熊 睿，鄧院昌

(1.中山大學(xué) 智能工程學(xué)院，廣東 廣州 510006； 2.廣東省智能交通系統(tǒng)重點實驗室，廣東 廣州 510006)

0 引言

隨著汽車保有量和路網(wǎng)密度的快速增加，交通事故頻發(fā)，造成一定人員傷亡和財產(chǎn)損失。相關(guān)統(tǒng)計數(shù)據(jù)顯示，2020年全國交通事故發(fā)生約24.5萬次，死亡人數(shù)達61 000余人，直接財產(chǎn)損失高達131 361萬元[1]。疲勞駕駛已經(jīng)成為影響交通事故不可忽視的因素，因其造成的交通事故數(shù)量約占總體事故數(shù)量的10%～20%[2-3]。在特大事故中，疲勞駕駛導(dǎo)致的交通事故比例高達40%[4]。

國內(nèi)外學(xué)者針對疲勞駕駛交通事故檢測進行研究：蔡素賢等[5]采用隨機森林算法對疲勞駕駛狀態(tài)進行識別；You等[6]引入改進的YOLOv3-tiny卷積神經(jīng)網(wǎng)絡(luò)建立駕駛員疲勞評估模型評估駕駛員的疲勞狀態(tài)；徐蓮等[7]提出1種基于遷移學(xué)習(xí)的眼睛狀態(tài)識別網(wǎng)絡(luò)，采用PERCLOSE準(zhǔn)則判斷駕駛員的疲勞情況。

在疲勞駕駛特點統(tǒng)計分析層面：劉秀等[8]研究發(fā)現(xiàn)貨車和私人小汽車發(fā)生疲勞駕駛交通事故的事故率高，駕齡在3 a以下、20～30歲的駕駛員、男性駕駛員等幾個群體發(fā)生疲勞駕駛交通事故的事故率較高；李都厚等[9]研究發(fā)現(xiàn)30歲以下的男性駕駛員和駕齡為10 a的駕駛員是疲勞駕駛的高發(fā)群體；凌晨2～6時與下午3～4時是疲勞駕駛的高發(fā)時段，高速公路上疲勞駕駛交通事故的比例遠(yuǎn)高于普通公路。

針對疲勞駕駛交通事故的檢測問題：Naveen等[10]提出基于神經(jīng)網(wǎng)絡(luò)的混合多模式系統(tǒng)用于檢測駕駛員疲勞狀態(tài)；Majkowski等[11]提出基于對照相機記錄的圖像進行分析的駕駛員疲勞癥狀檢測系統(tǒng)評估疲勞狀況；Joonchul等[12]利用Smart Fatigue Phone和腦電圖信號獲取疲勞狀態(tài)和唾液皮質(zhì)醇濃度之間的相關(guān)性，提出未來可通過定時定量唾液皮質(zhì)醇識別駕駛員疲勞狀態(tài)的設(shè)想。

針對疲勞駕駛特點統(tǒng)計分析問題：Sooyoung等[13]研究發(fā)現(xiàn)每天工作超過12 h或者駕駛公交車的職業(yè)司機發(fā)生嚴(yán)重疲勞駕駛交通事故的概率較高；Bunn等[14]研究發(fā)現(xiàn)與州際公路和濕潤路面相比，商用車輛駕駛員更有可能在林蔭大道與干燥路面上發(fā)生疲勞駕駛交通事故；Tefft[15]研究指出涉及駕駛員疲勞駕駛的致命性交通事故發(fā)生率比報告高350%以上。

綜上，現(xiàn)有研究主要集中在如何及時發(fā)現(xiàn)駕駛員的疲勞狀態(tài)方面，將疲勞駕駛與事故嚴(yán)重程度直接聯(lián)系起來的研究較少，而同時從人、車、路、環(huán)境和時間5個方面分析疲勞駕駛事故嚴(yán)重性影響因素的文獻則更加少見[16-18]。

基于此，本文擬采用2006—2017年廣東省1 370條疲勞駕駛事故數(shù)據(jù)，結(jié)合Logistic理論從人、車、路、環(huán)境和時間5個方面探析和定量化事故嚴(yán)重性相關(guān)因素的影響程度，研究結(jié)果可為減少和預(yù)防疲勞駕駛嚴(yán)重事故提供基礎(chǔ)數(shù)據(jù)支持。

