羅俊任，張道文，2，張 友，車瑤櫟

（1.西華大學汽車與交通學院，四川 成都 610039；2.汽車測控與安全四川省重點實驗室，四川 成都 610039）

《2018年全球道路安全現(xiàn)狀報告》顯示：道路交通死亡人數繼續(xù)攀升，每年死亡135萬人，道路交通傷害是5至29歲兒童和年輕人死亡的主要原因［1］。同時國家統(tǒng)計局數據顯示：2018年中國發(fā)生二輪車道路交通事故共73270起，造成14776人死亡、85778人受傷。因此，提高中國道路交通安全，減少道路使用者傷亡，尤其是減少十字路口汽車與二輪車事故傷亡，是道路交通安全研究的重要內容。

十字路口是道路交匯處，也是最容易發(fā)生交通沖突的區(qū)域［2］。交通參與方通過十字路口面對交通沖突時，一旦不能采取及時、有效的措施，交通沖突會轉變?yōu)榻煌ㄊ鹿?。資料顯示［3］：美國發(fā)生在交叉路口的交通事故占比為36%，中國城市道路交叉路口事故數占比約為30%。交叉路口道路安全現(xiàn)狀不容樂觀，特別是發(fā)生在十字路口汽車與二輪車事故，騎車人傷亡情況嚴重。為了減少十字路口汽車與二輪車事故，有必要基于真實事故數據研究十字路口汽車與二輪車事故場景。

目前，國內外對危險場景開展了一系列的研究。Lenard J等［4］聚類分析了英國事故數據，獲取了人車事故的典型測試場景；李霖等［5］對上海地區(qū)的自然行駛工況進行聚類分析，得到了涉及騎車人的典型危險工況場景庫；曹毅［6］基于NAIS事故數據，選擇照明情況、道路情況等6種參數描述人車事故場景，通過聚類分析獲得5種人車事故場景；胡林等［7］基于車與二輪車事故數據研究兩輪車自動緊急制動系統(tǒng) （Autonomous Emergency Braking，簡稱AEB）測試場景，為兩輪車AEB測試奠定基礎；周華［8］等基于NAIS事故數據為智能汽車研發(fā)提供場景推演方案，獲得了5類符合中國道路交通情況的十字路口乘用車與二輪車典型危險場景；2007年，美國國家公路交通安全管理局 （National Highway Traffic Safety Administration，簡稱NHTSA）為避免交通事故，拯救生命，首先提出37種預碰撞場景［9］；歐盟新車安全評鑒協(xié)會 （European New Car Assessment Programme，簡稱Euro NCAP）重點關注碰撞場景和道路弱勢群體的AEB技術［10］，并從2014年，首次將AEB納入其評價體系。2018年后，將重點研究用于避免或減輕乘用車與騎車者碰撞的自主緊急制動系統(tǒng)［11］。國內外學者研究重點放在人車事故方面，對特定場景下汽車與二輪車的危險場景研究相對缺乏。

國內外學者開展了許多汽車與二輪車交通事故相關研究，國外形成了豐富事故場景和避險策略，如AEB系統(tǒng)和相應的測試場景的研究等。但是國外的交通情景難以完全反應中國多元的交通工況，需要基于中國事故數據深入分析。國內研究獲得了人車事故和車與二輪車事故典型場景，但針對中國十字路口汽車與二輪車事故場景的關鍵參數研究較為缺乏。因此，基于國家車輛事故深度調查體系 （National Vehicle Accident In-depth Investigation System，簡稱NAIS）深度調查事故數據，篩選發(fā)生在十字路口汽車與二輪車事故，通過聚類分析探究典型場景，其結果為十字路口汽車與二輪車的沖突消解、防撞策略研究提供參考。

1 樣本數據來源

國家車輛事故深度調查體系在2007年就開始對中國車輛事故開展了深度調查，目前已經積累具有中國交通特點的豐富事故數據。NAIS按嚴格規(guī)范進行事故信息勘探、事故再現(xiàn)與分析，將相關信息匯總到NAIS數據庫。NAIS數據對人員受傷情況和事故嚴重程度描述，如表1所示。

