疲劳驾驶交通事故的严重程度影响因素分析*

熊 睿，邓院昌

(1.中山大学 智能工程学院，广东 广州 510006； 2.广东省智能交通系统重点实验室，广东 广州 510006)

0 引言

随着汽车保有量和路网密度的快速增加，交通事故频发，造成一定人员伤亡和财产损失。相关统计数据显示，2020年全国交通事故发生约24.5万次，死亡人数达61 000余人，直接财产损失高达131 361万元[1]。疲劳驾驶已经成为影响交通事故不可忽视的因素，因其造成的交通事故数量约占总体事故数量的10%～20%[2-3]。在特大事故中，疲劳驾驶导致的交通事故比例高达40%[4]。

国内外学者针对疲劳驾驶交通事故检测进行研究：蔡素贤等[5]采用随机森林算法对疲劳驾驶状态进行识别；You等[6]引入改进的YOLOv3-tiny卷积神经网络建立驾驶员疲劳评估模型评估驾驶员的疲劳状态；徐莲等[7]提出1种基于迁移学习的眼睛状态识别网络，采用PERCLOSE准则判断驾驶员的疲劳情况。

在疲劳驾驶特点统计分析层面：刘秀等[8]研究发现货车和私人小汽车发生疲劳驾驶交通事故的事故率高，驾龄在3 a以下、20～30岁的驾驶员、男性驾驶员等几个群体发生疲劳驾驶交通事故的事故率较高；李都厚等[9]研究发现30岁以下的男性驾驶员和驾龄为10 a的驾驶员是疲劳驾驶的高发群体；凌晨2～6时与下午3～4时是疲劳驾驶的高发时段，高速公路上疲劳驾驶交通事故的比例远高于普通公路。

针对疲劳驾驶交通事故的检测问题：Naveen等[10]提出基于神经网络的混合多模式系统用于检测驾驶员疲劳状态；Majkowski等[11]提出基于对照相机记录的图像进行分析的驾驶员疲劳症状检测系统评估疲劳状况；Joonchul等[12]利用Smart Fatigue Phone和脑电图信号获取疲劳状态和唾液皮质醇浓度之间的相关性，提出未来可通过定时定量唾液皮质醇识别驾驶员疲劳状态的设想。

针对疲劳驾驶特点统计分析问题：Sooyoung等[13]研究发现每天工作超过12 h或者驾驶公交车的职业司机发生严重疲劳驾驶交通事故的概率较高；Bunn等[14]研究发现与州际公路和湿润路面相比，商用车辆驾驶员更有可能在林荫大道与干燥路面上发生疲劳驾驶交通事故；Tefft[15]研究指出涉及驾驶员疲劳驾驶的致命性交通事故发生率比报告高350%以上。

综上，现有研究主要集中在如何及时发现驾驶员的疲劳状态方面，将疲劳驾驶与事故严重程度直接联系起来的研究较少，而同时从人、车、路、环境和时间5个方面分析疲劳驾驶事故严重性影响因素的文献则更加少见[16-18]。

基于此，本文拟采用2006—2017年广东省1 370条疲劳驾驶事故数据，结合Logistic理论从人、车、路、环境和时间5个方面探析和定量化事故严重性相关因素的影响程度，研究结果可为减少和预防疲劳驾驶严重事故提供基础数据支持。

1 疲劳驾驶事故特点及分析

为对疲劳驾驶导致的严重交通事故影响因素进行探究，本文将严重事故定义为有人员死亡或重伤的事故。在此基础上，从事故发生年份、发生时间段、天气3个方面对疲劳驾驶事故的事故数量和严重事故比例进行统计，结果如图1所示。

图1 不同年份、时间段和年龄段下疲劳驾驶交通事故数量和严重事故占比

由图1可知，2006—2017年广东省疲劳驾驶交通事故数量整体呈下降趋势，2006年事故数据量相对最多；严重交通事故所占比例整体呈上升趋势，疲劳驾驶交通事故数量和严重交通事故所占比例在凌晨时间段的数值相对较高，且2者都在4∶00～6∶00时间段达到1 d中的最大值；10∶00～12∶00，14∶00～20∶00时间段内严重交通事故所占比例较低，随年龄增长，驾驶员疲劳驾驶发生严重交通事故的概率越高。

