2車碰撞事故下5座乘用車乘員死亡風險分析*

占雋均 云美萍▲ 張韡 董怡佳

（1.同濟大學道路與交通工程教育部重點實驗室 上海 201804；2.長安大學汽車學院 西安 710064）

0 引言

安全是交通的本質要求和前提條件，其在《交通強國建設綱要》中被列為構建現代化綜合交通體系5個核心要素的首位，并于第六部分明確要求提升和完善安全保障的相關措施，旨在強調和突出安全的重要性[1]。根據世界衛生組織2021年6月發布的一則新聞可知：全球每年死于道路交通事故的人數約130萬，其造成的死亡人數是人類非正常死亡的主要原因之一[2]。由《中國統計年鑒》的相關數據可知：2016—2020年，中國道路交通事故造成的年平均死亡人數為62 905人，其中汽車駕乘人員約占72%，而民用小微型載客汽車擁有量接近同期民用汽車擁有量的88%（截止2020年底）[3]。由此可知，國內小微型載客汽車的駕乘人員在道路交通事故死亡人數中占比較高，所以開展針對5座乘用車乘員（包括駕駛人，下同）在道路交通事故中安全性方面的研究具有重要意義。

近些年關于該方面的研究主要以碰撞試驗、模擬仿真、事故統計等進行相關分析。研究車輛碰撞情形下碰撞能量轉移路徑[4]、乘員的運動狀態與動力學響應[5]等理論基礎。同時挖掘碰撞事故下的有效特征[6]，并對特征變量進行深入分析[7-8]，為建立精細化的乘員損傷評價模型[9]和事故預測模型[10]等提供必要條件。

對于不同碰撞形態的研究側重點或研究方向可能存在差異?；趥让媾鲎睬樾?，乘用車面對不同碰撞物對其造成的車身損壞程度和人員傷亡情況是存在差異的，常見的如進行柱碰撞和壁障碰撞的測試研究[11]，鈕嘉穎等[12]還進一步細化不同角度（75°和90°）柱碰撞和不同壁障（AEMDB和MDB）碰撞下相關情況的分析?；谡媾鲎瞇13]情形，有些學者將碰撞重疊率與碰撞嚴重程度[14]、碰撞角度[15]、乘坐位置[16-17]、乘員年齡[14]等作為乘員損傷程度的特征變量，Shimamura等[18]還將后排乘員使用安全帶的情況作為前排乘員安全性的特征變量進行專門研究?；谄渌聪薅ㄅ鲎残螒B的情形，有的研究重點分析了車輛升級換代能否改善前后排乘員的受傷情況[19]，其他還有基于車型年份的研究，Durbin等[20]還將碰撞方向作為重點特征變量，Mitchell等[21]將性別、安全氣囊情況、速度、碰撞類型等作為特征變量。也有分析車車碰撞具體類型的研究[22]，褚端峰等[23]則引入了車車之間的質量比，并考慮了其他自變量進行相關研究。Prochowski等[24]從坐姿方面切入，分析了后排乘員的傷害程度。還有的研究從前后排乘員使用安全帶的意識和行為層面進行相關性分析[25]。

綜合上述國內外相關的研究成果，主要以單個不同特征變量對乘員傷亡情況進行對比分析，并未對不同特征變量組合情況下進行分析。同時缺少不同特征變量在同一水平的橫向比較，較難分析出主要的影響因素。本文基于國內5座乘用車發生2車碰撞事故的數據進行乘員死亡風險分析，對比分析了不同特征變量在同一水平下對乘員死亡情況的相關程度，并重點對不同特征變量組合情況下進行影響分析和預測分析。

1 數據來源及處理

為了保證研究樣本的可信度，原始的事故資料來源于長安大學機動車物證司法鑒定中心的事故鑒定報告、部分地區交通管理部門的道路交通事故資料、網絡媒體機構的道路交通事故報道。

以乘員的死亡情況為目標變量，相關變量的定義說明見表1。選取天氣情況、路段類型、行駛方向、碰撞接觸面、碰撞對象、乘坐位置作為特征變量，主要基于如下考慮：①不同的天氣情況、路段類型、行駛方向下，因為事故的嚴重程度不同，乘員的傷亡程度存在差異[26]；②碰撞接觸面相對于碰撞類型表達的信息更直觀、更精準；③碰撞對象能反映出質量信息，而質量是碰撞能量直接的關聯變量；④乘坐位置不同，乘員的傷亡程度有所差異[16-17]。

表1 變量說明Tab.1 Description of variables

目標車輛（下同）的車輛類型為5座乘用車，若2車都是5座乘用車，則均為目標車輛，若目標車輛中有多名乘員，均為研究樣本。

為最大程度挖掘可靠有用的事故數據，同時保障樣本質量，本文制定了針對目標車輛乘員在2車碰撞事故中對應的記錄規則，見圖1。

圖1 樣本記錄規則Fig.1 Rules of sample record

根據圖1的記錄規則，共整理出1 028個數據樣本，其中90%以上的樣本為2010—2021年間目標車輛發生的2車碰撞事故數據。數據集通過分類統計，并進行了卡方檢驗，其分布情況見表2。由表2可見：死亡組相對于存活組在天氣情況、路段類型、碰撞接觸面、碰撞對象、乘坐位置下存在一定的差異。

