肖向良

(湖南省交通科學(xué)研究院有限公司， 湖南 長(zhǎng)沙 410015)

電動(dòng)自行車作為一種介于人力自行車和摩托車之間的交通工具，具有價(jià)格低廉、行駛速度較快、便捷、環(huán)保、可達(dá)性高等優(yōu)點(diǎn)，深受中國(guó)居民喜愛(ài)。但電動(dòng)自行車速度快、安全防護(hù)能力弱、穩(wěn)定性差等特點(diǎn)導(dǎo)致其較易發(fā)生交通事故，且一旦發(fā)生事故，相比自行車，其事故傷害嚴(yán)重程度更大。目前關(guān)于摩托車和非機(jī)動(dòng)車的安全研究多針對(duì)傳統(tǒng)自行車和摩托車，而電動(dòng)自行車在駕駛?cè)后w、運(yùn)行速度、行駛距離等方面均不同于傳統(tǒng)自行車及摩托車，其交通安全特征屬性及相應(yīng)的安全管理政策應(yīng)具有自身特性。對(duì)交叉口處電動(dòng)自行車與傳統(tǒng)自行車闖紅燈行為的調(diào)查結(jié)果表明，電動(dòng)自行車用戶闖紅燈的概率顯著高于傳統(tǒng)自行車；對(duì)合肥2009—2011年205 名傳統(tǒng)自行車及電動(dòng)自行車用戶的住院記錄的分析發(fā)現(xiàn)，電動(dòng)自行車用戶受重傷的比例達(dá)1/3，而傳統(tǒng)自行車用戶僅17%。而目前少有對(duì)電動(dòng)自行車安全問(wèn)題的研究，尤其缺少對(duì)電動(dòng)自行車事故傷害嚴(yán)重程度影響因素的研究。

交通事故傷害嚴(yán)重性通常劃分為離散的等級(jí)程度，常采用統(tǒng)計(jì)回歸模型進(jìn)行傷害嚴(yán)重程度建模。而統(tǒng)計(jì)回歸模型都有其模型假設(shè)和因變量與自變量間既定的函數(shù)關(guān)系，同時(shí)自變量間的相互關(guān)聯(lián)也困擾統(tǒng)計(jì)回歸模型的應(yīng)用。事故傷害嚴(yán)重程度是由人-車-路-環(huán)境多種因素共同導(dǎo)致，傷害致因錯(cuò)綜復(fù)雜，與統(tǒng)計(jì)回歸模型的假設(shè)不符。決策樹(shù)方法可在不給出事故嚴(yán)重程度和影響因素間函數(shù)關(guān)系及不考慮自變量間相互關(guān)聯(lián)的情況下，清晰、高效地發(fā)掘二者間的內(nèi)在關(guān)聯(lián)，還能處理變量的交互作用，分析多種因素組合對(duì)事故傷害嚴(yán)重性的共同影響。該文基于2014—2016年湖南省電動(dòng)自行車交通事故記錄，基于決策樹(shù)方法構(gòu)建電動(dòng)自行車事故傷害嚴(yán)重程度模型，分析事故傷害嚴(yán)重程度與騎行者、違法行為、道路及天氣環(huán)境等之間的交互效應(yīng)，識(shí)別易導(dǎo)致高傷害嚴(yán)重程度的交通情境，為降低電動(dòng)自行車事故傷害嚴(yán)重程度措施制定提供依據(jù)。

1 數(shù)據(jù)準(zhǔn)備

道路交通事故數(shù)據(jù)來(lái)自公安部“六合一”交通管理綜合應(yīng)用平臺(tái)，交通事故信息涵蓋事故特征、駕駛員特征、車輛特征、事故發(fā)生時(shí)間及環(huán)境特征。篩選2014—2016年湖南電動(dòng)自行車與機(jī)動(dòng)車碰撞事故數(shù)據(jù)(不含簡(jiǎn)易事故，因其信息記錄項(xiàng)少)共2 484起，事故信息記錄包括騎行者事故傷害嚴(yán)重程度、性別、年齡、職業(yè)、戶口性質(zhì)、事故發(fā)生時(shí)間、星期、季節(jié)、天氣、照明、路口、道路類型及違法行為13類。

