新能源汽车交通事故特征分析——以长沙市为例*

苏美玲 冯晓锋 刘晨辉,3▲ 袁 军

（1. 湖南大学土木工程学院 长沙 410082；2. 湖南警察学院交通管理系 长沙 410138；3. 长沙理工大学公路工程教育部重点实验室 长沙 410114；4. 长沙市公安局交通警察支队 长沙 410006）

0 引 言

新能源汽车作为实现交通运输领域节能减排的重要手段，在近些年得到了大力发展。根据动力来源，现阶段新能源汽车主要分为3 类[1]：①混合动力汽车，主要指搭载了任何2种能源的车辆；②纯电动汽车，属于化学电池电动车，依靠蓄电池提供动力；③燃料电池汽车，主要燃料为氢气或甲醇，燃料在车辆正常运行中进行化学反应转换为电能。截至2022年6 月底[2]，我国新能源汽车保有量已达到1 001 万辆，其中纯电动汽车保有量810.4 万辆，且仍在快速增加中。与此同时，新能源汽车交通事故也在不断增加，相关交通安全问题日益突出。

针对机动车交通事故，国内外学者已经做了大量的研究工作[3-4]。然而，这些研究多针对的是传统内燃机汽车，而新能源汽车独特的技术特性给交通安全带来了新的挑战。

首先，新能源汽车噪声低，这一特性在提高乘坐舒适性的同时，也给骑行者和行人带来了更多威胁[5-6]。基于美国新能源汽车交通事故数据，Hanna[7]和Wu等[8]指出在低速运行场景下，混合动力汽车与行人/自行车发生事故的概率是传统内燃机汽车的2倍。基于挪威2011—2018年电动汽车事故数据，Liu等[9]同样证实电动汽车对行人和骑行者的威胁更大。其次，电动汽车在过热或碰撞的情况下，易出现爆炸、着火、漏电等危险，对事故人员造成威胁[10-11]。基于近几年国内外电动汽车事故数据，张康康等[12]研究认为国内电动汽车主要事故成因为自燃，而国外电动汽车事故主要由碰撞引起，这是因为国内电动汽车产业起步较晚，动力电池安全性能有待进一步提高。陈泽宇等[13]分析了2014—2019年国内外严重的电动汽车起火事件，发现自燃、充电起火和碰撞是引发电池起火的主要原因。姜良维等[14]分析了公安部2018—2020年新能源汽车碰撞事故统计数据，发现新能源汽车的万车事故率、万车死亡率都显著高于传统汽车。吕家慜[15]分析了NAIS 上海市松江区站点55例电动汽车碰撞事故，发现电动汽车事故形态主要以在交叉口的单车事故与追尾碰撞为主。

总的来说，国外方面，研究人员较早开始利用实际交通事故数据来探究新能源汽车引发的交通安全问题，侧重于分析新能源汽车对行人和骑行者造成的威胁，最近开始探索更广泛的事故类型。然而，考虑到国内外交通环境的巨大差异，其研究发现是否适用于我国需要进一步验证。国内方面，研究人员仍侧重于从电池热失控角度探究新能源汽车安全问题，从交通工程角度基于实际交通事故数据的相关研究有限，且现有研究多以对事故的描述性分析为主，缺乏基于统计建模的深入量化分析。因此，通过分析最新的新能源汽车交通事故数据，本文旨在明确其事故特征与发展趋势，并利用统计建模来精准识别影响事故严重程度的关键因素，从而为预防新能源汽车事故并制定相关监管政策提供数据支持。

1 数据采集与描述性分析

本次研究分析的是长沙市2020 年1 月1 日—2022 年6 月27 日的新能源汽车交通事故，该数据由长沙市交警支队提供。在此期间，长沙市累计发生376起涉及新能源汽车的交通事故，2020年、2021年和2022 上半年分别发生了96 起、165 起和115 起交通事故（见表1），上升趋势明显。这些事故主要发生于城区，共造成348人受伤和62人死亡，平均每百起事故受伤人数和死亡人数分别为93 人和16 人。可见，长沙市新能源汽车交通事故虽然整体仍然较少，但增长迅速，且后果严重，安全问题日益突出。