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

2 乘員死亡風險影響分析

為確保數據集中的特征變量不存在重復設置的情況，可通過多重共線性診斷的方法進行具體判斷，計算結果見表3。表3中Tol為容忍度；VIF為方差膨脹因子。

表3 共線性判斷Tab.3 Collinearity judgment

由表3可見：6個特征變量的容忍度（Tol）都大于0.1，且方差膨脹因子（VIF）均小于10，所以不存在共線性問題，無需刪減現有的特征變量，可以進行后續研究。

為了解數據集中各個特征變量下的死亡情況，計算了不同特征變量對應特征值下的乘員致死率，并將結果可視化，見圖2。

圖2 不同特征變量對應的致死率Fig.2 Fatality rate of different feature variables

由圖2可見：①不同天氣情況下乘員致死率存在一定差異，從高到低的排列順序是中及大雨、小雨、無雨；②不同路段類型中交叉路段相對于高速路段和非交路段的乘員致死率差異相對明顯，從高到低的排列順序是高速、非交、交叉；③相同行駛方向下乘員致死率比不同行駛方向略低；④不同碰撞接觸面下乘員致死率存在一定差異，從高到低的順序排列是前面、側面、后面；⑤不同碰撞對象下乘員致死率存在明顯差異，從高到低的排列順序是商用貨車、商用客車、乘用車；⑥不同乘坐位置下乘員致死率存在一定差異，但并不明顯，從高到低的排列順序是前右、后中、后左、后右、前左。

為進一步確定各個特征變量是否對乘員的死亡情況有顯著性影響，通過SPSS軟件中的二項Logistic回歸模型對6個特征變量進行逐一計算，并對有顯著性影響的組合情況進行分析，具體計算結果見表4。

由表4可見：路段類型、行駛方向、碰撞對象、乘坐位置對乘員的死亡情況影響顯著，天氣情況和碰撞接觸面影響不顯著。同時路段類型分別與碰撞對象、碰撞接觸面、乘坐位置組合成的變量影響顯著。具體分析情況如下。

表4 二項Logistic回歸分析結果Tab.4 Results of binary logistic regression

1）路段類型為交叉路段相對于高速路段的死亡風險降低68.9%。原因分析：非高速交叉路段下的車輛運行速度相較于高速路段更小，基于速度因素（其他條件假設一樣）對碰撞能量（E=mv2）產生的影響，速度越小產生的碰撞能量越小，造成的碰撞沖擊越弱，對人所造成的傷害越輕，所以死亡風險相對更低?；诖藨訌妼Τ０l、易發事故路段中車輛的運行速度進行監管，如加強監督與執法的力度、增加減速措施等。

2）2車碰撞時不同行駛方向相對于相同行駛方向的死亡風險提升71.9%。原因分析：2車行駛方向相同時，碰撞產生的能量幾近相減，人體承受的碰撞沖擊相對較弱，死亡風險相對更低，所以駕駛人應在安全行車環境和交通規則允許的前提下進行換道行為。

3）碰撞對象為商用貨車和商用客車的死亡風險分別是碰撞對象為乘用車的4.797倍和3.126倍。由此可知：相容性最好的是乘用車，其次是商用客車，商用貨車最差。原因分析：商用貨車、商用客車的質量一般遠大于乘用車，基于質量因素對碰撞能量產生的影響，質量越大產生的碰撞能量越大，造成的碰撞沖擊越大，對人所造成的傷害越嚴重，死亡風險相對更高。交通管理部門可考慮在交通事故易發處實施按車型分車道行駛的措施來降低死亡風險。

4）乘坐位置中死亡風險最高的是副駕位，其相對于駕駛位的死亡風險升高70.3%?？赡艿脑颍厚{駛人為了避讓碰撞，而無意識的讓副駕駛人處于離碰撞位置最近的乘坐位置。其他位置與駕駛位的死亡風險差異并不明顯。車輛廠商應重點提升乘員的安全防護措施，特別是副駕駛的位置。

5）目標車輛在高速路段與商用貨車、商用客車發生碰撞的死亡風險是與乘用車的14.326倍和16.466倍。在非高速非交叉路段與商用客車、商用貨車發生碰撞的死亡風險是在高速路段與乘用車碰撞的7.950倍和8.169倍。原因分析：質量越大、速度越高，其產生的碰撞能量越大，死亡風險相對越高。

6）在高速路段發生側面碰撞的死亡風險相對于前面碰撞降低86.5%，而在非高速交叉路段中側面碰撞是在高速路段前面碰撞的9.219倍。原因分析：高速路段的側面碰撞可能較多的是輕微碰撞（剮蹭），而在非高速交叉路段則是嚴重的碰撞事故。

