李英帥，張旭，王衛(wèi)杰，居瀟凡

(1.南京工業(yè)大學(xué)，交通運(yùn)輸工程學(xué)院，南京211816；2.重慶交通大學(xué)，交通運(yùn)輸學(xué)院，重慶400074)

0 引言

城市交通擁堵問(wèn)題日益嚴(yán)重，便捷實(shí)用的電動(dòng)自行車成為很多出行者的首選。目前，中國(guó)電動(dòng)自行車的保有量已經(jīng)超過(guò)2.5億輛。隨著其保有量不斷提高，涉及電動(dòng)自行車的事故也隨之增加。電動(dòng)自行車的交通安全問(wèn)題已經(jīng)成為重大的民生問(wèn)題，迫切需要改變。

電動(dòng)自行車交通安全問(wèn)題研究方面：Weber等[1]研究發(fā)現(xiàn)，45～60 歲的電動(dòng)自行車騎行者是電動(dòng)自行車事故的主要參與者；Haustein 等[2]研究發(fā)現(xiàn)，大多數(shù)電動(dòng)自行車事故的發(fā)生與其他道路使用者低估了電動(dòng)自行車的速度有關(guān)；Schepers 等[3]分析荷蘭的調(diào)查數(shù)據(jù)發(fā)現(xiàn)，利用電動(dòng)自行車出行較普通自行車出行更容易發(fā)生事故且受傷；Guo 等[4]研究表明，電動(dòng)自行車騎行者較普通自行車駕駛者更容易違反交通信號(hào)。何慶等[5]指出涉及電動(dòng)自行車的事故及傷害事故逐年增加，其中，傷害事故占40%；王濤等[6]研究發(fā)現(xiàn)，電動(dòng)自行車騎行者違規(guī)行為(不按車道行駛、超速駕駛和酒后駕駛)、電動(dòng)自行車左轉(zhuǎn)和橫穿道路等因素對(duì)電動(dòng)自行車事故影響最為顯著。

電動(dòng)自行車交通事故影響因素研究方面：Behnood 等[7]通過(guò)使用隨機(jī)均值法研究發(fā)現(xiàn)，乘客的年齡和性別對(duì)駕駛員受傷嚴(yán)重程度有較大影響；孫軼軒等[8]通過(guò)C5.0決策樹方法揭示，影響事故嚴(yán)重程度分類的因素主要有碰撞類型、道路屬性、事故致因和駕駛?cè)祟愋偷?；李成志等[9]利用多項(xiàng)Logistic 回歸模型分析表明，電動(dòng)自行車騎車人的年齡、戶口性質(zhì)、是否載人等13個(gè)因素對(duì)電動(dòng)自行車騎車人傷害嚴(yán)重程度存在顯著影響；趙瑋等[10]利用Adaptive Lasso，根據(jù)威斯康星2004-2014年的交通事故數(shù)據(jù)預(yù)測(cè)交通事故嚴(yán)重程度，結(jié)果表明，經(jīng)過(guò)變量篩選的隨機(jī)森林模型比未經(jīng)過(guò)變量篩選的模型預(yù)測(cè)準(zhǔn)確度更高。

綜上，國(guó)內(nèi)外對(duì)電動(dòng)自行車交通安全的研究主體集中于電動(dòng)自行車本身，較少考慮其他因素對(duì)電動(dòng)自行車行駛安全的影響，部分研究聚焦于天氣等外部條件影響，鮮有系統(tǒng)地結(jié)合道路狀況、車輛狀況及騎行者狀況的分析。本文將系統(tǒng)地整合道路信息、事故信息、機(jī)動(dòng)車輛信息、電動(dòng)自行車騎行者信息和機(jī)動(dòng)車駕駛員信息等因素，運(yùn)用隨機(jī)森林模型鑒別對(duì)電動(dòng)自行車騎行者傷害程度有顯著影響的因素及影響程度，為改善電動(dòng)自行車事故中駕駛?cè)说陌踩蕴峁├碚撝С帧?/p>