在2006—2017年的1 370条广东省疲劳驾驶交通事故数据中，严重交通事故占比达37.52%。因此，研究如何减少和预防疲劳驾驶导致的严重交通事故的发生十分必要。

2 疲劳驾驶事故二分类Logistic模型

2.1 Logistic模型简介

Logistic回归模型是1种将概率作为因变量的非线性回归分析方法，常用于研究分类观察结果(因变量)与影响因素(自变量)之间的关系，如式(1)所示：

(1)

式中：P为事件发生概率；Y为因变量；X=(x1，x2，…,xn)为与因变量有关的n个自变量的集合；xi表示影响因素，可以是连续变量，也可以是分类变量；β0为常数项；βi为回归系数。

在Logistic模型中，将事件发生概率P与事件不发生概率1-P的比值称为发生比或者优势比。将该发生比取自然对数，可得到线性函数如式(2)所示：

(2)

式中：α表示回归截距。

2.2 变量赋值

首先，初步从人、车、路、环境和时间5个角度选择17个变量作为自变量，为更清楚地表现各变量间的关系，对本次分析所涉及的交通事故特征变量进行赋值。

影响因素赋值及含义如表1所示。其中，年龄、驾龄、人员类型、车辆类型、道路类型、天气、能见度以及照明条件为多分类变量，需要进行哑变量转换，如年龄转换赋值如表2所示。

表1 影响因素赋值及含义

表2 多分类变量年龄转换赋值

本文选取事故严重程度作为因变量(记为yi)，考虑交通救援在交通事故中的作用，将有人员死亡或受重伤的事故记为严重事故，记为yi=1，将仅有人员轻伤或财产损失记为非严重事故，记为yi=0。

2.3 模型参数估计

完成自变量以及因变量的赋值及处理后，使用SPSS 22.0软件，采用正向逐步法(条件)并选取显著水平α=0.05进行二项Logistic回归和参数估计。

将上述17个候选自变量进入模型，显著水平低于α=0.05的变量将被剔除。根据软件回归结果，最终满足条件的自变量见表3。

表3 参数估计结果

2.4 模型结果分析

Logistic模型建立后，首先需要保证模型的有效性和可信度，其次才能够进一步对模型结果进行分析和探讨。因此，本文将对模型的拟合优度和拟合劣度进行检验。

1)模型拟合度检验

模型拟合度检验包括拟合优度检验(Omnbinus检验)与拟合劣度检验(Hosmer-Lemeshow检验)，具体拟合指数如表4所示。

由表4可知，Omnbinus检验的卡方值为150.029，自由度为15。卡方检验临界值表显示显著水平为0.05时，卡方临界值为24.996，由于150.029大于24.996，Sig.值小于0.001，表明模型拟合优度好，有效性较强。对模型进行Hosmer-Lemeshow检验，得到卡方值为8.335，自由度为8，Sig.值为0.401。当显著水平为0.05时，卡方临界值为15.507，因此接受零假设，说明模型拟合劣度低，缺陷小。综上，模型通过检验，可以进行结果分析与解读。

表4 拟合度检验

2)结果分析

①由表3可知，在驾驶员疲劳驾驶情况下，18～25岁的驾驶员发生严重交通事故的概率是45岁以上年龄段驾驶员的0.580倍，25～45岁年龄段发生严重交通事故的概率是45岁以上年龄段驾驶员的0.658倍。这可能是因为年龄较小的驾驶员身体素质和健康状况比较好，反应速度比较快，在发生交通事故的时候能够在较短的时间内采取补救措施，最大限度保护自己少受伤害，从而降低严重事故发生概率。

