江欣國,章國鵬,石小林,夏　亮,賈雄文

(1.西南交通大學(xué)交通運輸與物流學(xué)院,四川 成都 610031; 2.廣東省江門市新會區(qū)交通運輸局,廣東 江門 529100)

隨著汽車保有量的急劇增加,道路交通安全問題也日益凸顯,據(jù)統(tǒng)計,我國因道路交通問題所造成的傷亡人數(shù)自20世紀80年代末以來,已連續(xù)30余年居世界首位.在道路交通所造成的傷亡事故中,兩車事故尤為突出,其所占比例遠高于其它事故類型.以山西省2010年車輛事故數(shù)據(jù)為例,兩車事故約占事故總數(shù)的83%[1].在國外亦是如此,美國密西根州2012—2014年事故數(shù)據(jù)顯示,兩車事故約占事故總數(shù)的59%[2].在兩車事故發(fā)生后,事故調(diào)查人員通常會通過詢問證人、查看車輛軌跡、人員傷亡情況來判斷雙方駕駛員是否有違法或過失行為,以此來判定事故責(zé)任的歸屬并開具罰單.其中,一方駕駛員對事故負全部責(zé)任,另一方對事故無責(zé)任,則為單責(zé)事故(single-at-fault crashes),而雙方駕駛員均有過失(違法行為或危險駕駛行為),均對事故有責(zé)任,則為雙責(zé)事故(both-at-fault crashes).從定責(zé)的結(jié)果看,單責(zé)事故所占比例明顯高于雙責(zé)事故[1].

國內(nèi)外對于兩車事故已經(jīng)開展了大量的研究，其中事故定責(zé)是開展雙責(zé)事故研究的前提.文獻[3-5]在法律層面對事故雙方的責(zé)任歸屬進行判定分析,分別研究了交通事故損害賠償責(zé)任主體的認定、道路交通事故損害賠償責(zé)任的立法和機動車交通事故責(zé)任歸責(zé)原則體系的完善構(gòu)建.通常,交通事故定責(zé)是由交警或調(diào)查人員通過事故現(xiàn)場調(diào)查、涉事駕駛員口供、目擊者詢問等方法確定的.事故調(diào)查人員的定責(zé)決策受到肇事逃逸、藥物使用、駕駛員年齡性別等因素的影響[6].因此,如何選取合理的定責(zé)方法,對于雙責(zé)事故的研究至關(guān)重要.

在事故影響因素方面,已有部分文獻開展了關(guān)于駕駛員性別、年齡、駕駛行為、車輛類型[7-8]、環(huán)境特征等因素對兩車事故嚴重程度的影響研究,如文獻[8]利用Bivariate generalized ordered probit模型分析臺北市信號交叉口兩車事故受傷嚴重程度,發(fā)現(xiàn)駕駛員年齡、車輛類型、違法類型、交叉口類型、事故類型以及照明條件等因素對事故嚴重程度有顯著影響.在事故影響因素中,危險駕駛行為與事故的發(fā)生及其嚴重程度直接相關(guān).駕駛?cè)诉`法行為是造成兩車事故的主要原因[9],特別是攻擊性駕駛行為.危險駕駛行為與駕駛員心理和行為特征等密切相關(guān)[10],有必要進行深入研究并提出防范對策.根據(jù)既有文獻,同一安全影響因素對于不同事故類型的作用效果可能不一致[11].比如,年輕駕駛員(小于30歲)在單車事故和兩車事故中對事故的受傷嚴重性起到相反的作用,側(cè)面刮擦事故對于兩車均為小汽車和兩車均為卡車的影響也是相反的.鑒于以上研究成果,安全因素對單責(zé)和雙責(zé)事故受傷嚴重程度也可能起到不同的影響作用.現(xiàn)有關(guān)于兩車事故的研究主要是針對單責(zé)事故,而對雙責(zé)事故卻缺少必要的探索,從而限制了雙責(zé)事故的預(yù)防策略的制定與有效實施.因此,需要開展專門針對雙責(zé)事故的研究.