表1 新能源汽车交通事故年份分布Tab.1 Distribution of new energy vehicle traffic accidents by year

为进一步探索事故特征，表2 展示了事故发生的时间、地点、类型、天气、驾驶员年龄和性别、新能源汽车种类等信息。为后续准确识别各变量对于新能源汽车交通事故及严重程度的影响，首先对数据进行处理，信息不明的数据被清除，分布不均衡的数据则被合并。在新能源汽车种类方面，只有纯电动汽车和插电式混合动力汽车被用于后续分析，2者是目前主要的新能源汽车类型；在碰撞类型中，只保留了碰撞运动车辆、碰撞静止物体、碰撞行人3种主要的碰撞类型，其中碰撞静止物体以碰撞静止车辆为主，占比高达84.8%；对于天气，雨雪雾天气被合并为恶劣天气，而晴阴被合并为良好天气。最后，有309起事故记录被保留用于量化分析，占原始数据的82.2%。

表2 新能源汽车交通事故特征汇总Tab.2 Statistics of new energy vehicle traffic accident

基于严重程度，本文中交通事故被划分为财产损失事故、伤人事故和死亡事故3 类。新能源汽车交通事故以伤人事故为主，占比达61.5%；死亡事故比例为17.2%。也就是说，接近1/5的新能源汽车交通事故造成了人员死亡，证实了新能源汽车事故的严重性。

1.1 碰撞特性

从碰撞类型来看，新能源汽车交通事故以碰撞运动车辆和碰撞行人为主，分别占比65.0%和24.3%。进一步分析可以发现：碰撞行人事故中死亡事故比例接近50%，见图1。此外，从2020—2022年，碰撞行人事故比例由20.0%上升到25.8%，而死亡人数占比由57.1%上升到71.4%。可见，新能源汽车对行人交通安全构成了严重威胁。

图1 不同碰撞类型新能源汽车事故的严重程度分布Fig.1 Distribution of new energy vehicle accidents by severity under different collision types

1.2 车辆及驾驶员特性

从新能源汽车种类来看，事故涉及的新能源汽车以纯电动汽车为主，占比高达93.5%，与国家2022年6月底公布的新能源汽车中纯电动汽车的绝对优势地位（80.9%）一致[2]。相比之下，插电式混合动力汽车占比较小。可见，纯电动汽车已经成为长沙的主流新能源汽车类型。

车辆使用性质方面，出租客运和公交客运车辆占比分别达到39.2%和12.0%。虽然二者绝对数量要远少于私家车，但在政策的扶持下，2者电动化比例远高于私家车。目前，长沙市公交车已经完全淘汰燃气车，而出租客运车辆中的燃气车也在逐步淘汰中。此外，11.3%的交通事故涉及货运车辆。随着城市物流车辆电动化的推进，可以预测未来电动货运车辆会进一步增加。值得注意的是，由于客货营运车辆驾驶员均可以认为是职业驾驶员，其交通事故特征可能与私家车驾驶员有较大差异。

从驾驶员性别来看，男性比例远高于女性。分析认为，其中1 个重要原因是事故涉及的新能源车辆仍以客货营运车辆为主，而营运车辆驾驶员以男性为主。从驾驶员年龄来看，30 岁以下的青年驾驶员比例较小，仅有24.6%。

1.3 环境特性

交通运行情况会随着环境变化呈现不同的特征。从时间上来看，长沙市新能源汽车事故并没有呈现出特别明显的早晚高峰趋势（见图2），其在白天和晚上的比例均为50.0%左右。此外，事故在工作日和周末也并未呈现明显变化，见图3。这与Liu等[9]研究的挪威新能源汽车事故有明显的早晚高峰、周末少于工作日的情况有所不同。分析认为，其主要原因是事故涉及新能源车辆中的营运车辆占比巨大，而相比之下，挪威新能源汽车以私家车为主。