②在驾驶员疲劳驾驶情况下，公务员、工人、个体户和普通职员发生严重交通事故的概率分别是其他职业人员的2.727，2.183，1.517，2.016倍；农民发生严重交通事故的概率仅为其他职业人员的0.807倍。这是因为公务员、个体户和普通职员工作压力大，需要长期奔波，缺乏休息时间，工人工作量大，强度高，体力消耗大，身体容易疲乏，这几类人员驾驶时更可能处于深度疲劳状态，发生事故相对严重。农民对交通工具的需求较低，较少长途奔波，因此发生严重事故的概率相对较低。张旗[19]指出，最常见的疲劳驾驶原因是驾驶员睡眠不足，因此不同职业的驾驶人员发生严重交通事故的概率可能与其睡眠时间和质量相关。该研究结果尚需进一步验证和研究。

③在驾驶员疲劳驾驶情况下，驾驶摩托车、客车和货车的驾驶员发生严重交通事故的概率分别是驾驶其他车型的0.517，0.634，0.890倍。这可能是因为摩托车车型小，操作轻便，在发生交通事故时，采取减速、避撞等行为更容易。公安部对客车和货车的监管严格，对司机疲劳驾驶的情况相当重视，因此发生严重事故的概率比较低。

④在驾驶员疲劳驾驶情况下，城市道路发生严重事故的概率是其他道路的0.302倍。这可能因为城市道路设计比较规范，行车相对安全，管理严格、电子警察等执法措施相对完善，对机动车驾驶员具有一定的约束作用。

⑤在驾驶员疲劳驾驶情况下，直线路段发生严重交通事故的概率是非直线路段的0.638倍。这可能是因为当驾驶员在非直线路段驾驶时，需要时刻注意道路线段的变化，更容易疲劳。同时，非直线路段可能存在视野盲区，驾驶员难以注意到危险因素的存在，与林庆丰等[20]的研究成果相同。

⑥在驾驶员疲劳驾驶情况下，能见度在<50 m、≥50～100 m时发生严重交通事故的概率分别为能见度>200 m的1.735,1.658倍。这可能是因为能见度较低时，驾驶员无法辨认前方路况，难以发现潜在危险因素，发生车辆碰撞时无法做出及时的应急反应。郭智亮等[21]研究发现，1 d时间内最低能见度通常出现在清晨，午后明显好转，之后又逐渐降低。这很好地印证疲劳驾驶严重事故占比与时间段的关系特征，间接反映本文结论的合理性。

3 不同道路条件下的疲劳驾驶交通事故严重程度影响因素分析

根据前文研究结果，城市道路和非城市道路发生严重事故的概率相差较大，道路类型是影响疲劳驾驶交通事故严重程度的重要因素(Sig.<0.001)。为更具体地探究不同道路条件下疲劳驾驶交通事故严重程度的影响因素,本文将道路类型进一步细化为城市道路、高速公路、1级道路、2级道路和其他道路，并据此将广东省的1 370条疲劳驾驶事故数据划分为5个数据集，分别建立事故严重程度预测模型。

选取年龄、人员类型、车辆类型、道路线形和能见度作为自变量，采取正向逐步法，将显著水平设为α=0.05。结果显示除高速公路数据集外，其他4个数据集所对应的模型均通过拟合度检验。

3.1 城市道路

在城市道路环境下，满足条件的自变量如表5所示。从表5可知，在城市道路环境下，对疲劳驾驶交通事故严重程度具有显著影响的因素为车辆类型和道路线形。

表5 城市道路数据集的参数估计结果

与前文不同的是，在城市道路直线路段更容易发生严重疲劳驾驶事故，其概率为非直线路段的3.483倍。原因可能是相比于非直线路段，司机在直线路段发生超车行为的概率较高，变道和加减速变换行为比较频繁，容易与其他车辆形成较大的速度差，因此发生严重事故的概率相对较高。Zhang等[22]同样在研究中指出直行车辆更容易造成严重交通事故。

3.2 高速公路

根据SPSS结果，在高速公路环境下，年龄、人员类型、车辆类型、道路线形和能见度均对疲劳驾驶交通事故的严重程度没有显著影响。可能原因是高速公路的道路设计比较完善，交通监管力度严格，驾驶员的个人特质表现不明显，车辆、环境要素对事故严重程度的影响不大，结果与陈昭明等[23]的研究相悖，有待进一步研究。

