肖向良

(湖南省交通科學研究院有限公司， 湖南 長沙 410015)

電動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，具有價格低廉、行駛速度較快、便捷、環(huán)保、可達性高等優(yōu)點，深受中國居民喜愛。但電動自行車速度快、安全防護能力弱、穩(wěn)定性差等特點導致其較易發(fā)生交通事故，且一旦發(fā)生事故，相比自行車，其事故傷害嚴重程度更大。目前關(guān)于摩托車和非機動車的安全研究多針對傳統(tǒng)自行車和摩托車，而電動自行車在駕駛?cè)后w、運行速度、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的安全管理政策應具有自身特性。對交叉口處電動自行車與傳統(tǒng)自行車闖紅燈行為的調(diào)查結(jié)果表明，電動自行車用戶闖紅燈的概率顯著高于傳統(tǒng)自行車；對合肥2009—2011年205 名傳統(tǒng)自行車及電動自行車用戶的住院記錄的分析發(fā)現(xiàn)，電動自行車用戶受重傷的比例達1/3，而傳統(tǒng)自行車用戶僅17%。而目前少有對電動自行車安全問題的研究，尤其缺少對電動自行車事故傷害嚴重程度影響因素的研究。

交通事故傷害嚴重性通常劃分為離散的等級程度，常采用統(tǒng)計回歸模型進行傷害嚴重程度建模。而統(tǒng)計回歸模型都有其模型假設和因變量與自變量間既定的函數(shù)關(guān)系，同時自變量間的相互關(guān)聯(lián)也困擾統(tǒng)計回歸模型的應用。事故傷害嚴重程度是由人-車-路-環(huán)境多種因素共同導致，傷害致因錯綜復雜，與統(tǒng)計回歸模型的假設不符。決策樹方法可在不給出事故嚴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事故傷害嚴重性的共同影響。該文基于2014—2016年湖南省電動自行車交通事故記錄，基于決策樹方法構(gòu)建電動自行車事故傷害嚴重程度模型，分析事故傷害嚴重程度與騎行者、違法行為、道路及天氣環(huán)境等之間的交互效應，識別易導致高傷害嚴重程度的交通情境，為降低電動自行車事故傷害嚴重程度措施制定提供依據(jù)。

1 數(shù)據(jù)準備

道路交通事故數(shù)據(jù)來自公安部“六合一”交通管理綜合應用平臺，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)生時間及環(huán)境特征。篩選2014—2016年湖南電動自行車與機動車碰撞事故數(shù)據(jù)(不含簡易事故，因其信息記錄項少)共2 484起，事故信息記錄包括騎行者事故傷害嚴重程度、性別、年齡、職業(yè)、戶口性質(zhì)、事故發(fā)生時間、星期、季節(jié)、天氣、照明、路口、道路類型及違法行為13類。

從不同角度對交通事故進行分析，結(jié)果(見表1)顯示：1) 事故傷害嚴重程度。騎行者受重傷與死亡事故的比重達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)生時間。發(fā)生在9:00—16:59時段的事故占事故總量的47.42%，發(fā)生在17:00—18:59時段的事故也較多(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。由電動自行車騎行者違法行為導致的事故占比達55.84%，高于由機動車駕駛員違法行為導致的事故占比(44.16%)。其中非信號控制交叉口電動自行車不讓行是排名第一的違法行為(占比9.70%)，其次是在沒有非機動車道的道路上電動自行車不靠車行道右側(cè)行駛(8.05%)，在有非機動車道的情況下電動自行車未在非機動車道內(nèi)行駛也占較大比例(7.65%)，電動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

2 決策樹分析

2.1 決策樹方法

決策樹方法是一種非線性無參數(shù)的預測模型，其目標是將樣本集通過某個特定屬性(自變量)的不同特征分為多個相對同質(zhì)的子樣本集。CART(分類和回歸樹)算法是最常用的二分支決策樹算法，當因變量為離散變量時生成分類樹，而當因變量為連續(xù)變量時構(gòu)成回歸樹。本研究的因變量為電動自行車事故傷害嚴重程度，為離散變量，故CART生成的是分類樹。分類樹生成過程是將樣本集根據(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)點的過程。

CART算法使用Gini值來衡量節(jié)點(樣本集)內(nèi)同質(zhì)性，其值越大，樣本的同質(zhì)性越低。通過計算該節(jié)點內(nèi)因變量為某一值的樣本數(shù)占樣本總數(shù)的比值來確定同質(zhì)性，節(jié)點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的先驗概率；Nj(t)為節(jié)點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內(nèi)各自變量對因變量的重要程度，這也是分類樹方法輸出的一個重要結(jié)果。自變量xj的重要程度(VIM)為：

(5)