1 疲勞駕駛事故特點及分析

為對疲勞駕駛導(dǎo)致的嚴(yán)重交通事故影響因素進行探究，本文將嚴(yán)重事故定義為有人員死亡或重傷的事故。在此基礎(chǔ)上，從事故發(fā)生年份、發(fā)生時間段、天氣3個方面對疲勞駕駛事故的事故數(shù)量和嚴(yán)重事故比例進行統(tǒng)計，結(jié)果如圖1所示。

圖1 不同年份、時間段和年齡段下疲勞駕駛交通事故數(shù)量和嚴(yán)重事故占比

由圖1可知，2006—2017年廣東省疲勞駕駛交通事故數(shù)量整體呈下降趨勢，2006年事故數(shù)據(jù)量相對最多；嚴(yán)重交通事故所占比例整體呈上升趨勢，疲勞駕駛交通事故數(shù)量和嚴(yán)重交通事故所占比例在凌晨時間段的數(shù)值相對較高，且2者都在4∶00～6∶00時間段達到1 d中的最大值；10∶00～12∶00，14∶00～20∶00時間段內(nèi)嚴(yán)重交通事故所占比例較低，隨年齡增長，駕駛員疲勞駕駛發(fā)生嚴(yán)重交通事故的概率越高。

在2006—2017年的1 370條廣東省疲勞駕駛交通事故數(shù)據(jù)中，嚴(yán)重交通事故占比達37.52%。因此，研究如何減少和預(yù)防疲勞駕駛導(dǎo)致的嚴(yán)重交通事故的發(fā)生十分必要。

2 疲勞駕駛事故二分類Logistic模型

2.1 Logistic模型簡介

Logistic回歸模型是1種將概率作為因變量的非線性回歸分析方法，常用于研究分類觀察結(jié)果(因變量)與影響因素(自變量)之間的關(guān)系，如式(1)所示：

(1)

式中：P為事件發(fā)生概率；Y為因變量；X=(x1，x2，…,xn)為與因變量有關(guān)的n個自變量的集合；xi表示影響因素，可以是連續(xù)變量，也可以是分類變量；β0為常數(shù)項；βi為回歸系數(shù)。

在Logistic模型中，將事件發(fā)生概率P與事件不發(fā)生概率1-P的比值稱為發(fā)生比或者優(yōu)勢比。將該發(fā)生比取自然對數(shù)，可得到線性函數(shù)如式(2)所示：

(2)

式中：α表示回歸截距。

2.2 變量賦值

首先，初步從人、車、路、環(huán)境和時間5個角度選擇17個變量作為自變量，為更清楚地表現(xiàn)各變量間的關(guān)系，對本次分析所涉及的交通事故特征變量進行賦值。

影響因素賦值及含義如表1所示。其中，年齡、駕齡、人員類型、車輛類型、道路類型、天氣、能見度以及照明條件為多分類變量，需要進行啞變量轉(zhuǎn)換，如年齡轉(zhuǎn)換賦值如表2所示。

表1 影響因素賦值及含義

表2 多分類變量年齡轉(zhuǎn)換賦值

本文選取事故嚴(yán)重程度作為因變量(記為yi)，考慮交通救援在交通事故中的作用，將有人員死亡或受重傷的事故記為嚴(yán)重事故，記為yi=1，將僅有人員輕傷或財產(chǎn)損失記為非嚴(yán)重事故，記為yi=0。

2.3 模型參數(shù)估計

完成自變量以及因變量的賦值及處理后，使用SPSS 22.0軟件，采用正向逐步法(條件)并選取顯著水平α=0.05進行二項Logistic回歸和參數(shù)估計。

將上述17個候選自變量進入模型，顯著水平低于α=0.05的變量將被剔除。根據(jù)軟件回歸結(jié)果，最終滿足條件的自變量見表3。

表3 參數(shù)估計結(jié)果

2.4 模型結(jié)果分析

Logistic模型建立后，首先需要保證模型的有效性和可信度，其次才能夠進一步對模型結(jié)果進行分析和探討。因此，本文將對模型的擬合優(yōu)度和擬合劣度進行檢驗。