從不同角度對(duì)交通事故進(jìn)行分析，結(jié)果(見(jiàn)表1)顯示：1) 事故傷害嚴(yán)重程度。騎行者受重傷與死亡事故的比重達(dá)15.34%。2) 受傷人群特征。男性比例(57.69%)略高于女性(42.31%)；老年人群(大于55歲)占比較大，達(dá)35.1%；受傷人員戶口性質(zhì)多為非農(nóng)業(yè)(86.15%)。3) 事故發(fā)生位置。事故多發(fā)生于一般城市道路，占比為56.28%；發(fā)生在路段的事故數(shù)量約為路口事故數(shù)量的2倍。4) 事故發(fā)生時(shí)間。發(fā)生在9:00—16:59時(shí)段的事故占事故總量的47.42%，發(fā)生在17:00—18:59時(shí)段的事故也較多(14.45%)；周末事故數(shù)量占比小(24.28%)，僅為工作日的1/3；夏季事故占比最高(28.86%)，冬季事故占比最小(20.09%)。5) 人員違法行為。由電動(dòng)自行車騎行者違法行為導(dǎo)致的事故占比達(dá)55.84%，高于由機(jī)動(dòng)車駕駛員違法行為導(dǎo)致的事故占比(44.16%)。其中非信號(hào)控制交叉口電動(dòng)自行車不讓行是排名第一的違法行為(占比9.70%)，其次是在沒(méi)有非機(jī)動(dòng)車道的道路上電動(dòng)自行車不靠車行道右側(cè)行駛(8.05%)，在有非機(jī)動(dòng)車道的情況下電動(dòng)自行車未在非機(jī)動(dòng)車道內(nèi)行駛也占較大比例(7.65%)，電動(dòng)自行車超速行為所占比例較小(1.33%)。

表1 建模變量描述性統(tǒng)計(jì)

2 決策樹(shù)分析

2.1 決策樹(shù)方法

決策樹(shù)方法是一種非線性無(wú)參數(shù)的預(yù)測(cè)模型，其目標(biāo)是將樣本集通過(guò)某個(gè)特定屬性(自變量)的不同特征分為多個(gè)相對(duì)同質(zhì)的子樣本集。CART(分類和回歸樹(shù))算法是最常用的二分支決策樹(shù)算法，當(dāng)因變量為離散變量時(shí)生成分類樹(shù)，而當(dāng)因變量為連續(xù)變量時(shí)構(gòu)成回歸樹(shù)。本研究的因變量為電動(dòng)自行車事故傷害嚴(yán)重程度，為離散變量，故CART生成的是分類樹(shù)。分類樹(shù)生成過(guò)程是將樣本集根據(jù)各分類屬性(自變量)的不同屬性不斷分支最終得到因變量同質(zhì)性最高的“純”葉子節(jié)點(diǎn)的過(guò)程。

CART算法使用Gini值來(lái)衡量節(jié)點(diǎn)(樣本集)內(nèi)同質(zhì)性，其值越大，樣本的同質(zhì)性越低。通過(guò)計(jì)算該節(jié)點(diǎn)內(nèi)因變量為某一值的樣本數(shù)占樣本總數(shù)的比值來(lái)確定同質(zhì)性，節(jié)點(diǎn)t的Gini值為：

(1)

(2)

(3)

(4)

式中：i和j分別為因變量的某一取值；π(j)為樣本因變量取值為j的先驗(yàn)概率；Nj(t)為節(jié)點(diǎn)t內(nèi)因變量取值為j的樣本數(shù)；Nj為因變量取值為j的樣本總數(shù)。

此外，Gini值可用于衡量分類樹(shù)內(nèi)各自變量對(duì)因變量的重要程度，這也是分類樹(shù)方法輸出的一個(gè)重要結(jié)果。自變量xj的重要程度(VIM)為：

(5)

式中：T為分類樹(shù)的節(jié)點(diǎn)總數(shù)；Nt為節(jié)點(diǎn)t的樣本數(shù)；N為樣本總數(shù)；ΔGini(Sxj,t)為在節(jié)點(diǎn)t處根據(jù)自變量xj分支后，子節(jié)點(diǎn)Gini值之和與父節(jié)點(diǎn)tGini值的差，即Gini值的減少量。

由式(5)可知，自變量的重要程度實(shí)際上是各自變量根據(jù)樣本數(shù)加權(quán)后在整個(gè)分類樹(shù)種中Gini值降低量的總和。也就是說(shuō)，在分類樹(shù)模型中，自變量提升樣本同質(zhì)性的效果越顯著，其重要程度越高。