图2 新能源汽车交通事故时刻分布Fig.2 Distribution of new energy vehicle accidents by time of day

图3 新能源汽车交通事故星期分布Fig.3 Distribution of new energy vehicle accidents by day of week

从事故发生地点来看，新能源汽车事故主要集中在路段上，占比高达68.3%，是交叉口事故发生数的2倍还多。这与吕家慜[15]对上海市松江区55例电动汽车交通事故的分析结果正好相反，其数据中交叉口交通事故占比67%。分析认为，这应该是与数据采集区域和时间段有关。吕家慜[15]使用的NAIS数据是调查区域内满足一定条件的抽样事故数据，而本文分析的是调查区域内所有涉及新能源汽车的事故数据，更能反应新能源汽车事故的真实分布情况。

从天气类型来看，大部分事故发生在晴天或阴天等良好天气，发生在雨雪雾天气的事故占比为20.4%。

2 研究方法

本文中，基于严重程度，新能源汽车交通事故被划分为财产损失、伤人与死亡3类。因此，事故严重程度是1 个典型的离散有序多分类变量，传统的线性回归方法无法对其进行拟合。逻辑回归模型是最常用的二分类变量建模方法，而有序逻辑回归模型（the ordered Logit model）是在其基础上的扩展，其原理是将因变量的多个分类有序依次分割为多个二元逻辑回归模型，分别计算因变量落入各个分类的概率。因此，本文将采用ordered Logit 模型来识别影响新能源汽车交通事故严重程度的关键因素，模型见式（1）～（3）。

式中：i为事故编号，从1，2，…，309；yi为第i起事故的严重程度（0，1，2）；为与yi对应的隐藏连续因变量；μ1，μ2为有序逻辑回归模型的常数临界值，又称分割点，其中μ1≤μ2；Xi为第i起事故的自变量集，即影响因素集；β为与Xi相对应的回归参数集；εi为第i起事故的随机误差项，服从Logistic分布。

有序逻辑回归模型的概率分布图见图4，μ1为判断事故是否为财产损失事故的分割点，而μ2为判断事故是否为死亡事故的分割点。当事故既不是财产损失事故，也不是死亡事故时，即为伤人事故。

图4 有序逻辑回归模型的概率分布图Fig.4 The probability distribution of the ordered Logit model

由此，交通事故严重程度对应的概率分布，计算见式（4）。

由式（4）可见：当β为正数时，表示变量对事故有显著的正向影响。随着变量值增加，发生财产损失事故的概率会减少，发生死亡事故的概率会增大，也就是事故会更趋严重；当β为负数时，表示变量对事故严重程度有显著的负向影响。随着变量值增加，发生财产损失事故的概率会增大，发生死亡事故的概率会减小，也就是事故会更趋轻微；当β为零时，表明该变量对事故后果并无显著性影响。

3 结果分析

基于表2 中展示的数据，本研究在R中采用MASS 工具包[16-17]建立了ordered Logit 模型，并估算出参数值，结果见表3。

表3 新能源汽车交通事故严重程度参数估计结果Tab.3 Results of logistic regression analysis of the degree of responsibility for the accident

碰撞类型对于新能源汽车交通事故的严重程度有显著影响。其中，碰撞静止物体的参数估计值为-2.082，优势比为0.125＜1。也就是说，碰撞静止物体导致事故严重程度提高1级的几率是碰撞运动车辆的0.125倍，即碰撞静止物体事故后果要轻微的多。分析发现，本文数据中静止物体以静止车辆为主，可以判断这些事故应该多发生于拥挤狭窄的道路或停车场内，车辆处于低速行驶状态，因此碰撞后果更为轻微。这一发现与姜良维等[14]对2018—2020年全国新能源汽车交通事故的分析结果基本一致，其发现碰撞路边静止车辆事故占事故总数的9.08%，但造成的死亡人数只占4.78%。