1)模型擬合度檢驗

模型擬合度檢驗包括擬合優(yōu)度檢驗(Omnbinus檢驗)與擬合劣度檢驗(Hosmer-Lemeshow檢驗)，具體擬合指數(shù)如表4所示。

由表4可知，Omnbinus檢驗的卡方值為150.029，自由度為15?？ǚ綑z驗臨界值表顯示顯著水平為0.05時，卡方臨界值為24.996，由于150.029大于24.996，Sig.值小于0.001，表明模型擬合優(yōu)度好，有效性較強。對模型進行Hosmer-Lemeshow檢驗，得到卡方值為8.335，自由度為8，Sig.值為0.401。當(dāng)顯著水平為0.05時，卡方臨界值為15.507，因此接受零假設(shè)，說明模型擬合劣度低，缺陷小。綜上，模型通過檢驗，可以進行結(jié)果分析與解讀。

表4 擬合度檢驗

2)結(jié)果分析

①由表3可知，在駕駛員疲勞駕駛情況下，18～25歲的駕駛員發(fā)生嚴(yán)重交通事故的概率是45歲以上年齡段駕駛員的0.580倍，25～45歲年齡段發(fā)生嚴(yán)重交通事故的概率是45歲以上年齡段駕駛員的0.658倍。這可能是因為年齡較小的駕駛員身體素質(zhì)和健康狀況比較好，反應(yīng)速度比較快，在發(fā)生交通事故的時候能夠在較短的時間內(nèi)采取補救措施，最大限度保護自己少受傷害，從而降低嚴(yán)重事故發(fā)生概率。

②在駕駛員疲勞駕駛情況下，公務(wù)員、工人、個體戶和普通職員發(fā)生嚴(yán)重交通事故的概率分別是其他職業(yè)人員的2.727，2.183，1.517，2.016倍；農(nóng)民發(fā)生嚴(yán)重交通事故的概率僅為其他職業(yè)人員的0.807倍。這是因為公務(wù)員、個體戶和普通職員工作壓力大，需要長期奔波，缺乏休息時間，工人工作量大，強度高，體力消耗大，身體容易疲乏，這幾類人員駕駛時更可能處于深度疲勞狀態(tài)，發(fā)生事故相對嚴(yán)重。農(nóng)民對交通工具的需求較低，較少長途奔波，因此發(fā)生嚴(yán)重事故的概率相對較低。張旗[19]指出，最常見的疲勞駕駛原因是駕駛員睡眠不足，因此不同職業(yè)的駕駛?cè)藛T發(fā)生嚴(yán)重交通事故的概率可能與其睡眠時間和質(zhì)量相關(guān)。該研究結(jié)果尚需進一步驗證和研究。

③在駕駛員疲勞駕駛情況下，駕駛摩托車、客車和貨車的駕駛員發(fā)生嚴(yán)重交通事故的概率分別是駕駛其他車型的0.517，0.634，0.890倍。這可能是因為摩托車車型小，操作輕便，在發(fā)生交通事故時，采取減速、避撞等行為更容易。公安部對客車和貨車的監(jiān)管嚴(yán)格，對司機疲勞駕駛的情況相當(dāng)重視，因此發(fā)生嚴(yán)重事故的概率比較低。

④在駕駛員疲勞駕駛情況下，城市道路發(fā)生嚴(yán)重事故的概率是其他道路的0.302倍。這可能因為城市道路設(shè)計比較規(guī)范，行車相對安全，管理嚴(yán)格、電子警察等執(zhí)法措施相對完善，對機動車駕駛員具有一定的約束作用。

⑤在駕駛員疲勞駕駛情況下，直線路段發(fā)生嚴(yán)重交通事故的概率是非直線路段的0.638倍。這可能是因為當(dāng)駕駛員在非直線路段駕駛時，需要時刻注意道路線段的變化，更容易疲勞。同時，非直線路段可能存在視野盲區(qū)，駕駛員難以注意到危險因素的存在，與林慶豐等[20]的研究成果相同。