2.2 基于決策樹(shù)的電動(dòng)自行車事故嚴(yán)重性影響因素分析

采用CART方法探究電動(dòng)自行車事故傷害嚴(yán)重程度與騎行者特征、違法行為、道路特征及天氣環(huán)境特征的交互效應(yīng)。原始的事故傷害嚴(yán)重程度分為死亡、重傷、輕傷、僅財(cái)產(chǎn)損失四類，根據(jù)以往研究成果，構(gòu)建分類樹(shù)模型時(shí)采用二分類因變量能獲得最好的預(yù)測(cè)精度，故將傷害嚴(yán)重程度合并為嚴(yán)重(死亡與重傷)和非嚴(yán)重(輕傷與僅財(cái)產(chǎn)損失)兩類。借助SPSS統(tǒng)計(jì)分析工具進(jìn)行分類樹(shù)模型構(gòu)建。

將約50%的事故數(shù)據(jù)作為訓(xùn)練樣本用于生成決策樹(shù)，另外50%作為檢驗(yàn)樣本對(duì)決策樹(shù)的預(yù)測(cè)效果進(jìn)行檢驗(yàn)。最終模型對(duì)訓(xùn)練樣本的總體預(yù)測(cè)正確率為88.60%，對(duì)檢驗(yàn)樣本的總體預(yù)測(cè)正確率為86.80%，對(duì)全部樣本集的預(yù)測(cè)正確率為87.70%，預(yù)測(cè)精度高，表明構(gòu)建分類樹(shù)能很好地?cái)M合事故傷害嚴(yán)重程度與上述因素的關(guān)聯(lián)。

2.2.1 決策樹(shù)模型結(jié)果

利用事故數(shù)據(jù)使用CART算法生成分類樹(shù)(見(jiàn)圖1)，該決策樹(shù)的最大深度為5層，共進(jìn)行8次分類，最終產(chǎn)生9個(gè)葉節(jié)點(diǎn)，葉節(jié)點(diǎn)的嚴(yán)重事故比例涵蓋8.28%～33.81%，其中葉節(jié)點(diǎn)6、7、11、12、15的嚴(yán)重事故占比高于所有事故嚴(yán)重傷害平均占比。

圖1 決策樹(shù)模型結(jié)果

2.2.2 決策樹(shù)節(jié)點(diǎn)分析

節(jié)點(diǎn)0根據(jù)年齡分為子節(jié)點(diǎn)1和2。顯然節(jié)點(diǎn)2分支年齡在55歲以上的嚴(yán)重事故率顯著高于年齡在55歲以下的節(jié)點(diǎn)1分支。

節(jié)點(diǎn)1根據(jù)違法行為分為子節(jié)點(diǎn)3和4。相比其他違法行為，由在沒(méi)有非機(jī)動(dòng)車道的道路上電動(dòng)自行車不靠車行道右側(cè)行駛、電動(dòng)自行車逆向行駛、電動(dòng)自行車超速、橫過(guò)機(jī)動(dòng)車道時(shí)不下車推行及電動(dòng)車騎行者其他違法行為導(dǎo)致的事故更易出現(xiàn)嚴(yán)重傷害(分別為13.58%、10.58%)。節(jié)點(diǎn)3再根據(jù)季節(jié)劃分為葉節(jié)點(diǎn)7和子節(jié)點(diǎn)8。夏季發(fā)生的事故導(dǎo)致嚴(yán)重傷害的可能性(16.23%)高于其他3個(gè)季節(jié)(12.50%)。節(jié)點(diǎn)8根據(jù)時(shí)間劃分為兩個(gè)葉節(jié)點(diǎn)13和14。發(fā)生在9：00—16：00時(shí)段的事故導(dǎo)致嚴(yán)重傷害的可能性(9.27%)低于其他時(shí)段(14.67%)?；氐焦?jié)點(diǎn)4，根據(jù)人員類型劃分為葉節(jié)點(diǎn)9和子節(jié)點(diǎn)10。相比騎行者類型為工人、快遞外賣、職員、自主經(jīng)營(yíng)者及其他人員，騎行者類型為農(nóng)民更易出現(xiàn)嚴(yán)重傷害事故(分別為14.29%、9.66%)。節(jié)點(diǎn)10繼續(xù)劃分為兩個(gè)葉節(jié)點(diǎn)15和16。發(fā)生在22：00—6：59時(shí)段的事故導(dǎo)致嚴(yán)重傷害的可能性(24.36%)遠(yuǎn)高于其他時(shí)段(8.28%)。

節(jié)點(diǎn)2根據(jù)道路類型劃分為子節(jié)點(diǎn)5及葉節(jié)點(diǎn)6。發(fā)生在城市快速路，一、二級(jí)公路及其他公路上的事故導(dǎo)致嚴(yán)重傷害的可能性(33.81%)遠(yuǎn)高于發(fā)生在一般城市道路，三、四級(jí)及等外公路上的事故(19.15%)。節(jié)點(diǎn)5根據(jù)違法行為繼續(xù)劃分為兩個(gè)葉節(jié)點(diǎn)11和12。由在沒(méi)有非機(jī)動(dòng)車道的道路上電動(dòng)自行車不靠車行道右側(cè)行駛、橫過(guò)機(jī)動(dòng)車道時(shí)不下車推行、電動(dòng)自行車逆向行駛及超速導(dǎo)致的事故更易出現(xiàn)嚴(yán)重傷害(25.29%)。