式中：T為分類樹的節(jié)點總數(shù)；Nt為節(jié)點t的樣本數(shù)；N為樣本總數(shù)；ΔGini(Sxj,t)為在節(jié)點t處根據(jù)自變量xj分支后，子節(jié)點Gini值之和與父節(jié)點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際上是各自變量根據(jù)樣本數(shù)加權(quán)后在整個分類樹種中Gini值降低量的總和。也就是說，在分類樹模型中，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 基于決策樹的電動自行車事故嚴重性影響因素分析

采用CART方法探究電動自行車事故傷害嚴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。原始的事故傷害嚴重程度分為死亡、重傷、輕傷、僅財產(chǎn)損失四類，根據(jù)以往研究成果，構(gòu)建分類樹模型時采用二分類因變量能獲得最好的預測精度，故將傷害嚴重程度合并為嚴重(死亡與重傷)和非嚴重(輕傷與僅財產(chǎn)損失)兩類。借助SPSS統(tǒng)計分析工具進行分類樹模型構(gòu)建。

將約50%的事故數(shù)據(jù)作為訓練樣本用于生成決策樹，另外50%作為檢驗樣本對決策樹的預測效果進行檢驗。最終模型對訓練樣本的總體預測正確率為88.60%，對檢驗樣本的總體預測正確率為86.80%，對全部樣本集的預測正確率為87.70%，預測精度高，表明構(gòu)建分類樹能很好地擬合事故傷害嚴重程度與上述因素的關(guān)聯(lián)。

2.2.1 決策樹模型結(jié)果

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

圖1 決策樹模型結(jié)果

2.2.2 決策樹節(jié)點分析

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

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

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

2.3 事故嚴重性影響因素分析

分類樹方法不僅能以樹狀圖形式展示電動自行車事故傷害嚴重性與各影響因素的交互效應，同時能獲知各因素對事故傷害的重要程度(見表2)。

表2 各因素對事故傷害的相對重要性

(1) 騎行者年齡。騎行者年齡是影響電動自行車事故傷害嚴重性的最重要因素，也是決策樹第一層的分類變量。老年騎行者更易導致嚴重傷害事故，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。老年人群風險感知與避讓能力較差、身體構(gòu)造更脆弱，這些都使老年電動車騎行者更易出現(xiàn)嚴重事故。

(2) 違法行為。違法行為是重要性排名第二的事故傷害嚴重性影響因素。無論是年輕騎行者還是老年騎行者，在沒有非機動車道的道路上電動自行車不靠車行道右側(cè)行駛、電動自行車逆向行駛、電動自行車超速、橫過機動車道時不下車推行的違法行為都易導致嚴重傷害事故。

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

(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、第五的事故傷害嚴重性影響因素。農(nóng)民騎行者更易出現(xiàn)嚴重傷害事故，尤其是對于年齡小于55歲的騎行者群體。

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

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

3 嚴重事故高發(fā)情境及改善建議

3.1 嚴重事故高發(fā)情境分析

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

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

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

(3) 事故發(fā)生在22：00—6：59時段，騎行者年齡<55歲，事故發(fā)生前出現(xiàn)不按交通信號規(guī)定通行、未在非機動車道內(nèi)行駛、在非信號控制交叉口不讓行及機動車駕駛員違法等違法行為(78起，嚴重事故占比為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)未在非機動車道內(nèi)行駛、不按交通信號規(guī)定通行、在非信號控制交叉口不讓行及其他違法行為、機動車駕駛員違法等(637起，嚴重事故占比為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)在沒有非機動車道的道路上不靠車行道右側(cè)行駛、逆向行駛、超速行駛、橫過機動車道時不下車推行及其他違法行為(154起，嚴重事故占比為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。識別這些嚴重事故高發(fā)情境，可為有針對性地實施電動自行車交通安全改善措施提供理論參考，有利于加強對電動自行車騎行者認知自身事故風險狀況的預警，促使他們規(guī)避高風險區(qū)域、高風險時段并減少不安全騎行行為。

3.2 改善建議

(1) 加強對老年騎行者、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自行車事故傷害嚴重程度最重要的因素。針對老年騎行者、特定違法行為(包括電動自行車逆向行駛、在沒有非機動車道的道路上不靠車行道右側(cè)行駛、橫過機動車道時不下車推行等)的安全教育與執(zhí)法應作為改善電動自行車交通安全的優(yōu)先實施策略。

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

(3) 加強電動自行車在特定時節(jié)下的出行管理。特定的時段與季節(jié)發(fā)生的事故中嚴重傷害事故比例較高，建議加強事故多發(fā)季節(jié)電動自行車的出行限制，強化對特定時段的執(zhí)法。

4 結(jié)語

當前中國開始注重交通事故預測建模理論與實踐研究，基于事故數(shù)據(jù)驅(qū)動的交通安全管理理念已逐步受到重視。電動自行車交通安全成為當前不容忽視的安全問題。文中提取湖南省2014—2016年電動自行車交通事故數(shù)據(jù)， 基于決策樹方法構(gòu)建電動自行車事故傷害嚴重程度模型，分析事故傷害嚴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，分析容易導致嚴重事故的交通情境，為電動自行車的安全管理提供參考。