电动自行车交通事故严重度影响因素分析——以舟山市为例

姜文龙，赵琬婷，刘 芳，赵 丹

(1.中国人民公安大学交通管理学院， 北京 100038； 2.上海钧正网络科技有限公司， 上海 201199)

0 引言

我国是全球电动自行车生产和销售第一大国，庞大的人口基数和出行需求为电动自行车市场打下坚实基础。中国自行车协会数据显示，2019年，我国电动自行车社会保有量近3亿辆，全国电动自行车年产量为3 609.3万辆。电动自行车具有低碳环保、节省体力、低成本、高效率等优点，日益成为城市居民日常出行以及外卖、快递等新业态行业的主要交通工具。然而近年来由于电动自行车存在超标车多、通行秩序较差、使用不规范等原因，造成交通事故频发，2013～2017年全国共发生电动自行车致人伤亡的交通事故达到5.62万起，造成8 431人死亡、6.35万人受伤。一些城市政府部门一度提出禁止或者限制电动自行车上路，但引起社会广大民众的不满。从国家及政府角度出发，应研究电动自行车交通事故多发的成因，制定相应政策和措施提高电动自行车的交通安全，比如2019年4月15日正式实施的《电动自行车安全技术规范》(GB17761—2018)，2020年4月21日，公安部部署的“一盔一带”安全守护行动等，分别从车辆性能以及骑车人安全防护等方面提出安全对策。

国内外学者在电动自行车交通安全研究方面取得了一定研究成果。邵家平[1]基于人、车、路、环境等电动自行车交通安全系统构建的重要因素，运用文献分析、问卷调查、PC- Crash事故模拟及关键变量分析、logistic回归模型分析、跟踪访谈、GPS定位测速试验等方法，研究电动自行车交通安全系统各要素对引发事故作用力的大小。赵桂范等[2]通过试验分析发现电动自行车的速度对电动自行车安全性影响最为显著。朱建安等[3]发现大量事故是因为违反交通法规引发，并且主动肇事比例和致死率偏高。王曼丽[4]依据交通冲突理论分析了电动自行车在道路交叉口和道路路段的交通冲突类型和原因，揭示出人的不安全行为和路的不安全状态是电动自行车事故发生的主要影响因素。刘艳婷等[5]运用交叉列联表的卡方检验和生存分析的非参数估计方法，发现电动自行车骑行者具有更短的等待忍耐时间,更高的闯红灯违规率,穿越过程中也表现出更高的风险偏好。马社强等[6]分析2018年北京市电动自行车交通事故数据得到高峰期城市道路多发；21～55 岁主要肇事群体；碰撞运动车辆为主；头部和多部位受伤为主；操作不当为主要原因等事故特征。李成志等[7]应用无序多分类 logistic 回归模型，分析电动自行车骑车人、事故对方、道路、环境、驾驶行为等 7 个方面的 34 个变量对电动自行车骑车人事故伤害程度的影响。徐妙等[8]采用模糊层次分析法得到各个引发电动自行车交通事故的原因对事故的影响程度。Hertach Patrizia等[9]使用逻辑回归模型分析了撞车风险和伤害严重性，发现危险因素为高骑行暴露、男性、骑电动车主要是为了上班或上学。Fyhri A.等[10]对传统自行车和电动自行车进行逻辑回归分析后发现电动自行车使用者的总体风险增加，但仅源于女性事故风险较高。Sonja Haustein等[11]使用了来自丹麦685 名电动自行车用户的调查数据，运用回归分析，证明了骑行方式和电动自行车的状态在安全事件中都起着关键作用。

综合国内外研究现状，现有研究在电动自行车事故发生次数的相关性因素方面取得了一定的理论研究成果，但对电动自行车事故严重度影响因素研究较少。本研究基于电动自行车交通事故数据，采用有序logistic回归模型分析涉及电动自行车事故中骑车人受伤严重程度的影响因素，以寻求客观因素与交通事故严重度的关系，有助于相关管理部门采取更有针对性的事故预防对策，实现“减量控大”的目标，降低事故风险。

1 数据调查及处理

本研究采用浙江省舟山市2015～2020年涉及电动自行车交通事故及当事人的基本信息作为交通事故影响因素分析基础，并对数据进行筛查合并处理，避免重复事故信息对分析结果的影响，在二人共乘一车事故中选取电动自行车骑车人信息，在电动自行车之间事故中选取事故主责方骑车人信息，共获取有效样本1 091条。

在交通事故成因分析方面，由于原始数据中事故责任认定类型有40多种，为保证模型分析的有效性，选取占比较大的电动自行车交通事故主要成因进行分析，如图1所示。图中反映了除“其他”外造成事故数量排前9位交通事故成因分布情况。选取累计85%分位的6种事故成因，“电动自行车占道行驶”“电动自行车逆行”“机动车未按规定让行”“电动自行车未按规定让行”“违反信号灯”和“其他”作为模型中分析事故原因变量的具体影响因素类别。

