任 杰 李曉虎 景云超 朱 彤

(長安大學(xué)汽車學(xué)院 西安 710064)

0 引 言

交通運(yùn)輸部統(tǒng)計(jì)全國客運(yùn)量數(shù)據(jù)顯示，2018年，我國城市公共氣電車運(yùn)輸量高達(dá)697億人·次，占總運(yùn)輸量的55.2%.不可避免的，道路交通事故的數(shù)量也隨之增加.研究表明：公共汽車事故造成的傷亡和損失要比乘用車事故更嚴(yán)重，且職業(yè)駕駛員發(fā)生事故的風(fēng)險也要比非職業(yè)駕駛員更高[1-3]，由公共汽車導(dǎo)致的交通事故嚴(yán)重影響著道路交通安全.據(jù)統(tǒng)計(jì)，90%的交通事故是人為因素所致，其中超過80%的交通事故是由駕駛員的不安全行為造成[4-5].

目前針對公共交通運(yùn)輸安全的研究，國內(nèi)外學(xué)者關(guān)注的重點(diǎn)多集中在違規(guī)駕駛行為和事故風(fēng)險這兩方面.周曉霞[6]通過構(gòu)建危險駕駛行為影響因素模型，研究了城市交通危險駕駛行為及其影響因素.陳文強(qiáng)等[7]通過構(gòu)建危險駕駛行為量表、風(fēng)險感知量表和駕駛能力自信量表和人格特性量表研究了影響危險駕駛行為的因素.王曉勇等[8]基于生存分析模型，采用非參數(shù)分析方法和Cox回歸分析方法，研究了不同群體公交駕駛員違規(guī)時間間隔的差異以及影響駕駛員違規(guī)時間間隔的因素.Yoh等[9]通過分析日本的交通違規(guī)和交通事故數(shù)據(jù)來識別外國駕駛員的特征，結(jié)果表明優(yōu)先級、速度和對規(guī)則的理解會影響交通違規(guī).鄭東鵬等[10]利用修正后的DBQ問卷研究了中國駕駛員風(fēng)險駕駛行為產(chǎn)生的原因及其影響因素.Zhang等[11]對廣東省5年內(nèi)的交通事故數(shù)據(jù)進(jìn)行分析，研究了影響交通違規(guī)和事故嚴(yán)重性的因素，結(jié)果表明交通違法行為是影響道路交通安全的主要因素之一.Luca等[12]使用人格-態(tài)度模型來評估人格特征是否通過公交駕駛員對交通安全的態(tài)度直接或間接地預(yù)測了自我報告的異常駕駛行為，結(jié)果表明個人特質(zhì)直接或間接與異常駕駛行為相關(guān).Hamidreza等[13]通過調(diào)查問卷的方法研究了企業(yè)安全文化和不安全駕駛行為及公交車駕駛員事故之間的關(guān)系，結(jié)果表明企業(yè)安全文化和駕駛員不安全行為與事故之間存在顯著的負(fù)相關(guān)關(guān)系.Chen等[14]使用支持向量機(jī)模型研究了影響翻車事故的因素及駕駛員受傷嚴(yán)重程度的因素.Taubman等[15]通過調(diào)查問卷的方式研究了駕駛風(fēng)格與五大個性因素以及感知到的駕駛成本和收益之間的關(guān)聯(lián)，結(jié)果表明：每種駕駛方式都與一組獨(dú)特的社會人口統(tǒng)計(jì)學(xué)、個性和動機(jī)因素相關(guān)聯(lián).

綜上，國內(nèi)外學(xué)者的研究多集中于違規(guī)駕駛行為和事故本身，研究了影響違規(guī)行為和事故的因素，卻忽略了駕駛員的違規(guī)行為和事故之間的關(guān)系，尤其是職業(yè)公交駕駛員，極少數(shù)相關(guān)的研究也是通過問卷的形式，結(jié)論沒有得到真實(shí)數(shù)據(jù)的驗(yàn)證.基于此，本文擬利用Logistic回歸的方法探究公交駕駛員違規(guī)行為和事故風(fēng)險之間的關(guān)聯(lián)性，希望從交通違規(guī)行為的角度出發(fā)，制定對應(yīng)的措施以減少事故的發(fā)生，提高道路交通安全.

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)

數(shù)據(jù)來源于西安市某公交公司2018年全年的444位公交駕駛員交通違規(guī)和事故數(shù)據(jù).涉及違規(guī)和交通事故共計(jì)1 841起，其中違規(guī)1 453次，交通事故388次.剔除信息存在缺失的駕駛員的相關(guān)數(shù)據(jù)，最終用于分析的數(shù)據(jù)包含439位駕駛員，1 480起違規(guī)及392起交通事故，共計(jì)1 872次.每個公交車駕駛員的數(shù)據(jù)均包含人口統(tǒng)計(jì)學(xué)信息，各類違規(guī)行為信息和事故信息.