盡管國內(nèi)外學(xué)者對兩車事故開展研究并取得了一定成果,可為雙責(zé)事故分析研究提供一定的理論支持與技術(shù)借鑒.但這些研究往往僅在“兩車”這個大范圍下開展,主要針對單責(zé)事故,而對于雙責(zé)事故卻鮮有研究.目前國內(nèi)外對雙責(zé)事故的相關(guān)研究,僅限于從法律層面對兩車事故中的雙方駕駛員進行責(zé)任判定分析,尚未對雙責(zé)事故的致因進行分析研究.雙責(zé)事故由于自身的特殊性,即雙方駕駛員均有過失,其事故傷害不僅僅與自身的過失行為相關(guān),還受對方駕駛員的過失行為的影響,而兩者過失行為的相互影響和共同作用往往致使事故后果變得更嚴重.因此,有必要深入研究雙責(zé)事故的駕駛行為.本文將對比雙責(zé)事故與單責(zé)事故的嚴重程度分布,再分析駕駛員的危險駕駛行為對單責(zé)與雙責(zé)事故的傷害嚴重程度影響的差異性,然后在交互危險駕駛行為基礎(chǔ)上,研究其對雙責(zé)事故受傷嚴重程度的影響作用,最后提出雙責(zé)事故在駕駛行為方面預(yù)防的重點,為雙責(zé)事故的預(yù)防提供依據(jù).

1　模型與數(shù)據(jù)

1.1　數(shù)據(jù)來源

基于美國密歇根州交通部(Michigan Department of Transportation)記錄的事故數(shù)據(jù)庫(2012—2014年)開展雙責(zé)事故的安全分析.據(jù)數(shù)據(jù)庫記錄,密歇根州每年約發(fā)生交通事故30萬起,其中兩車事故所占比例接近60%.該事故數(shù)據(jù)庫包含了事故嚴重程度、駕駛員特征、車輛特征、道路條件、環(huán)境條件等信息,其中駕駛員特征中詳細記錄了事故中每位駕駛員是否存在危險駕駛行為以及危險駕駛行為類型.本文對駕駛員事故責(zé)任歸屬的根據(jù)其在數(shù)據(jù)庫中是否被記錄存在交通違法行為(violator indicator).如此,雙方駕駛員均被認定存在交通違法的兩車事故則視為兩車雙責(zé)事故.在開展數(shù)據(jù)建模分析前,需要進行原始事故數(shù)據(jù)預(yù)處理.在此過程中,剔除了存在干擾信息(涉及行人、動物、自行車、摩托車和列車的事故)、肇事逃逸、危險行為不明確、駕駛行為記錄有誤的事故樣本;另外,考慮到無傷亡事故由于嚴重程度低,通常未上報交警部門或未被交警記錄在案,因而存在大量缺失現(xiàn)象[12],為了確保分析結(jié)果的準確性,本文剔除該類型事故,并最終篩選出2 301起兩車雙責(zé)事故.此外,采用相同的預(yù)處理方法,篩選出只有一方駕駛員存在交通違法行為的兩車單責(zé)事故用于對比分析,共76 294起.考慮到兩組數(shù)據(jù)樣本量差異過大,隨機抽取3.5%的單責(zé)事故樣本(2 761起)作為對照組,確保兩組數(shù)據(jù)樣本量相當.

1.2　變量定義

美國密歇根州交通部記錄的事故數(shù)據(jù)中,事故嚴重程度被分為5個等級,分別為死亡(killed)、重傷(incapacitating injury)、中傷(non-incapacitating injury)、輕傷(possible injury)和無傷亡(no injury).由于死亡事故的樣本量極少,僅34起,占全部雙責(zé)事故的1.5%,因此在建模過程中將死亡和重傷一并考慮.在建模分析過程中,事故嚴重程度等級作為因變量,危險駕駛行為作為解釋變量,變量的定義與描述性統(tǒng)計見表1.