⑥在駕駛員疲勞駕駛情況下，能見度在<50 m、≥50～100 m時發(fā)生嚴(yán)重交通事故的概率分別為能見度>200 m的1.735,1.658倍。這可能是因為能見度較低時，駕駛員無法辨認(rèn)前方路況，難以發(fā)現(xiàn)潛在危險因素，發(fā)生車輛碰撞時無法做出及時的應(yīng)急反應(yīng)。郭智亮等[21]研究發(fā)現(xiàn)，1 d時間內(nèi)最低能見度通常出現(xiàn)在清晨，午后明顯好轉(zhuǎn)，之后又逐漸降低。這很好地印證疲勞駕駛嚴(yán)重事故占比與時間段的關(guān)系特征，間接反映本文結(jié)論的合理性。

3 不同道路條件下的疲勞駕駛交通事故嚴(yán)重程度影響因素分析

根據(jù)前文研究結(jié)果，城市道路和非城市道路發(fā)生嚴(yán)重事故的概率相差較大，道路類型是影響疲勞駕駛交通事故嚴(yán)重程度的重要因素(Sig.<0.001)。為更具體地探究不同道路條件下疲勞駕駛交通事故嚴(yán)重程度的影響因素,本文將道路類型進一步細(xì)化為城市道路、高速公路、1級道路、2級道路和其他道路，并據(jù)此將廣東省的1 370條疲勞駕駛事故數(shù)據(jù)劃分為5個數(shù)據(jù)集，分別建立事故嚴(yán)重程度預(yù)測模型。

選取年齡、人員類型、車輛類型、道路線形和能見度作為自變量，采取正向逐步法，將顯著水平設(shè)為α=0.05。結(jié)果顯示除高速公路數(shù)據(jù)集外，其他4個數(shù)據(jù)集所對應(yīng)的模型均通過擬合度檢驗。

3.1 城市道路

在城市道路環(huán)境下，滿足條件的自變量如表5所示。從表5可知，在城市道路環(huán)境下，對疲勞駕駛交通事故嚴(yán)重程度具有顯著影響的因素為車輛類型和道路線形。

表5 城市道路數(shù)據(jù)集的參數(shù)估計結(jié)果

與前文不同的是，在城市道路直線路段更容易發(fā)生嚴(yán)重疲勞駕駛事故，其概率為非直線路段的3.483倍。原因可能是相比于非直線路段，司機在直線路段發(fā)生超車行為的概率較高，變道和加減速變換行為比較頻繁，容易與其他車輛形成較大的速度差，因此發(fā)生嚴(yán)重事故的概率相對較高。Zhang等[22]同樣在研究中指出直行車輛更容易造成嚴(yán)重交通事故。

3.2 高速公路

根據(jù)SPSS結(jié)果，在高速公路環(huán)境下，年齡、人員類型、車輛類型、道路線形和能見度均對疲勞駕駛交通事故的嚴(yán)重程度沒有顯著影響。可能原因是高速公路的道路設(shè)計比較完善，交通監(jiān)管力度嚴(yán)格，駕駛員的個人特質(zhì)表現(xiàn)不明顯，車輛、環(huán)境要素對事故嚴(yán)重程度的影響不大，結(jié)果與陳昭明等[23]的研究相悖，有待進一步研究。

3.3 1級道路

在1級道路環(huán)境下，滿足條件的自變量如表6所示。從表6可知，在1級道路環(huán)境下，能見度是影響疲勞駕駛交通事故嚴(yán)重程度的重要因素，能見度越低發(fā)生嚴(yán)重事故的概率越高。

表6 1級道路數(shù)據(jù)集的參數(shù)估計結(jié)果

3.4 2級道路

在2級道路環(huán)境下，滿足條件的自變量如表7所示。從表7可知，在2級道路環(huán)境下，人員類型、車輛類型、道路線形和能見度均會影響疲勞駕駛事故的嚴(yán)重程度。相比于其他類型的道路，影響2級道路疲勞駕駛事故嚴(yán)重程度的因素最多，因此交通管理部門應(yīng)該尤其重視對2級道路的監(jiān)管工作。

表7 2級道路數(shù)據(jù)集的參數(shù)估計結(jié)果

普通職員發(fā)生嚴(yán)重事故的概率是其他職員的6.040倍，貨車發(fā)生嚴(yán)重事故的概率是其他類型車輛的2.056倍，直線段發(fā)生嚴(yán)重事故的概率是非直線段的2.163倍。說明在設(shè)計規(guī)范較差的2級道路中，貨車及直線道路應(yīng)該是交通管理部門的重點監(jiān)測對象，同時，應(yīng)該適當(dāng)提醒普通職員在駕車上下班的途中應(yīng)保持較強的交通安全意識。