為了確定與交通違規(guī)和事故發(fā)生相關(guān)的風(fēng)險因素，將因變量設(shè)置為：①是否發(fā)生過無責(zé)輕微事故，“1”代表是，“0”代表否；②是否發(fā)生過有責(zé)輕微事故，“1”代表是，“0”代表否；③是否發(fā)生過傷亡事故，“1”代表是，“0”代表否.由于因變量為0/1變量且多個駕駛員存在同時發(fā)生不同程度事故的情況，所以選用二元Logistic回歸來評估各項(xiàng)風(fēng)險因素對駕駛員是否發(fā)生過事故的影響.

1.2 風(fēng)險因素

1.2.1駕駛員個人信息

為了方便描述性統(tǒng)計(jì)及后續(xù)的回歸分析，根據(jù)不同公交車駕駛員不同年齡段的典型駕駛習(xí)慣和駕駛技能水平，本項(xiàng)研究將駕駛員年齡分為5個組：≤25、26～35、36～45、46～55和≥56歲；駕齡分為6個組：≤2、3～5、6～10、11～15、16～20和≥21年.圖1為根據(jù)駕駛員個人特性分類的事故嚴(yán)重程度的描述性統(tǒng)計(jì)結(jié)果(本項(xiàng)研究中出現(xiàn)的駕齡均指駕駛員駕駛公交時長).

圖1 駕駛員個人特性及各類事故次數(shù)統(tǒng)計(jì)圖

1.2.2駕駛員違規(guī)信息

在考慮各項(xiàng)違規(guī)的屬性并參考文獻(xiàn)[16]，將駕駛員違規(guī)類型分為安全類投訴、電子違法、服務(wù)類投訴、違規(guī)操作類、違規(guī)行車類、違規(guī)其他類、違規(guī)使用設(shè)備類、違規(guī)停車類、違規(guī)站點(diǎn)類.圖2為各項(xiàng)違規(guī)類型次數(shù)的統(tǒng)計(jì)結(jié)果.因?yàn)殡娮舆`法(1次)和違規(guī)停車類(12次)次數(shù)過少，所以剔除這兩項(xiàng).

圖2 各類違規(guī)次數(shù)統(tǒng)計(jì)圖

1.3 統(tǒng)計(jì)數(shù)據(jù)分析

由于本項(xiàng)研究涉及到的自變量較多且各自變量之間可能存在相互影響，所以在進(jìn)行Logistic回歸之前首先對各自變量之間有無關(guān)聯(lián)性進(jìn)行了共線性診斷.共線性診斷的結(jié)果結(jié)果顯示，各變量的方差膨脹因子(variance inflation factor，VIF)均小于10，故認(rèn)為各自變量之間不存在共線性.

為了估計(jì)不同的預(yù)測變量對不同嚴(yán)重程度事故發(fā)生的可能性的影響，使用二元逐步Logistic回歸來確定相關(guān)的影響因素，篩選變量的方法是后退：LR法，即在該Logistic回歸模型中首先計(jì)算所有影響因素，隨后逐步將不重要的因素去除.使用逐步Logistic回歸模型來計(jì)算重要影響因素的比值比(odds ratio，OR)及它們在95%置信區(qū)間下的顯著性P值(P-value).

2 事故風(fēng)險因素分析

由于涉及到的自變量較多且樣本量有限，先通過單變量分析考察所有自變量與因變量之間的關(guān)系，篩掉一些可能無意義的變量再進(jìn)行多因素分析，以確保Logistic回歸的結(jié)果盡可能可靠.本項(xiàng)研究涉及到的自變量主要包括駕駛?cè)藗€人特性及違規(guī)信息，駕駛?cè)藗€特性都為分類型變量，使用卡方檢驗(yàn)的方法檢驗(yàn)駕駛?cè)藗€人特性與因變量之間的關(guān)系；駕駛?cè)诉`規(guī)信息都為連續(xù)型變量且事故組和對照組樣本量不一致，所以選用獨(dú)立樣本T檢驗(yàn)(方差齊)和秩和檢驗(yàn)(方差非齊)的方法檢驗(yàn)駕駛?cè)诉`規(guī)和因變量之間的關(guān)系.表1～2分別為卡方檢驗(yàn)及T檢驗(yàn)/秩和檢驗(yàn)的結(jié)果.