表1　變量的定義與描述性統(tǒng)計Tab.1　Definition and descriptive statistics of the variables

1.3　統(tǒng)計模型

大量統(tǒng)計模型已經(jīng)被用于鑒別駕駛行為對交通安全的影響作用,包括:(1) 二元選擇模型,適用于因變量僅為2種選擇,如死亡和非死亡;(2) 有序離散模型,適用于因變量可分為有序的若干個等級,如無傷亡、受傷和死亡;(3) 多元選擇模型,適用于因變量有3種及以上的無序選擇.密歇根州交通部記錄的事故數(shù)據(jù)中,事故嚴重程度分為死亡、重傷、中傷、輕傷和無傷亡等有序的等級,與有序響應(yīng)模型的固有性質(zhì)相吻合,故本文采用有序響應(yīng)模型分析危險駕駛行為對雙責(zé)事故嚴重程度的影響.有序響應(yīng)模型已在交通安全領(lǐng)域得到廣泛地應(yīng)用[13-16],比如摩托車頭盔使用[14]、自行車與汽車沖突[15]和隧道交通安全[16]等方面.其中比較常用的是有序logit模型,其表達式為[17]

(1)

式中:P(*)為特定事故嚴重程度等級的發(fā)生概率;j為事故嚴重程度等級,j=1,2,…,M-1;Yi為第i(i=1,2,…)起事故的受傷嚴重程度等級;X為自變量組成的集合;β為X的系數(shù);αj為第j等級的常數(shù)項.

然而有序logit模型存在明顯的缺陷,其自變量系數(shù)β在各有序等級中始終保持一致,因而限制了自變量對不同事故嚴重程度等級的影響作用效果.為了克服該缺陷,本文將采用其改進模型——廣義有序logit模型,其表達式為[17]

(2)

或者:

P(Yi≤j)=1-(Xβj)=F(Xβj),

(3)

式中:βj為第j等級的自變量系數(shù)集合;F(*)為標準logistics累計分布函數(shù).

由式(3)可知,廣義有序logit模型與有序logit模型的表達式基本一致,主要區(qū)別在于自變量的系數(shù)集合βj在不同事故等級中并非固定不變,比傳統(tǒng)的有序logit模型應(yīng)用更加靈活.廣義有序logit模型事故嚴重程度Yi發(fā)生概率的計算方程組為[17]

(4)

P(Yi=M)=g(XiβM-1).

(5)

為了進一步描述駕駛行為對雙責(zé)事故嚴重程度的影響大小和趨勢,本文還將計算各種駕駛行為的邊際效應(yīng)值.邊際效應(yīng)是指在其它變量都取均值的情況下,某個變量取值增加一個單位對因變量取值產(chǎn)生概率的變化,其計算方法為[18]

ΔP(Y=j|Xi)=P(Y=j|Xi=1)-

P(Y=j|Xi=0).

(6)

本文運用Stata 14.0統(tǒng)計分析軟件的gologit2程序包對模型參數(shù)進行極大似然估計和邊際效應(yīng)計算,顯著性水平p=0.05.

2　分析與討論

2.1　雙責(zé)與單責(zé)事故嚴重程度對比

表2為雙責(zé)事故與單責(zé)事故的嚴重程度等級分布.總體而言,雙責(zé)事故的嚴重程度更高,死亡或重傷、中傷所占比例均高于單責(zé)事故.而且隨著事故嚴重程度的提高,雙責(zé)事故相對于單責(zé)事故的優(yōu)勢比也逐漸增大.主要原因是雙責(zé)事故存在兩種危險行為共同作用,加劇事故嚴重程度.

2.2　廣義有序logit模型回歸

分別對雙責(zé)和單責(zé)事故進行廣義有序logit模型回歸,由表3的結(jié)果知,超速、讓行失敗、違反交通控制、偏離車道、魯莽駕駛和分心駕駛等危險行為對雙責(zé)和單責(zé)事故嚴重程度均有顯著影響,其中偏離車道、魯莽駕駛和分心駕駛顯著增加雙責(zé)事故死亡或重傷的發(fā)生概率.回歸結(jié)果還反映了在廣義有序logit模型中同一變量對不同嚴重程度等級影響的差異性,比如超速和讓行失敗等行為的發(fā)生顯著增加雙責(zé)事故由輕傷轉(zhuǎn)變?yōu)橹袀母怕?卻對中傷、重傷和死亡事故之間的概率變化無顯著影響.