2.3 事故嚴(yán)重性影響因素分析

分類樹(shù)方法不僅能以樹(shù)狀圖形式展示電動(dòng)自行車事故傷害嚴(yán)重性與各影響因素的交互效應(yīng)，同時(shí)能獲知各因素對(duì)事故傷害的重要程度(見(jiàn)表2)。

表2 各因素對(duì)事故傷害的相對(duì)重要性

(1) 騎行者年齡。騎行者年齡是影響電動(dòng)自行車事故傷害嚴(yán)重性的最重要因素，也是決策樹(shù)第一層的分類變量。老年騎行者更易導(dǎo)致嚴(yán)重傷害事故，這與以往傳統(tǒng)自行車與摩托車事故傷害的研究結(jié)論一致。老年人群風(fēng)險(xiǎn)感知與避讓能力較差、身體構(gòu)造更脆弱，這些都使老年電動(dòng)車騎行者更易出現(xiàn)嚴(yán)重事故。

(2) 違法行為。違法行為是重要性排名第二的事故傷害嚴(yán)重性影響因素。無(wú)論是年輕騎行者還是老年騎行者，在沒(méi)有非機(jī)動(dòng)車道的道路上電動(dòng)自行車不靠車行道右側(cè)行駛、電動(dòng)自行車逆向行駛、電動(dòng)自行車超速、橫過(guò)機(jī)動(dòng)車道時(shí)不下車推行的違法行為都易導(dǎo)致嚴(yán)重傷害事故。

(3) 道路類型。道路類型是重要性排名第三的事故傷害嚴(yán)重性影響因素。發(fā)生在城市快速路，一、二級(jí)公路及其他公路上的事故更易出現(xiàn)嚴(yán)重傷害，對(duì)老年騎行者群體尤為顯著。其原因在于該類型道路限速高，機(jī)動(dòng)車行駛速度快，一旦與電動(dòng)自行車發(fā)生碰撞事故(尤其是涉及老年騎行者)，往往會(huì)導(dǎo)致嚴(yán)重傷害甚至死亡。

(4) 戶口性質(zhì)與職業(yè)。戶口性質(zhì)與職業(yè)分別是重要性排名第四、第五的事故傷害嚴(yán)重性影響因素。農(nóng)民騎行者更易出現(xiàn)嚴(yán)重傷害事故，尤其是對(duì)于年齡小于55歲的騎行者群體。

(5) 時(shí)間與季節(jié)。時(shí)間與季節(jié)也與事故傷害嚴(yán)重性有關(guān)聯(lián)。22：00—6：59時(shí)段發(fā)生的事故導(dǎo)致嚴(yán)重傷害的可能性最高，而發(fā)生在9：00—16：00時(shí)段的事故導(dǎo)致嚴(yán)重傷害的可能性最低；發(fā)生在夏季的事故更易導(dǎo)致嚴(yán)重傷害。這些情境尤其針對(duì)年齡小于55歲的騎行者群體。

(6) 天氣。天氣與事故傷害嚴(yán)重性的關(guān)聯(lián)性較低，這主要是由于電動(dòng)自行車騎行者多選擇在天氣良好的條件下出行。

3 嚴(yán)重事故高發(fā)情境及改善建議

3.1 嚴(yán)重事故高發(fā)情境分析

根據(jù)分類樹(shù)挖掘事故嚴(yán)重程度較高的交通情境，即多種因素組合下嚴(yán)重事故高發(fā)情境。對(duì)于電動(dòng)自行車事故，主要的嚴(yán)重事故高發(fā)情境包括：

(1) 事故發(fā)生在城市快速路和一、二級(jí)公路上，且騎行者年齡≥55歲(310起，嚴(yán)重事故占比為33.81%)。

(2) 事故發(fā)生在一般城市道路和三、四級(jí)及等外公路上，騎行者年齡≥55歲，事故發(fā)生前出現(xiàn)在沒(méi)有非機(jī)動(dòng)車道的道路上不靠車行道右側(cè)行駛、橫過(guò)機(jī)動(dòng)車道時(shí)不下車推行、逆向行駛及超速行駛等違法行為(170起，嚴(yán)重事故占比為25.29%)。