表1 公交駕駛員個人特性及事故影響因素卡方檢驗(yàn)

表2 公交駕駛員違規(guī)及事故影響因素T/秩和檢驗(yàn)

2.1 無責(zé)輕微事故影響因素

由表1～2可知：無責(zé)輕微事故影響因素單因素分析的結(jié)果初步展示了各影響因素與無責(zé)輕微事故之間的關(guān)系.駕駛?cè)藗€人特性中，駕齡為最重要的影響因素(p<0.001)；駕駛員違規(guī)信息中，違規(guī)總次數(shù)及違規(guī)行車類次數(shù)為最重要的影響因素.為了避免在Logistic回歸中漏掉一些重要的影響因素，將單因素分析中顯著性小于0.3的因素全部納入Logistic回歸模型.在本項(xiàng)研究中，納入以下自變量：性別、年齡、駕齡、違規(guī)總次數(shù)、安全類投訴次數(shù)和違規(guī)行車類次數(shù).一般認(rèn)為學(xué)歷也是事故風(fēng)險的可能影響因素，因此將學(xué)歷也納入Logistic回歸模型中.

表3 無責(zé)輕微事故影響因素的Logistic回歸分析

Logistic回歸的結(jié)果表明，模型納入的七個自變量中駕齡和違規(guī)行車類次數(shù)這兩個變量有統(tǒng)計(jì)學(xué)意義.駕齡變量的第一行沒有OR值，p=0.015<0.05，說明該變量總體檢驗(yàn)的差異有統(tǒng)計(jì)學(xué)意義，設(shè)置中以“≤2年”作為參照組，3～5、6～10、11～15年這三組顯著性均小于0.05，說明該三組相對于參照組的OR值均具有統(tǒng)計(jì)學(xué)意義.其中，駕齡3～5年組、6～10年組和11～15年組相對于≤2年組，發(fā)生無責(zé)輕微事故的風(fēng)險分別減少了60.2%、67.4%和82.6%(OR=0.398、0.326、0.144，95%CI：0.171～0.923、0.135～0.790、0.049～0.426).關(guān)于違規(guī)行車類次數(shù)，違規(guī)行車類次數(shù)每增加1次，公交駕駛員參與無責(zé)輕微事故的風(fēng)險增加17.4%(OR=1.174，95%CI：0.998～1.397).

2.2 有責(zé)輕微事故影響因素

有責(zé)輕微事故影響因素單因素分析的結(jié)果顯示，駕齡和違規(guī)其他類次數(shù)分別為駕駛?cè)藗€人特性和駕駛?cè)诉`規(guī)信息中最重要的影響因素.為了避免在Logistic回歸模型中漏掉一些重要的影響因素，將單因素分析中顯著性小于0.3的因素全部納入回歸模型.本項(xiàng)研究中，納入以下自變量：性別、年齡、駕齡、學(xué)歷、違規(guī)總次數(shù)、服務(wù)類投訴次數(shù)、違規(guī)操作類次數(shù)、違規(guī)其他類次數(shù)和違規(guī)站點(diǎn)類次數(shù).

表4 有責(zé)輕微事故影響因素的Logistic回歸分析

結(jié)果表明：駕齡組中≤2、3～5、6～10、11～15年該四組p值均小于0.05，具有統(tǒng)計(jì)學(xué)意義.具體表現(xiàn)為，3～5、6～10和11～15年這三組相對于駕齡小于等于2年組參與有責(zé)輕微事故的風(fēng)險分別降低了81.1%、81.1%和87.9%(OR=0.189、0.189、0.121，95%CI：0.068～0.521、0.065～0.549、0.032～0.464).年齡組中，≤25歲、26～35歲、36～45歲和≥56歲這四組p值均小于0.05，具有統(tǒng)計(jì)學(xué)意義.具體表現(xiàn)為，26～35和36～45歲這兩組相對于年齡小于等于25歲組發(fā)生有責(zé)輕微事故的風(fēng)險分別降低了37.0%和52.3%(OR=0.630、0.477，95%CI：0.378-0.934、0.132-0.829)；大于等于56歲組相對于小于等于25歲組發(fā)生有責(zé)輕微事故的風(fēng)險提升了12.3倍(OR=13.333，95%CI：0.446～299.04)，這表明老齡駕駛員的事故風(fēng)險概率顯著提升.

駕駛員違規(guī)數(shù)據(jù)方面，違規(guī)總次數(shù)和違規(guī)操作總次數(shù)這兩項(xiàng)變量的p值均小于0.05，具有統(tǒng)計(jì)學(xué)意義.違規(guī)總次數(shù)每增加一次，公交駕駛員發(fā)生有責(zé)輕微事故風(fēng)險的概率就會提高6.8%(OR=1.068，95%CI：0.836～1.365)；違規(guī)操作類次數(shù)每增加一次，公交駕駛員發(fā)生有責(zé)輕微事故風(fēng)險的概率就會提高25.5%(OR=1.255，95%CI：0.719-1.819).