表2　雙責(zé)事故與單責(zé)事故受傷嚴重程度對比Tab.2　Comparison of severity of injuries between both-at-fault and one-at-fault crashes

表3　雙責(zé)和單責(zé)事故的模型回歸結(jié)果Tab.3　Modelling results for both-at-fault and one-at-fault crashes

2.3　基于交互危險行為的廣義有序logit模型回歸

由于雙責(zé)事故涉及雙方駕駛員兩種危險行為,為了研究各種危險行為交互對雙責(zé)事故的影響,將這些危險行為兩兩組合,重新定義模型的自變量.模型回歸結(jié)果見表4,雙方均偏離車道、一方超速另一方讓行失敗、一方違反交通控制另一方讓行失敗的行為增加中等傷害事故發(fā)生的概率;雙方均偏離車道、雙方均分心駕駛、一方超速另一方分心駕駛的行為將增加死亡和重傷事故發(fā)生的概率.此外,由參數(shù)估計值可知,交互危險行為對雙責(zé)事故嚴重性的影響作用程度高于單一危險行為.例如,表4中β2“超速&分心駕駛”的系數(shù)(2.432)大于表3中對應(yīng)的β2“超速”的系數(shù)(0.284)和“分心駕駛”的系數(shù)(1.003).這也說明兩種危險行為共同作用,導(dǎo)致事故后果更加嚴重.

表4　基于交互危險行為的雙責(zé)事故模型回歸結(jié)果Tab.4　Modelling results for both-at-fault crashes based on interacted hazardous actions

注:&表示兩種駕駛行為交互;*表示顯著影響(p<0.05).

2.4　模型有效性檢驗

以有序logit模型作為參照,采用偽R2檢驗表3和表4中廣義有序logit模型回歸的擬合效果，模型的偽R2檢驗值如表5所示.由表5可知,廣義有序logit模型的偽R2均大于對應(yīng)的有序logit模型,說明該方法的擬合效果更優(yōu),即廣義有序logit模型分析危險駕駛行為對事故嚴重程度的影響更為有效.

表5　模型偽R2檢驗Tab.5　Pseudo R2 test of the modelling results

2.5　邊際效應(yīng)計算

交互行為對雙責(zé)事故嚴重等級的邊際效應(yīng)影響計算結(jié)果見表6.邊際效應(yīng)反映了危險行為的出現(xiàn)對事故嚴重等級概率發(fā)生的變化.例如在雙責(zé)事故中,若兩車均偏離車道,則發(fā)生死亡或重傷的概率將增加34.3%.

表6　雙責(zé)事故嚴重程度各顯著影響因素的邊際效應(yīng)Tab.6　Marginal effects of significant factors on the severity of injuries in both-at-fault crashes

注:&表示兩種駕駛行為交互;*表示顯著影響(p<0.05).

2.6　結(jié)果討論

根據(jù)廣義有序logit模型回歸結(jié)果,兩輛車均偏離車道時,事故嚴重程度更高,其中死亡或重傷發(fā)生的概率提高了34.3%,中等傷害發(fā)生的概率也提高了11.0%.車輛偏離車道行駛的行為極易干擾相鄰車道,尤其是對向相鄰車道上車輛的運行.據(jù)統(tǒng)計,兩車均偏離車道事故中75.0%為對撞事故,16.7%為對向刮擦事故.由物理學(xué)定理可知[19],對向事故中兩車的相對速度加大,發(fā)生碰撞時伴隨著能量的瞬間消散,因而故事嚴重程度往往高于其它事故類型.若對向兩車同時出現(xiàn)偏離車道行駛的危險駕駛行為,則發(fā)生對撞事故的風(fēng)險也隨之增加.雙方駕駛員均分心駕駛將導(dǎo)致更嚴重的事故后果,使死亡或重傷事故發(fā)生的概率增加14.1%.通常,一次有效的事故避險依次經(jīng)歷駕駛員反應(yīng)、操作和制動等過程.其中反應(yīng)時間的長短對于事故避險行為的有效性至關(guān)重要.文獻研究表明[20],分心駕駛行為延遲了駕駛員的面臨危險時的反應(yīng)時間.若雙方駕駛員均分心駕駛,則面臨危險時雙方都難以及時反應(yīng)并采取有效避險措施來避免事故發(fā)生或減輕事故后果.