图1 电动自行车交通事故原因分布情况

2 模型及变量选择

2.1 logistic回归分析理论

logistic回归是一种广义线性回归，常用于对分类变量进行影响因素分析，通过Logit函数将事件发生概率与不发生概率的比值定义为线性函数表达式，使分类因变量与自变量间建立一定线性关系，通过logistic回归分析，可以得到自变量的权重，从而判断哪些因素是事件发生的危险因素，及对发生可能性的影响。在二元logistic回归模型中，记发生严重事故的概率为P，x1，x2…xm表示m个影响因素，用logistic回归公式表示发生严重事故的概率为：

(1)

因此发生严重事故与不发生严重事故概率的比值可以表达为：

(2)

其中β0为常数项，β1～βm为影响因素x1～xm为回归系数，代表自变量与因变量的相关性，发生比率exp(β)可以衡量因子变量对因变量严重事故概率的影响程度，当因子变量每增加一个单位，严重事故发生比将增加为原来的exp(βm)倍。

有序多分类的Logistic回归可以看作是将因变量的多个分类依次分割为多个二元logistic回归的拟合。在电动自行车事故中，骑车人受伤严重程度多样，由轻到重可分为无伤害、轻伤、重伤、死亡4个等级，为两项以上的定类数据且具有递进顺序，因此将采用有序logistic回归模型对电动自行车交通事故中骑车人受伤严重程度进行分析[12]。

2.2 变量选择与检验

2.2.1 变量选择

以spss软件作为数据分析工具，根据数据特征分析结果，从事故信息中筛选出具备样本量的因素，选取了当事人属性、事故时间、道路环境、事故特征等4个类别共 9个变量作为电动自行车事故自变量，对于分类变量设置哑变量，将骑车人受伤严重程度划分为无伤害、轻伤、重伤、死亡4个等级作为模型的因变量，具体变量分类如表1所示。

表1 模型变量分类说明

2.2.2 单因素检验

在进行有序logistic回归前，需要验证9个变量是否都对骑车人受伤严重程度具有显著性影响。对各变量进行Kruskal-Wallis秩和检验，Kruskal-Wallis秩和检验可以研究多个独立分组变量在某一个等级变量上是否存在显著性差异，帮助筛选出对电动自行车骑车人受伤严重程度具有显著影响的指标。检验结果如表2所示，从结果中可以看出，性别、天气两变量对骑车人受伤严重程度不具有显著性影响(p>0.05)，因此仅需对其余7个变量进行有序logistic回归分析。

表2 Kruskal-Wallis秩和检验结果

2.2.3 共线性诊断

有序logistic回归分析除了要求因变量为有序多分类变量外，还需满足自变量之间无多重共线性的特点，因此必须对自变量进行共线性诊断[13]。使用spss对各变量进行线性回归分析，依据结果中的容忍度(Tolerance)和方差膨胀因子(VIF)大小判断各变量之间是否存在共线性关系，容忍度的值界于0～1之间，容忍度值较小时，表示此自变量与其他自变量之间存在共线性。方差膨胀系数VIF取值大于1，VIF值越接近于1，多重共线性越轻，反之越重。如果方差膨胀因子超过10，则回归模型存在严重的多重共线性。诊断结果如表3所示，选取的7个变量容忍度均大于0.9，方差膨胀因子(VIF)接近于1，可以判断各变量间不存在多重共线性问题。

表3 共线性诊断结果

3 模型评价及结果分析

3.1 平行性检验

模型平行性检验结果如表4所示，显著性水平p>0.05，证明平行性假设成立，各回归方程相互平行，因变量电动自行车骑车人受伤程度为等差分类，满足“比例优势”，模型及回归结果有效。

表4 有序logistic模型平行性检验结果平行线检验a

零假设规定位置参数(斜率系数)在各响应类别中都是相同的。a.联接函数：Logit。b.在最大步骤对分次数后无法进一步增加对数拟然值。c.卡方统计量的计算基于广义模型最后一次迭代得到的对数似然值。检验的有效性不确定。

3.2 模型分析结果

通过SPSS进行有序logistic回归分析，结果如表5所示。当显著性p<0.05时，说明该变量对电动自行车事故中骑车人受伤严重程度有显著影响，OR值反映了影响因素对电动自行车骑车人受伤严重程度影响的效应，OR值大于1，表明在此影响因素的作用下电动自行车骑车人更倾向于受到严重程度高的伤害；反之，OR值小于1，则表明在此影响因素的作用下骑车人更倾向于受到严重程度低的伤害。

根据回归结果，将具有显著影响的各自变量以及其对应的回归系数值带入公式：

f(x)=β0+β1x1+…+βmxm

(3)

已知回归模型中事件发生概率的函数为：

(4)

可建立骑车人受伤严重程度概率模型为：

(5)

其中：

(6)