2.3 傷亡事故影響因素

傷亡事故影響因素單因素分析結(jié)果表明，學(xué)歷和違規(guī)其他類次數(shù)分別為駕駛員個人特性和駕駛員違規(guī)信息中最重要的變量.為了避免在Logistic回歸模型中漏掉一些重要的影響因素，將單因素分析中顯著性小于0.3的因素全部納入回歸模型.本項(xiàng)研究中，納入以下自變量：年齡、駕齡、違規(guī)總次數(shù)、違規(guī)其他類次數(shù)和違規(guī)站點(diǎn)類次數(shù).一般認(rèn)為性別和學(xué)歷也是事故發(fā)生的可能影響因素，因此將性別和學(xué)歷也納入Logistic回歸模型中.

表5 傷亡事故影響因素的Logistic回歸分析

傷亡事故Logistic回歸的結(jié)果表明，駕齡在6～10年的駕駛員相對于駕齡小于等于兩年的駕駛員發(fā)生傷亡事故的風(fēng)險概率降低了91.3%(OR=0.087，95%CI：0.018～0.429)；駕駛員違規(guī)次數(shù)每增加一次，發(fā)生傷亡事故的風(fēng)險概率就會增加41.4%(OR=1.414，95%CI：1.115～1.793).

3 結(jié) 論

1)駕駛?cè)藗€人特性方面，性別和受教育程度在公交駕駛員不同事故風(fēng)險上沒有表現(xiàn)出明顯差異，而以往有文獻(xiàn)研究表明，男性駕駛員的事故嚴(yán)重性程度往往更高；同樣，受教育程度也被認(rèn)為是與交通安全有關(guān)聯(lián)的因素.在本項(xiàng)研究中，一種可能的解釋是，對職業(yè)公交駕駛員而言，性別和受教育程度這些因素的影響可能體現(xiàn)在駕駛員的駕駛經(jīng)驗(yàn)和技能方面.不同駕齡公交駕駛員在事故風(fēng)險上表現(xiàn)出的差異性也印證了這一點(diǎn)，無論是無責(zé)輕微事故、有責(zé)輕微事故或傷亡事故，不同駕齡的公交駕駛員均表現(xiàn)出顯著差異且呈現(xiàn)出類似的趨勢：駕齡短的駕駛員參與事故的風(fēng)險更高，而隨著駕齡的增加，公交駕駛員的駕駛經(jīng)驗(yàn)和技能提升，參與事故的風(fēng)險明顯變得更小.值得一提的是，駕齡在兩年以上各組的駕駛員在事故風(fēng)險方面并沒有表現(xiàn)出顯著差異，這表明隨著駕駛員駕駛經(jīng)驗(yàn)的豐富和駕駛技能的提升，規(guī)避風(fēng)險的能力逐漸趨向于平穩(wěn).年齡對公交駕駛員事故風(fēng)險的影響結(jié)果與駕齡類似，不同的是在本項(xiàng)研究中年齡只對有責(zé)輕微事故有顯著影響：年輕的駕駛員發(fā)生有責(zé)輕微事故的風(fēng)險更高，而年長的駕駛員發(fā)生事故的風(fēng)險明顯低于年輕的駕駛員.此外，老齡的駕駛員發(fā)生事故的風(fēng)險又顯著提升相對于年輕的駕駛員來說.

2)駕駛?cè)诉`規(guī)數(shù)據(jù)方面，公交駕駛員違規(guī)總次數(shù)對有責(zé)輕微事故和傷亡事故均有顯著的影響：違規(guī)的總次數(shù)越多，公交駕駛員發(fā)生有責(zé)輕微事故和傷亡事故的風(fēng)險也就越高.同時，違規(guī)操作類次數(shù)也對公交駕駛員參與有責(zé)輕微事故有顯著的影響且影響程度要大于違規(guī)總次數(shù)的影響，常見的違規(guī)操作有打瞌睡、分心駕駛、單臂操作、閑談和未佩戴安全帶等，可以看出，違規(guī)操作往往是因?yàn)楣获{駛員的態(tài)度導(dǎo)致的.因此，也可以認(rèn)為，公交駕駛員的態(tài)度與有責(zé)事故風(fēng)險有一定的關(guān)系.此外，違規(guī)行車類次數(shù)對公交駕駛員無責(zé)輕微事故風(fēng)險有著顯著影響：違規(guī)行車類次數(shù)越多，駕駛員發(fā)生無責(zé)輕微事故的風(fēng)險也越高.常見的違規(guī)行車有超速、闖紅燈、逆行、未按道行駛和未禮讓斑馬線等，不同于違規(guī)操作的是違規(guī)行車的原因更表現(xiàn)為駕駛員駕駛習(xí)慣比較差.因此，也可以認(rèn)為，駕駛習(xí)慣更差的公交駕駛員發(fā)生無責(zé)輕微事故的風(fēng)險越高，即更容易被動地卷入交通事故中.