(3) 事故發(fā)生在22：00—6：59時(shí)段，騎行者年齡<55歲，事故發(fā)生前出現(xiàn)不按交通信號(hào)規(guī)定通行、未在非機(jī)動(dòng)車道內(nèi)行駛、在非信號(hào)控制交叉口不讓行及機(jī)動(dòng)車駕駛員違法等違法行為(78起，嚴(yán)重事故占比為24.36%)。

(4) 事故發(fā)生在一般城市道路和三、四級(jí)及等外公路上，騎行者年齡≥55歲，事故發(fā)生前出現(xiàn)未在非機(jī)動(dòng)車道內(nèi)行駛、不按交通信號(hào)規(guī)定通行、在非信號(hào)控制交叉口不讓行及其他違法行為、機(jī)動(dòng)車駕駛員違法等(637起，嚴(yán)重事故占比為19.15%)。

(5) 事故發(fā)生在夏季，騎行者年齡<55歲，事故發(fā)生前出現(xiàn)在沒(méi)有非機(jī)動(dòng)車道的道路上不靠車行道右側(cè)行駛、逆向行駛、超速行駛、橫過(guò)機(jī)動(dòng)車道時(shí)不下車推行及其他違法行為(154起，嚴(yán)重事故占比為16.23%)。

上述交通情境多數(shù)發(fā)生于年齡≥55歲的騎行者，與前文所述年齡是最重要的影響因素相吻合。識(shí)別這些嚴(yán)重事故高發(fā)情境，可為有針對(duì)性地實(shí)施電動(dòng)自行車交通安全改善措施提供理論參考，有利于加強(qiáng)對(duì)電動(dòng)自行車騎行者認(rèn)知自身事故風(fēng)險(xiǎn)狀況的預(yù)警，促使他們規(guī)避高風(fēng)險(xiǎn)區(qū)域、高風(fēng)險(xiǎn)時(shí)段并減少不安全騎行行為。

3.2 改善建議

(1) 加強(qiáng)對(duì)老年騎行者、特定違法行為的管控。騎行者年齡與事故前違法行為是影響電動(dòng)自行車事故傷害嚴(yán)重程度最重要的因素。針對(duì)老年騎行者、特定違法行為(包括電動(dòng)自行車逆向行駛、在沒(méi)有非機(jī)動(dòng)車道的道路上不靠車行道右側(cè)行駛、橫過(guò)機(jī)動(dòng)車道時(shí)不下車推行等)的安全教育與執(zhí)法應(yīng)作為改善電動(dòng)自行車交通安全的優(yōu)先實(shí)施策略。

(2) 大力改善高等級(jí)道路慢行交通環(huán)境，加強(qiáng)治理力度。發(fā)生在城市快速路和一、二級(jí)公路等限速較高道路的電動(dòng)自行車事故占比較大，且這些事故的嚴(yán)重程度高(尤其是對(duì)于老年騎行者)。建議：1) 電動(dòng)自行車流量大的高等級(jí)道路盡可能開(kāi)辟非機(jī)動(dòng)車專用道，并與機(jī)動(dòng)車道隔離，避免碰撞事故發(fā)生；2) 對(duì)于沒(méi)有非機(jī)動(dòng)車專用道的快速道路，嚴(yán)格執(zhí)法，禁止電動(dòng)自行車進(jìn)入機(jī)動(dòng)車道行駛，并開(kāi)展安全教育。

(3) 加強(qiáng)電動(dòng)自行車在特定時(shí)節(jié)下的出行管理。特定的時(shí)段與季節(jié)發(fā)生的事故中嚴(yán)重傷害事故比例較高，建議加強(qiáng)事故多發(fā)季節(jié)電動(dòng)自行車的出行限制，強(qiáng)化對(duì)特定時(shí)段的執(zhí)法。

4 結(jié)語(yǔ)

當(dāng)前中國(guó)開(kāi)始注重交通事故預(yù)測(cè)建模理論與實(shí)踐研究，基于事故數(shù)據(jù)驅(qū)動(dòng)的交通安全管理理念已逐步受到重視。電動(dòng)自行車交通安全成為當(dāng)前不容忽視的安全問(wèn)題。文中提取湖南省2014—2016年電動(dòng)自行車交通事故數(shù)據(jù)， 基于決策樹(shù)方法構(gòu)建電動(dòng)自行車事故傷害嚴(yán)重程度模型，分析事故傷害嚴(yán)重程度與騎行者特征、違法行為、道路特征及天氣環(huán)境等的交互效應(yīng)，分析容易導(dǎo)致嚴(yán)重事故的交通情境，為電動(dòng)自行車的安全管理提供參考。