7）高速路段下副駕駛位的死亡風險是駕駛位的3.853倍。

綜合上述分析可知：組合特征變量相對于單一特征變量對乘員的死亡情況影響更加明顯，特別是高速路段與碰撞對象、乘坐位置的組合特征均在很大程度提高了乘員的死亡風險，即有顯著影響的單一特征變量相互組合下對乘員的死亡風險明顯增加。同時也能挖掘出單一特征變量不明顯的特征變量，對事故特征挖掘研究具有一定的啟發作用。

為了在同一水平條件下比較各個單一特征變量與乘員死亡情況的相關程度，利用Python中corr函數進行相關計算，結果見圖3。

圖3 乘員死亡情況與特征值之間的相關性Fig.3 Correlation between occupant death and eigenvalues

由圖3可見：不同特征值與乘員死亡情況的相關程度存在較大差異。其中，正相關的特征值按從大到小的排列順序是商用貨車、非交、前面、前右、高速、中及大雨、異向、小雨、后中、后左，負相關的特征值按絕對值從大到小的排列順序是乘用車、交叉、前左、后面、無雨、側面、同向、后右、商用客車。綜合不同特征值與乘員死亡情況的相關程度發現：碰撞對象相對最大，其次是路段類型，天氣情況、行駛方向、碰撞接觸面、乘坐位置相對較低。

3 乘員死亡情況預測分析

3.1 模型算法選取

由于目標變量為二分類（死亡作為正類），可采用機器學習中相關的分類算法來構建多特征組合下乘員死亡情況的預測模型。筆者選取了9種常用的算法，即梯度提升（gradient boosting，GB）、隨機森林（random forest，RF）、決策樹（decision tree，DT）、樸素貝葉斯（naive bayes，NB）、支持向量機（support vector machine，SVM）、K鄰近（k-nearest neighbor，KNN）、AdaBoost、邏 輯 回 歸（logistic regression，LR）、投票分類器（voting classifier,VC），基于分層隨機抽樣的思想，調用分層K折交叉驗證中的StratifiedKFold（n_splits=10）對訓練集和測試集進行劃分，并以F1為衡量指標，按圖4的流程進行相關處理。經計算，KNN、DT、GB、RF 4種算法默認參數設置下的F1值大于0.5，可用網絡搜索（Grid-SearchCV）進一步調參（見表5），并將對應算法的F1值整理于表6。

表5 調參方法及結果Tab.5 Parameter adjustment methods and results

圖4 預測模型算法的選取流程Fig.4 Selection process of prediction model algorithms

根據表6的對比結果可知：泛化性能相對較好的前3種算法分別為調參后的VC、GB、DT，選取作為預測模型的算法。

表6 相關算法的F1值Tab.6 F1 value of correlation algorithms

3.2 預測分析

利用上述選取的3種算法分別構建模型進行預測分析，具體過程步驟如下：①將原數據集按9∶1劃分為訓練集和測試集；②將多特征組合成的810種（不同特征變量下特征值個數相乘）情況作為預測集；③將基于訓練集的模型通過測試集進行驗證，并應用于預測集進行結果預測。經計算VC、GB、DT的F1值（0.675、0.633、0.600）并不高，所以綜合3個模型的預測結果（見圖5），該方法可以一定程度上提升預測結果的可靠性。

由圖5可見：3種算法均預測死亡的特征組合共有58種，通過分析發現，若5座乘用車（前面或后面）與商用貨車在高速路段或非高速非交叉路段發生2車碰撞事故，乘員的死亡風險高于生存幾率，而天氣情況、行駛方向、乘坐位置對乘員死亡情況的預測影響并不明顯。該預測結果中包含的要素與圖3中對乘員死亡情況正相關的前5項（降序）特征值基本一致，也驗證了表4分析結論的可靠性。

圖5 預測結果（N2=810）Fig.5 Prediction results（N2=810）

4 結束語

路段類型、行駛方向、碰撞對象、乘坐位置對乘員的死亡情況影響顯著，其中碰撞對象相關程度相對最大，路段類型次之，其他特征變量相對較小，該方法可比較同一水平下的相關程度并發現影響乘員死亡情況的主要特征變量。同時路段類型與碰撞對象、乘坐位置、碰撞接觸面的組合特征變量比較于單一特征變量對乘員的死亡情況影響更加明顯，研究方法可應用于特征挖掘工作，如單一特征變量影響不顯著，組合特征變量可能有顯著影響。碰撞對象和路段類型映射的是速度和質量，所以應重點加強大型車輛在高速路段、非高速非交叉路段中的車速管理，如在高危路段設置按車型分道管理的措施來減少交通事故。

對于3個及以上特征組合的情況較適用機器學習中分類預測的方法進行研究，通過綜合預測分析可知：5座乘用車（前面或后面）與商用貨車在高速路段或非高速非交叉路段發生2車碰撞事故，乘員的死亡風險高于生存幾率。該方法可助力于為挖掘更多有效的事故特征提供研究思路，即單一特征預測不準或無法確定，組合特征預測準確且可確定。對交通事故主動預防、救援等政策措施制定提供理論依據。

目前研究挖掘的特征變量及樣本數量相對有限，導致預測結果的F1值不高，未來研究需建立完善的事故記錄系統。同時挖掘更多有研究價值的特征變量來提升預測結果的可靠性。