1 數(shù)據(jù)說(shuō)明

某地級(jí)市2013-2015年發(fā)生4536 起涉及電動(dòng)自行車的事故，其中，電動(dòng)自行車與機(jī)動(dòng)車發(fā)生碰撞事故占比最大，達(dá)到74%，共3373起。本文使用這3373起電動(dòng)自行車與機(jī)動(dòng)車發(fā)生碰撞的事故數(shù)據(jù)作為分析對(duì)象，剔除含有缺失值的數(shù)據(jù)后，共保留2489條事故數(shù)據(jù)作為研究對(duì)象。原始數(shù)據(jù)統(tǒng)計(jì)了22個(gè)交通事故相關(guān)因素所導(dǎo)致的電動(dòng)自行車騎行者事故嚴(yán)重程度的樣本數(shù)量，分別是碰撞類型、路口路段類型、機(jī)動(dòng)車在碰撞中角色、道路類型、車輛行駛狀態(tài)、道路橫斷面類型、車輛使用性質(zhì)、照明條件、機(jī)動(dòng)車駕駛員性別、機(jī)動(dòng)車駕駛員年齡、電動(dòng)車騎行者年齡、駕齡、電動(dòng)車騎行者性別、受傷部位、交通方式、車輛間事故類型、電動(dòng)車違法行為、交通信號(hào)方式、道路物理隔離類型、車輛轉(zhuǎn)向燈狀態(tài)、車輛照明狀態(tài)、事故時(shí)間段。

2 模型建立與結(jié)果分析

2.1 數(shù)據(jù)處理

(1)因變量設(shè)置

選取電動(dòng)自行車騎行者交通事故中的受傷程度為目標(biāo)變量?！兜缆方煌ü芾硇畔⒉杉?guī)范》[11]將交通事故嚴(yán)重程度分為4 個(gè)層次：死亡事故、重傷事故、輕傷事故和財(cái)產(chǎn)損失事故。國(guó)外對(duì)事故傷害程度較多采用2分類方法[12-13]。本文研究電動(dòng)自行車騎行者的受傷害程度而不是研究事故的嚴(yán)重程度，且難以評(píng)估騎行者的財(cái)產(chǎn)損失程度。因此，將傷害程度分為3 類：死亡事故、重傷事故、輕傷事故。將某地區(qū)發(fā)生電動(dòng)自行車騎行者交通事故按受傷程度歸類統(tǒng)計(jì)，結(jié)果如表1所示。

表1 電動(dòng)自行車騎行者交通事故受傷程度分布Table 1 Distribution of injury degree of e-bicycle drivers in traffic accidents

對(duì)電動(dòng)自行車騎行者交通事故受傷程度按死亡、重傷、輕傷這3 類變量進(jìn)行賦值，分別為“1、2、3”。

(2)自變量設(shè)置

在選取自變量時(shí)要綜合考慮各方面的影響，從道路信息、事故信息、機(jī)動(dòng)車輛信息、電動(dòng)自行車騎行者信息、機(jī)動(dòng)車駕駛員信息中選取22 個(gè)自變量。具體變量信息如表2所示。

2.2 隨機(jī)森林模型的建立

隨機(jī)森林[14]是一個(gè)包含多棵決策樹的分類模型，由于其結(jié)合了Bootstrap采樣和隨機(jī)屬性選擇的優(yōu)點(diǎn)[15]，在分類問(wèn)題中取得了良好效果。隨機(jī)森林不僅可以用于二分類，還可以用于多分類問(wèn)題，其泛化能力好[16]，一般不會(huì)出現(xiàn)過(guò)擬合，在有噪聲的數(shù)據(jù)上，隨機(jī)森林也能夠獲得較好的效果，隨機(jī)森林算法具有更好的分類精度，且不會(huì)產(chǎn)生過(guò)擬合問(wèn)題，故選擇隨機(jī)森林作為分類模型。

基于某市電動(dòng)自行車與機(jī)動(dòng)車輛碰撞事故數(shù)據(jù)，通過(guò)SPSS 建立隨機(jī)森林模型。模型訓(xùn)練目標(biāo)為駕駛?cè)耸軅Τ潭?，進(jìn)過(guò)多次實(shí)驗(yàn)篩選，每次分枝的嘗試變量設(shè)置為30，共建立500 個(gè)分類樹，最大樹深度設(shè)置為10，最小子節(jié)點(diǎn)大小設(shè)置為5，缺失值的最大百分比設(shè)置為70%，模型信息如表3所示。

表2 自變量分類表Table 2 Classification of independent variables

表3 模型信息Table 3 Model information

此處誤分類率達(dá)34.4%，這是因?yàn)檫x取的特征變量有22 個(gè)，同類型變量較多導(dǎo)致森林中決策樹之間相關(guān)性較大，減小特征的選擇數(shù)可以進(jìn)一步降低誤分類率。