表1 事故傷害描述

從NAIS數據庫中選取車輛交通事故數據分析，對樣本集進行抽樣，抽樣標準如下。

1）事故發(fā)生地點為十字路口。

2）參與方數目為2，且二輪車為參與方，包括摩托車、電動二輪車、自行車。

3）汽車為前端碰撞，排除后部碰撞等特殊情況。

對203起符合選取標準的事故的信息缺失值進行補齊和取舍，最終剩余191起事故案例進入聚類分析階段。

2 樣本數據描述

研究十字路口汽車與二輪車事故場景從車輛、道路、環(huán)境三方面著手。環(huán)境因素有事故發(fā)生時環(huán)境照明情況、十字路口信號燈情況、汽車所在道路車道數、道路限速情況。車輛參數包括汽車種類、汽車速度、汽車運動方式、第一碰撞點；二輪車方面包括二輪車種類、二輪車運動方式。研究變量與賦值如表2所示。

表2 變量與賦值

變量中第一碰撞點表示碰撞時二輪車與汽車第一接觸部位，第一碰撞點分為左側、前部、右側3部分，第一碰撞點分布情況如圖1所示。碰撞位置是指基于十字路口建立直角坐標系，汽車駛入方向為Y軸正方向，進而將十字路口分為4個象限如圖2所示，碰撞位置是汽車與二輪車發(fā)生碰撞的位置。

圖1 第一碰撞點分布

圖2 碰撞位置分布

樣本中總體變量分布情況如圖3所示。樣本中事故發(fā)生時，照明情況良好、路口有信號燈、車道數為1至4、汽車為乘用車、汽車運動方式為直行、二輪車為電動二輪車、碰撞位置在第四象限、前端碰撞的事故比例較高。

圖3 變量分布情況

3 聚類分析

十字路口汽車與二輪車事故涉及多元的交通工況，運用聚類分析將繁雜事故工況聚類為簡潔的幾種場景，便于探究典型場景。聚類分析根據分類對象的不同分為Q型聚類和R型聚類兩類，R型聚類是對變量進行分類處理，Q型聚類是對樣本進行分類處理［12］。運用Q型聚類方法分析十字路口汽車與二輪車事故場景。典型聚類算法有層次聚類、k均值算法等?；趯哟尉垲惙ǚ治鰯祿杀憬莸玫骄垲惤Y果，層次聚類首先將n個樣本看成n類事物，然后根據樣本間距離差異，把距離小的兩類合并為一類，得到n-1類，重復上述步驟，最后直到將所有事物歸為一類。層次聚類依據的是距離，距離分為變量間距離、樣本間距離、類別間距離。變量間距離計算由變量類型決定，研究變量涉及名義尺度變量和間隔尺度變量，其中名義尺度變量是沒數值關系但有類別差異的變量，間隔尺度變量是具有順序數據的性質，并可以按某一固定度量單位表示數值間的間隔的變量。名義尺度變量間距離d1計算公式為：

間隔尺度變量需按比例關系映射到其取值區(qū)間，映射關系為：

式中：a——間隔尺度變量所有取值集合。

間隔尺度變量間距離d2計算公式為：

式中，bi、bi取值范圍為［0，1］。樣本間距離選擇便捷的曼哈頓距離。設有n個樣本，每個樣本中有m個變量，因此每個樣本可用向量Xi表示：

式中：Xij——樣本集中第i樣本的第j個變量，則第i個樣本與第j個樣本的曼哈頓距離為d（Xi-Xj），其計算公式為：

類別間距離選擇類平均距離作為聚類依據。設Gp、Gq為兩個不同類別，分別含有p、q個樣本，則Gp、Gq的類間距離為Dpq。

運用類平均距離作為類別分類依據進行聚類，繪制類平均距離方法聚類的不一致系數曲線，如圖4所示。發(fā)現(xiàn)182次聚類后不一致系數變化加劇，表明前一步聚類效果較好，于是，初步得到9類十字路口汽車與二輪車事故危險場景［13］。統(tǒng)計每類場景事故分布情況及占比，結果如表3所示。