3.3 拟合优度检验

模型拟合优度检验结果如表6所示，分别为Pearson和Deviance两种拟合优度检验。本研究中Pearson检验的结果为χ2=809.84，p>0.05，Deviance检验的结果为χ2=573.533，p>0.05，两种检验结果均为模型拟合良好。

3.4 评价结果分析

根据模型计算结果，鉴别出11个对电动自行车骑车人受伤严重程度有显著影响的因素，其中3个因素与当事人属性有关，1个因素与时间有关，2个因素与道路环境有关，5个因素与事故形态及成因有关。

(1)与当事人属性有关的3个因素分别为：“65岁以上”“工人”“农民”，在交通事故中受到更严重的伤害后果。65岁以上因素反映了骑车人年龄影响情况，OR值为1.817，按照国际法规定，65周岁以上的人确定为老年人，相对于中青年，老年人的身体素质和应急反应能力要相对较弱，在突发事件中躲避危险或者降低危险程度的能力较差，在受到同样碰撞下导致的后果和损伤更为严重。在骑车人职业中，发现工人和农民职业的骑车人更易受到程度较大的伤害，OR值分别为1.436和2.042。分析原因可能是许多外来打工人员和农民工的受教育程度和交通意识相对较低，在行驶过程中的注意义务、事故预防措施实施不到位，容易受到更严重的伤害；同时也可能由于这类职业骑车人其工作地点与城市中心距离较大，倾向于选择速度和续航能力更强的电动自行车，电动自行车总体质量大、车速高等都是交通事故更危险因素，在事故发生时容易造成更严重的伤害。

(2)与道路环境有关的因素中，事故路段道路线型为“坡道或弯道”时，发生的交通事故中电动自行车骑车人受伤严重程度高出一个等级的可能性是平直道路的2.411倍。下坡路段使电动自行车具有更高的车速，发生交通事故时伤害更高。在弯道中由于骑车人视距受限，更容易发生正面相撞等伤害严重的交通事故。

(3)从事故形态影响因素的分析结果看，“碰撞运动车辆”和“其他单车事故”因素的OR值均大于1，可见相对于刮撞行人事故，这两种事故形态中的电动自行车骑车人受到较高严重程度的伤害的可能性要更高，符合一般认知。在事故原因变量中，显著性正向影响因素为“电动自行车未按规定让行”和“机动车未按规定让行”，其OR值分别为1.719和1.910，均大于1。未按规定让行造成的事故一般包括两个方面，一是同向行驶时，机动车或电动自行车驶入对方车道造成事故；二是相交行驶时，一方未按要求减速让行发生侧面碰撞。这类事故大多发生在电动自行车与汽车之间，由于两者质量相差悬殊，且碰撞时速度差相对较大，造成事故伤害后果会更严重。

表5 有序logistic模型参数估计

表6 模型拟合优度检验结果

(4)从模型回归结果看，另有3个影响因素，分别是“高峰时段”“无信号控制”和“电动自行车逆行”，对交通事故受伤程度有显著性影响，但属于负向显著，即在此变量条件下，电动自行车驾驶人会受到更小的事故伤害。分析原因可能是在高峰时段，由于道路拥堵，机动车和电动自行车普遍速度较低，发生的事故后果较轻。在无信号控制路口，交通参与者都降低了速度进入交叉口，故事故后果较轻，与王卫杰[11]研究结论一致。电动自行车逆行时，由于骑车人自知其存在违法行为，故骑行更加专注，一旦发生危险会及时采取避险行为。

4 结论

(1)通过有序logistic回归分析得到了舟山市交通事故中电动自行车骑车人受伤严重程度的8个正向显著因素，即“老年人”“工人”“农民”“坡道或弯道”“碰撞运动车辆”“其他单车事故”“机动车未按规定让行”和“电动自行车未按规定让行”，这几种情形下电动自行车交通事故严重度更高。应从驾驶人、道路以及管理的角度采取针对性预防对策。

(2)从驾驶人的角度，应加强对骑电动自行车的老年人和农民工群体的安全宣传教育，提倡佩戴头盔，使用符合新国标电动自行车出行。

(3)从道路方面，在道路事故多发的坡道、弯道处，设置一定警示、限速设施，重视非机动车道建设，有条件的情况下设置电动自行车专用道。

(4)从管理的角度，完善道路交通管理设施，进一步规范和重视路权意识，同时加强执法保障，实现各行其道，依法让行。对于逆行较多的路段，可从道路设计方面查找原因，必要时考虑设置双向行驶非机动车道。

此外，车辆速度、车辆性能等因素可能对骑车人受伤严重程度有一定影响，但由于本次研究获取的事故信息数据有限，对于其他因素的影响研究有待进一步开展。当然，舟山市的电动自行车交通特点及管理水平与全国其他城市也不一定完全相同，本文提出的事故严重度影响因素研究方法可作为其他城市研究电动自行车交通安全的参考。