相比之下，碰撞行人的参数估计值为2.513，优势比为12.342＞1。也就是说，碰撞行人导致事故严重程度提高1 级的几率是碰撞运动车辆的12.342倍，即碰撞行人事故后果要严重的多。这一发现与姜良维等[14]的研究结果也基本一致，其发现刮撞行人事故占事故总数的18.30%，但造成的死亡人数占比高达30.75%。分析认为，这主要是由于行人缺乏防护，即使轻微的碰撞也有可能造成严重后果。可见，如何保护行人的交通安全是发展新能源汽车所必须考虑的1个问题。进一步分析发现：高达88.0%的碰撞行人事故中，新能源汽车驾驶员要负同等及以上责任，主要原因是驾驶员操作不当和未按规定让行，也就是驾驶员一方有过错。鉴于新能源汽车对行人的威胁主要是因为其低噪声特性[5-6]，因此，除加强对新能源汽车驾驶员和行人的交通安全教育，也应该考虑完善相关监管法规，改进新能源车辆在低速运行时的相关噪声标准。值得注意的是，在Liu等[9]对挪威电动车的研究中，碰撞行人/骑行者事故与碰撞车辆事故在严重程度方面并没有呈现显著差异。分析认为，这可能是因为其并没有将车辆划分为运动车辆和静止车辆，从而导致二者在一定程度上有所抵消。

驾驶人是影响交通事故特征的主要因素之一，然而现有电动车交通事故研究大多并没有考虑驾驶员特性[9,14-15]。本研究中，驾驶员年龄与性别对交通事故后果均没有显著影响。如前面所述，本文中涉及的新能源车辆以公交、出租、货运等营运车辆为主，超过70%的驾驶员以30多岁的男性为主。分析认为，与私家车驾驶员相比，营运车辆驾驶员需要接受更为专业的驾驶培训与考核，驾驶经验也更为丰富。对于营运车辆驾驶员来说，驾驶技术与经验对其驾驶行为的影响可能比年龄与性别更为显著。

车辆特性是影响交通事故特征的另外1个重要因素。从动力装置来说，新能源汽车主要包括插电式混合动力汽车和纯电动汽车2类。现有相关研究多将二者合并分析[9,14-15]，但却并未证明这种做法是否合适[18]。本文建模结果显示，插电式混合动力汽车与纯电动汽车在交通事故严重程度方面并没有呈现显著差异。值得注意的是，本文事故数据中插电式混合动力汽车占比仅为6.5%，这在一定程度上可能会影响建模结果。未来，有必要采用更多的插电式混合动力汽车事故数据来进一步验证二者是否存在显著差异。

车辆使用性质也没有展示出显著影响，即私家车与出租、公交、货运等营运车辆在事故严重程度上并无显著差异。分析认为，虽然出租客运占比更大，但其驾驶员均为职业司机，有理由相信其有丰富的经验和技术避免严重事故的发生；公交客运车辆虽然更大，但是其运行速度较低，所以造成严重事故的概率也较小；占隽均等[18]和胥川等[19]认为货运车辆普遍更容易导致严重的碰撞后果，但其一般指的是在公路运行的重型货车，而本文中涉及到的新能源货运车辆以在市区道路运行的轻型货车为主，载重量与尺寸均较小，与重型货车有显著不同。