圖4 不一致系數曲線

聚類結果顯示1、5、6、9號場景占樣本比例不足7%，對場景描述支撐不足，因此選取比例之和為93.2%的2、3、4、7和8號5類場景作為主要事故場景進行深入分析。選擇每類場景事故案例數比例超過50%的變量作為場景特征變量，不足50%的變量，選擇比例較大的兩種變量作為特征變量候選，并對比此兩種變量對應的騎車人死亡占比和事故嚴重占比，選擇傷亡風險和事故嚴重程度占比大的變量作為場景特征變量。通過對車道數進行統(tǒng)計，選擇眾數作為場景的特征變量。因此，1至4車道選取4車道作為場景汽車所在車道數，5至8車道選取6車道作為場景汽車所在車道數，9車道以上選取10車道作為場景汽車所在車道數。對每類場景汽車速度分布統(tǒng)計，基于每類場景25%～75%速度確定場景汽車速度范圍。因此，獲得5種主要十字路口汽車與二輪車危險場景如表4所示。

5種主要場景共同因素為照明情況良好，電動二輪車直行進入路口，第一碰撞點為前端。不同因素表現(xiàn)在汽車類型，4號和7號場景汽車為商用車，其他均為乘用車；信號燈情況，3號場景路口無信號燈，其他事故場景發(fā)生時，路口有信號燈；限速情況，3號場景限速40km·h-1及以下。其他場景限速高于40km·h-1；對比不同場景中汽車車速，商用車場景4和7號場景均低于乘用車場景；8號場景為二輪車為摩托車，其他場景為二輪車為電動二輪車；3和4號場景的車道數4，其他場景均為6；8號場景汽車運動方式為右轉，其他均為直行；8號場景的碰撞位置為第二象限，其他均為第四象限。

表3 聚類結果

4 典型場景研究

探究5種主要場景中騎車人發(fā)生死亡風險的差異性，運用Logistic回歸分析，進行騎車人死亡概率與場景的相關研究。

OR （Odds Ration）：在特定條件下事件發(fā)生概率與事件不發(fā)生概率之比：

Logistic回歸

式中：P——事件發(fā)生概率，其取值范圍為［0，1］；α——截距參數；βi——對應的偏回歸系數。

5種主要危險場景為自變量，騎車人是否死亡為因變量，運用二元Logistic回歸方法分析各類主要場景騎車人發(fā)生死亡的相對概率，其結果如表5所示。

表4 十字路口汽車-二輪車主要危險場景

表5 場景與騎車人死亡風險的邏輯回歸分析結果

邏輯回歸分析結果表明，5種主要場景中騎車人死亡概率差異存在統(tǒng)計學意義，其中以場景8為參照組 （OR=1），則場景7造成二輪車騎車人死亡的風險最大（OR=5.385）。這是因為參與方是商用車與電動二輪車，由于商用車質量相對乘用車體型較大，同時車輛發(fā)生轉向，雖然通過路口速度緩慢，一旦碰撞事故極易發(fā)生碾壓事故造成騎車人嚴重傷害。

2號場景是照明良好，路口有信號燈，處于6車道的直行乘用車與直行電動二輪車在第四象限發(fā)生前端碰撞，在聚類結果比例為34.2%，比例最高；7號場景是照明良好，路口有信號燈的條件下，處于6車道的右轉商用車與直行電動二輪車在第四象限發(fā)生前端，騎車人死亡風險最高。因此，選擇此兩類場景作為十字路口發(fā)生汽車與二輪車事故的典型場景。

5 結論

1）對真實事故數據聚類獲得5類十字路口汽車與二輪車主要危險場景。

2）基于發(fā)生頻率最大和騎車人死亡風險最高的場景具有危險場景代表性，獲得兩類十字路口汽車與二輪車的典型事故場景。

3）十字路口汽車與二輪車典型事故場景，為消解十字路口沖突，減少事故提供參考。

4）交叉路口類型多樣，丁字路口、環(huán)島路口等類型的交通事故場景有待進一步研究。