3.3 1级道路

在1级道路环境下，满足条件的自变量如表6所示。从表6可知，在1级道路环境下，能见度是影响疲劳驾驶交通事故严重程度的重要因素，能见度越低发生严重事故的概率越高。

表6 1级道路数据集的参数估计结果

3.4 2级道路

在2级道路环境下，满足条件的自变量如表7所示。从表7可知，在2级道路环境下，人员类型、车辆类型、道路线形和能见度均会影响疲劳驾驶事故的严重程度。相比于其他类型的道路，影响2级道路疲劳驾驶事故严重程度的因素最多，因此交通管理部门应该尤其重视对2级道路的监管工作。

表7 2级道路数据集的参数估计结果

普通职员发生严重事故的概率是其他职员的6.040倍，货车发生严重事故的概率是其他类型车辆的2.056倍，直线段发生严重事故的概率是非直线段的2.163倍。说明在设计规范较差的2级道路中，货车及直线道路应该是交通管理部门的重点监测对象，同时，应该适当提醒普通职员在驾车上下班的途中应保持较强的交通安全意识。

3.5 其他道路

在其他道路环境下，满足条件的自变量如表8所示。从表8可知，在其他更加低级的道路中，人员类型和能见度是影响疲劳驾驶交通事故严重程度的重要因素。公务员发生严重交通事故的概率是其他人员的8.493倍，能见度为50～100 m时发生严重交通事故的概率相对最高。提高能见度是减少和预防低级道路中发生严重疲劳驾驶事故的有效手段，针对公务员的交通安全教育也应该受到重视。

表8 其他道路数据集的参数估计结果

4 减轻和预防交通事故措施讨论

综上，疲劳状态下发生交通事故的严重程度与年龄、人员类型、车辆类型、道路类型、道路线形和能见度有关，不同道路条件下的事故严重程度影响因素有所不同。利用模型预测的结论，本文提出相关建议以减少和预防疲劳驾驶导致的严重交通事故的发生。

1)加强对特殊职业群体的交通安全教育。针对公务员、工人和普通职员疲劳驾驶出现严重事故的概率较高的问题，相关部门应对该部分群体开展交通安全教育，提高职员安全意识和责任意识，减少驾驶员疲劳驾驶倾向。重点提醒公务员和普通职员在2级及更低级道路驾驶时应保持较高的警惕性。

2)严格把控道路设计、完善道路设施。在规划设计道路方面，尽量采用平直线形。若存在必须采用非平直线形的路段，应严格按照道路设计标准对道路的曲率、半径等进行规范，同时应在非平直线路的路段合理设置明显的警示标识，提醒驾驶员小心驾驶。在照明条件方面，完善道路照明设施，保证每条路段尤其是道路等级较低的路段均有路灯照明。当能见度较差时，合理设置警示标语。

3)加强交通监管力度。尽可能完善测速装置和监控装置布设，加强车速监督管理，严格控制车距，保障行车安全。重点提高城市道路和等级较低道路直线路段的速度监测和超车行为监管力度，对违法交通行为采取严格处罚措施，减少违法行为发生。

5 结论

1)在疲劳驾驶前提下，以事故严重程度为因变量，以涵盖人、车、路、环境和时间5个方面的17个因素为自变量建立Logistic模型，最终得到年龄、人员类型、车辆类型、道路类型、道路线形和能见度6个因素与事故严重程度显著相关。

2)针对不同道路类型下的数据集分别建立Logistic模型，得出车辆类型、道路线形与城市道路的疲劳驾驶交通事故严重程度显著相关；能见度与1级道路的事故严重程度显著相关；人员类型、车辆类型、道路线形和能见度与2级道路的事故严重程度显著相关；人员类型和能见度与其他更低级道路的事故严重程度显著相关。

3)对Logistic模型进行检验，说明构建的模型具有较高的准确性和可信度。研究结果可作为相关部门从人、车、路、环境等方面预防和减少疲劳驾驶严重事故的基础支持数据，也可为相关管理部门对不同类型道路制定针对性监管措施提供参考。