超速行駛也是雙責(zé)事故嚴重程度的影響因素之一.當超速與其它危險行為(讓行失敗和魯莽駕駛)同時存在時,對事故嚴重程度具有顯著影響,尤其是“一方超速,另一方魯莽駕駛”時,發(fā)生死亡或重傷的概率將提高42.8%;而當“一方超速、另一方讓行失敗”也將使中傷的發(fā)生概率提高12.1%.主要原因是由于車輛超速,車輛間發(fā)生碰撞時產(chǎn)生更為強大的撞擊力,從而更容易出現(xiàn)人員傷亡.同時,車輛的速度增加對沖突車輛的有效避讓提出更高的要求,駕駛員注意力不集中而未能及時有效避讓或者讓行失敗,都將導(dǎo)致嚴重的事故傷害.此外,部分車輛超速導(dǎo)致同一道路上車速離散程度加大,也產(chǎn)生了交通安全隱患.

邊際效應(yīng)計算結(jié)果還表明,“一方違反交通控制,另一方讓行失敗”的情況將使發(fā)生中傷的概率增加14.1%.交通控制的作用在于確保道路車輛安全有序運行.違反交通控制的駕駛行為,干擾了道路上其它車輛的運行,特別是在路權(quán)使用方面,因而導(dǎo)致不同行駛方向的車輛發(fā)生交通沖突.避讓失敗方在交通控制條件下未觀察其它車輛的運行狀態(tài),當其它車輛出現(xiàn)出違反交通控制行為時,未能及時采取剎車或轉(zhuǎn)向等有效避讓操作,最終發(fā)生車輛碰撞并導(dǎo)致比較嚴重的事故傷害.

對于雙責(zé)事故的預(yù)防,關(guān)鍵在于危險駕駛行為的規(guī)避.根據(jù)以上分析結(jié)果,首先,要對駕駛員做好宣傳教育工作,普及交通安全知識,促使駕駛員養(yǎng)成良好的駕駛行為習(xí)慣,杜絕超速、偏離車道、分心和魯莽駕駛等危險行為.同時駕駛員應(yīng)注意遵守交通管理與控制規(guī)則,特別是在車輛讓行方面.其次,可結(jié)合技術(shù)手段控制事故風(fēng)險,如設(shè)置超速監(jiān)測系統(tǒng)[21]、電子執(zhí)法系統(tǒng)[22]等來加強對安全駕駛的監(jiān)督作用.

3　結(jié)　論

本文對比分析了雙責(zé)事故與單責(zé)事故嚴重程度等級分布,采用廣義有序logit模型探討各種危險駕駛行為交互作用對雙責(zé)事故受傷嚴重程度的影響作用,并分析危險駕駛行為對事故嚴重程度的影響機理.最后,根據(jù)分析結(jié)果提出雙責(zé)事故的預(yù)防建議.

本文的主要結(jié)論為:雙責(zé)事故嚴重程度高于單責(zé)事故,而且事故嚴重等級越高,其優(yōu)勢比越大.雙方均偏離車道、雙方均分心駕駛、一方超速另一方讓行失敗、一方超速另一方魯莽駕駛,以及一方違反交通控制另一方讓行失敗的交互危險行為顯著加劇雙責(zé)事故受傷嚴重程度.而且,交互危險行為對雙責(zé)事故的影響程度大于單一危險行為.此外,模型檢驗結(jié)果表明了廣義有序logit模型在雙責(zé)事故嚴重程度分析方面的有效性.

致謝:成都市科技項目(2015-RK00-00171-F);西南交通大學(xué)2017年博士研究生創(chuàng)新基金項目.

參考文獻:

[1]賈雄文.雙責(zé)事故交通安全分析[D].成都:西南交通大學(xué),2015.

[2]Michigan Department of Transportation.Michigan crash data (2012-2014)[DB/DK].[S.l.]:Michigan Department of Transportation,2015.

[3]袁秀林.機動車交通事故責(zé)任歸責(zé)原則探析[D].大連:大連海事大學(xué),2013.

[4]胡東.論道路交通事故損害賠償責(zé)任[D].哈爾濱:黑龍江大學(xué),2002.

[5]董石.道路交通事故損害賠償責(zé)任主體之認定[D].長春:長春工業(yè)大學(xué),2012.