环境因素中，只有时间对事故严重程度呈现显著的正向影响，其参数估计值为0.857，优势比为2.356＞1。也就是说，发生在白天的新能源汽车事故，其严重程度提高1 级的几率是晚上的2.356 倍，即发生在白天的新能源汽车交通事故后果更为严重。分析认为，这可能是因为白天车速较高，而晚上由于视野较差，驾驶员驾车更为谨慎，减少了严重事故的发生。进一步分析可以发现，见图5，夜间几乎每个时段的伤亡事故比例都明显较低，其中凌晨01：00—02：00 尤其偏低。相比之下，白天各时段的伤亡事故比例都明显较高，在早晚高峰时段几乎都达到了100%。Liu 等[9]对挪威电动车交通事故的分析中，白天（07：00—18：00）和晚上（18：00—07：00）的事故严重程度并无显著差异。由于靠近北极圈，挪威存在明显的极昼极夜情况。分析认为，虽然时间划分方式相近，但挪威的白天黑夜与我国的白天黑夜在能见度等方面存在较大差异，从而产生不同的影响。

图5 新能源汽车交通事故的伤亡事故比例时刻分布Fig.5 Distribution of the injury-or-fatality proportion of new energy vehicle accidents by time of day

其他环境因素，包括事故是否发生在周末、是否发生在交叉口、是否发生在雨雪雾天气均未呈现显著影响，这与Liu等[9]对挪威电动车交通事故的研究结果基本一致。虽然雨雪雾可能会加大事故发生的概率，但驾驶员本身也会更为专心谨慎，从而减少严重事故的发生。

与现有研究相比，本文综合考虑了人-车-路-环境-碰撞等各种可能的影响因素，并利用有序逻辑回归模型量化识别了各因素对电动车交通事故严重程度的影响。虽然这些因素在针对传统燃油车事故的研究中已经被广泛使用，但现有针对电动车事故的研究大多只考虑环境、道路和碰撞等因素，而较少考虑驾驶人和车辆因素。本研究的相关研究结果有助于更全面地认识新能源汽车的交通事故特征。此外，本研究众多发现与国内外现有相关研究结论基本一致，这从另外1个方面证明了本研究的可靠性。

4 结束语

随着我国新能源汽车保有量的不断增加，相关交通事故快速上升，新能源汽车交通安全问题日益凸显。利用长沙市2020年1月—2022年6月的新能源汽车交通事故数据，本研究旨在从人-车-路-环境-碰撞等方面全面了解新能源汽车交通事故的特征，并利用ordered Logit 模型识别影响其严重程度的关键因素，为在新形势下如何加强新能源汽车安全监管提供参考。

研究发现，长沙新能源汽车已经全面转向纯电动汽车，新能源汽车交通事故正在急剧上升。从严重程度来看，新能源汽车交通事故中，伤亡事故比例高达78.7%，其中死亡事故比例接近1/5，远高于普通燃油车。其中，碰撞行人事故占比接近1/4，均造成人员伤亡。然而，新能源汽车交通事故并没有随星期、时间、天气呈现出显著的变化趋势。分析认为，这应该与新能源汽车的使用性质有关。本研究中涉及事故的新能源汽车以出租客运、公交客运、货运等营运车辆为主，其使用特征与私家用车存在较大差异。对新能源汽车交通事故严重程度的建模结果显示，驾驶人、车辆、道路和环境等要素均未呈现显著影响。各因素中，只有碰撞类型和时间（是否发生在白天）呈现显著影响。与碰撞运动车辆相比，碰撞静止车辆/固定物的事故后果更为轻微，而碰撞行人的事故后果更为严重。考虑到碰撞行人事故占比近1/4，如何减少该类事故应是新能源汽车安全管理的重点。从碰撞时间来看，发生在白天的事故后果比晚上更为严重，其中早晚高峰时段伤亡事故比例接近100%。

受客观条件和数据采集条件所限，本研究所采用的数据样本量较少。未来随着新能源汽车交通事故数据的不断积累，希望能获取更多、更详细的数据，从而展开更加精细的研究。此外，借鉴现有的自然驾驶行为研究技术，未来可以结合新能源汽车的速度、加速度、轨迹等运行数据[20]，分析事故发生前后新能源汽车的运行特征变化，以更加精准的识别事故发生的原因，从而为未来制定更有针对性的改进措施提供技术支持。