2.3 隨機(jī)森林模型分析

將變量重要性分別按照模型平均精度下降(Mean Decrease Accuracy)作排序，圖1為隨機(jī)森林模型中各變量重要度的排序。由于本文重點(diǎn)在于對(duì)傷亡程度的影響因素分析，故選取最嚴(yán)重的死亡或失能傷害做排序。

為進(jìn)一步降低電動(dòng)自行車騎行者事故受傷程度，對(duì)受傷程度為死亡的事故決策規(guī)則進(jìn)行分析，如表4所示。

圖1 隨機(jī)森林預(yù)測(cè)各變量重要度排序Fig.1 Ranking of importance degree of each variable of random forest prediction

表4 對(duì)于死亡類別排名靠前的決策規(guī)則Table 4 Top decision rules for death categories

(1)車輛間側(cè)面直角碰撞、電動(dòng)車駕駛?cè)祟^部受傷、道路無(wú)物理隔離、等外道路、駕齡5年以內(nèi)、夜間無(wú)照明、12:00-次日6:00、大中型貨車、大中型客車、小微型貨車、違法駕駛行為、電動(dòng)車直行與機(jī)動(dòng)車碰撞、年齡大于45 歲、男性因素能顯著提高電動(dòng)自行車事故中電動(dòng)自行車騎行者死亡或重傷的風(fēng)險(xiǎn)，其中，以頭部受傷和大中型貨車因素最為突出。

(2)四肢受傷、機(jī)非隔離、摩托車和左轉(zhuǎn)因素能顯著降低電動(dòng)自行車事故中電動(dòng)自行車騎行者死亡或重傷的風(fēng)險(xiǎn)。其中，四肢受傷的傷害程度明顯輕于頭部受傷的傷害程度。

綜上所述，對(duì)于人員群體來(lái)說(shuō)，首先需要對(duì)駕駛員群體開展系統(tǒng)的安全教育培訓(xùn)，規(guī)范電動(dòng)自行車騎行者的安全意識(shí)，強(qiáng)調(diào)觀察自身周邊環(huán)境尤其是正在行進(jìn)間的車輛狀態(tài)，告誡騎行者不得在行駛過(guò)程中突然變道或不規(guī)律行駛，積極佩戴頭盔騎行。強(qiáng)化對(duì)經(jīng)驗(yàn)尚淺的機(jī)動(dòng)車駕駛員的安全意識(shí)教育，強(qiáng)調(diào)在轉(zhuǎn)向時(shí)對(duì)周邊環(huán)境的觀察，提前減速。

對(duì)于行政執(zhí)法部門來(lái)說(shuō)，需要加大執(zhí)法力度，對(duì)電動(dòng)自行車騎行者不佩戴頭盔、后座載人的情況進(jìn)行嚴(yán)格執(zhí)法；在道路照明條件較差的城市道路加裝照明設(shè)備，增添護(hù)欄及標(biāo)志標(biāo)線實(shí)現(xiàn)機(jī)非隔離。

對(duì)于駕校來(lái)說(shuō)，可以提高機(jī)動(dòng)車駕駛培訓(xùn)的教學(xué)質(zhì)量，提供更接近現(xiàn)實(shí)的場(chǎng)景模擬，幫助駕駛員強(qiáng)化對(duì)道路情況觀察的能力和對(duì)潛在危險(xiǎn)要素的感知預(yù)測(cè)能力。

3 結(jié)論

本文基于隨機(jī)森林模型，利用某市2013-2015年發(fā)生的2489起電動(dòng)自行車與機(jī)動(dòng)車發(fā)生碰撞的事故數(shù)據(jù)，通過(guò)隨機(jī)森林模型，分析結(jié)果表明，影響交通事故嚴(yán)重程度最主要的3個(gè)因素分別是：車輛間碰撞類型、騎行者受傷部位、道路物理隔離。車輛間側(cè)面碰撞類型、電動(dòng)自行車騎行者頭部受傷、道路無(wú)隔離設(shè)施是影響電動(dòng)自行車騎行者受傷嚴(yán)重程度的重要因素。針對(duì)各相關(guān)因素，提出改善建議，如從駕駛員的角度出發(fā)強(qiáng)調(diào)安全教育的重要性，教育機(jī)動(dòng)車及電動(dòng)車駕駛員在行駛途中仔細(xì)觀察周邊環(huán)境，合理控制車速等。