3.5 其他道路

在其他道路環(huán)境下，滿足條件的自變量如表8所示。從表8可知，在其他更加低級的道路中，人員類型和能見度是影響疲勞駕駛交通事故嚴(yán)重程度的重要因素。公務(wù)員發(fā)生嚴(yán)重交通事故的概率是其他人員的8.493倍，能見度為50～100 m時發(fā)生嚴(yán)重交通事故的概率相對最高。提高能見度是減少和預(yù)防低級道路中發(fā)生嚴(yán)重疲勞駕駛事故的有效手段，針對公務(wù)員的交通安全教育也應(yīng)該受到重視。

表8 其他道路數(shù)據(jù)集的參數(shù)估計結(jié)果

4 減輕和預(yù)防交通事故措施討論

綜上，疲勞狀態(tài)下發(fā)生交通事故的嚴(yán)重程度與年齡、人員類型、車輛類型、道路類型、道路線形和能見度有關(guān)，不同道路條件下的事故嚴(yán)重程度影響因素有所不同。利用模型預(yù)測的結(jié)論，本文提出相關(guān)建議以減少和預(yù)防疲勞駕駛導(dǎo)致的嚴(yán)重交通事故的發(fā)生。

1)加強對特殊職業(yè)群體的交通安全教育。針對公務(wù)員、工人和普通職員疲勞駕駛出現(xiàn)嚴(yán)重事故的概率較高的問題，相關(guān)部門應(yīng)對該部分群體開展交通安全教育，提高職員安全意識和責(zé)任意識，減少駕駛員疲勞駕駛傾向。重點提醒公務(wù)員和普通職員在2級及更低級道路駕駛時應(yīng)保持較高的警惕性。

2)嚴(yán)格把控道路設(shè)計、完善道路設(shè)施。在規(guī)劃設(shè)計道路方面，盡量采用平直線形。若存在必須采用非平直線形的路段，應(yīng)嚴(yán)格按照道路設(shè)計標(biāo)準(zhǔn)對道路的曲率、半徑等進行規(guī)范，同時應(yīng)在非平直線路的路段合理設(shè)置明顯的警示標(biāo)識，提醒駕駛員小心駕駛。在照明條件方面，完善道路照明設(shè)施，保證每條路段尤其是道路等級較低的路段均有路燈照明。當(dāng)能見度較差時，合理設(shè)置警示標(biāo)語。

3)加強交通監(jiān)管力度。盡可能完善測速裝置和監(jiān)控裝置布設(shè)，加強車速監(jiān)督管理，嚴(yán)格控制車距，保障行車安全。重點提高城市道路和等級較低道路直線路段的速度監(jiān)測和超車行為監(jiān)管力度，對違法交通行為采取嚴(yán)格處罰措施，減少違法行為發(fā)生。

5 結(jié)論

1)在疲勞駕駛前提下，以事故嚴(yán)重程度為因變量，以涵蓋人、車、路、環(huán)境和時間5個方面的17個因素為自變量建立Logistic模型，最終得到年齡、人員類型、車輛類型、道路類型、道路線形和能見度6個因素與事故嚴(yán)重程度顯著相關(guān)。

2)針對不同道路類型下的數(shù)據(jù)集分別建立Logistic模型，得出車輛類型、道路線形與城市道路的疲勞駕駛交通事故嚴(yán)重程度顯著相關(guān)；能見度與1級道路的事故嚴(yán)重程度顯著相關(guān)；人員類型、車輛類型、道路線形和能見度與2級道路的事故嚴(yán)重程度顯著相關(guān)；人員類型和能見度與其他更低級道路的事故嚴(yán)重程度顯著相關(guān)。

3)對Logistic模型進行檢驗，說明構(gòu)建的模型具有較高的準(zhǔn)確性和可信度。研究結(jié)果可作為相關(guān)部門從人、車、路、環(huán)境等方面預(yù)防和減少疲勞駕駛嚴(yán)重事故的基礎(chǔ)支持?jǐn)?shù)據(jù)，也可為相關(guān)管理部門對不同類型道路制定針對性監(jiān)管措施提供參考。