[6]JIANG X,QIU Y,LYLES R W,et al.Issues with using police citations to assign responsibility in quasi-induced exposure[J].Safety Science,2012,50(4):1133-1140.

[7]WILLIAMS A F,SHABANOVA V I.Responsibility of drivers,by age and gender,for motor-vehicle crash deaths[J].Journal of Safety Research,2003,34(5):527-531.

[8]CHIOU Y C,HWANG C C,CHANG C C,et al.Modeling two-vehicle crash severity by a bivariate generalized ordered probit approach[J].Accident Analysis & Prevention,2013,51:175-184.

[9]張萬安,肖躍秀.機動車駕駛?cè)说缆方煌ㄟ`法行為的博弈分析[J].交通運輸系統(tǒng)工程與信息,2012,12 (增刊1):86-90.

ZHANG Wan’an,XIAO Yuexiu.Causes and countermeasures of motor vehicle drivers violations analysis based on game theory[J].Journal of Transportation Systems Engineering and Information Technology,2012,12 (Sup.1):86-90.

[10]黎美清,羅義學(xué),杜巖,等.機動車駕駛員心理健康狀況與違法駕駛行為的關(guān)系[J].醫(yī)學(xué)與社會,2010,23(5):79-81.

LI Meiqing,LUO Yixue,DU Yan,et al.Investigation of the relationship between the mental health of automobile drivers and the traffic violations[J].Medicine and Society,2010,23(5):79-81.

[11]LEE C,LI X.Analysis of injury severity of drivers involved in single-and two-vehicle crashes on highways in ontario[J].Accident Analysis & Prevention,2014,71:286-295.

[12]WOOD J S,DONNELL E T,FARISS C J.A method to account for and estimate underreporting in crash frequency research[J].Accident Analysis & Prevention,2016,95:57-66.

[13]LIU J,KHATTAK A J,RICHARDS S H,et al.What are the differences in driver injury outcomes at highway-rail grade crossings? Untangling the role of pre-crash behaviors[J].Accident Analysis & Prevention,2015,85:157-169.

[14]HAQVERDI M Q,SEYEDABRISHAMI S,GROEGER J A.Identifying psychological and socio-economic factors affecting motorcycle helmet use[J].Accident Analysis & Prevention,2015,85:102-110.

[15]STIPANCIC J,ZANGENEHPOUR S,MIRANDA-MORENO L,et al.Investigating the gender differences on bicycle-vehicle conflicts at urban intersections using an ordered logit methodology[J].Accident Analysis & Prevention,2016,97:19-27.

[16]馬壯林,張祎祎,楊楊,等.公路隧道交通事故嚴重程度預(yù)測模型研究[J].中國安全科學(xué)學(xué)報,2015,25(5):75-79.

MA Zhuanglin,ZHANG Yiyi,YANG Yang,et al.Research on models for predicting severity of traffic accident in highway tunnel[J].China Safety Science Journal,2015,25(5):75-79.

[17]WILLIAMS R.Generalized ordered logit/partial proportional odds models for ordinal dependent variables[J].Stata Journal,2006,6(1):58.

[18]章國鵬.信號交叉口左彎待轉(zhuǎn)區(qū)的安全研究[D].成都:西南交通大學(xué),2015.

[19]尹朋.交通事故車輛碰撞速度分析及計算軟件開發(fā)[D].淄博:山東理工大學(xué),2010.

[20]HARBLUK J L,NOY Y I,TRBOVICH P L,et al.An on-road assessment of cognitive distraction:Impacts on drivers’ visual behavior and braking performance[J].Accident Analysis & Prevention,2007,39(2):372-379.

[21]張丙干.高速公路機動車超速監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[D].成都:電子科技大學(xué),2012.

[22]蔣賢才,黃科,汪貝,等.電子執(zhí)法環(huán)境下交通違法行為影響因素分析[J].哈爾濱工業(yè)大學(xué)學(xué)報,2013,45(8):84-89.

JIANG Xiancai,HUANG Ke,WANG Bei,et al.Analysis of affecting factors on traffic violation under the environment of electronic enforcement[J].Journal of Harbin Institute of Technology,2013,45(8):84-89.