通信息与安全，2019，37（03）：42-50.

[4]段雨阳，何雅琴.基于Logistic的不同车型碰撞行人事故严重程度致因分析[J].中国安全生产科学技术，2022，18（01）：175-181.

[5]董傲然，秦丹，王长帅，等.低能见度水平下行人交通事故严重程度及异质性分析[J].交通信息与安全，2021，39（06）：27-35.

[6]焦朋朋，李汝鉴，王健宇，葛浩菁，陈越.考虑潜在类别的老年行人交通事故严重程度致因分析[J].交通运输系统工程与信息，2022，22（05）：328-336.DOI：10.16097/j.cnki.1009-6744.2022.05.034.

[7]曹瑞，戢晓峰，覃文文.考虑车型与道路线形的山区公路货车事故严重程度影响因素辨识[J].公路交通科技，2022，39（12）：171-178.

[8]杨硕. 重型货车交通事故严重程度影响因素及对策研究[D].北京：中国人民公安大学，2020.DOI：10.27634/d. cnki.gzrgu.2020.000359.

[9]克劳斯·巴克豪斯，本德·埃里 克森，伍尔夫·普林克，等.多元统计分析方法[M].上海：上海格致出版社，2009.

[10]武松，潘发明.SPSS统计分析大全[M]，北京：清华大学出版社，2014.

[11]史建军，赵海艳.我国自卸车市场结构分析及发展趋势展望[J].重型汽车，2016（03）：35-36.

[12]陈阳坚，孔德刚，吴灿，等.重型长途货运汽车夜间驾驶疲劳测试研究[J].工业工程，2015，18（04）：152-156.

[13]WILLAMS A F.Teenage drivers：patterns of risk[J].Journal of Safety Research，2003，34（1）：5-15.

[14]周明，李平飞，刘娜.重型货车右转弯事故的原因分析与对策研究[J].汽车实用技术，2017，No.240（09）：84-87.DOI：10.16638/j.cnki.1671-7988.2017.09.031.